专业的分析方法举例

1. 如何有效地分析问题能举个简单的例子吗

分析问题的方法有很多种，明叔在这里介绍几种能最快学以致用的分析法： 第一种：电工法 复盘目标达成中的各个环节，将问题范围逐渐缩小，从而确定问题发生的环节在哪里。

昨天我在编辑上一篇文章时，我遇到了这样的问题：我在微信编辑器中将文章编辑完成后点击保存时，弹窗提醒我文章中存在敏感关键字，有可能造成审核无法通过，但是我通读文章并修改几个可能触发敏感关键词的语句后，仍然有这个提示。于是我采取这样的方法：我将全文剪切了二分之一，只留下一半的上文，此时点保存发现可以正常保存，那么知道触发关键词的语句是在文章的下半部分，然后我继续用同样的办法，每次检验剩余文章的二分之一，不断的缩短关键词的范围，最终找到了问题关键词的地方。在分析一般问题上，这个方法能够方便又有效地帮助我们确定问题所在，与排除法有着异曲同工之妙，排除法在于将假命题进行排除，最后留下正确的答案，电工法与之相反，通过不断的排除正确选项以接近问题点。第二种：类比法 类比法是将一类事物的某些相同方面进行比较，以另一事物的正确或错误证明这一事物的正确或错误，这是运用类比推理形式进行论证。简单说就是用一个已知的相似案例，对照现存案例来获得问题的解释。这里举个生活中常见的案例：通过遥控器控制家里的空调时突然失灵了，而上次家里遥控电视机失灵时，发现是因为遥控器没有电了所以失灵，那么这次空调失灵也可能是因为没电而导致的。这样的一个分析过程就是类比分析法。要提高类比结论的可靠程度，就要尽可能地确认对象间的相同点。相同点越多，结论的可靠性程度就越大，因为对象间的相同点越多，二者的关联度就会越大，结论就可能越可靠。第三种：极端法 即将现有问题在想象中进行无限放大或缩小，看看在极端情况下会有什么不同的看法。在刘润的5分钟商学院中，有一期谈到了非常着名的“三门问题”（如果你已经了解这个问题，你可以跳过这段）假设你参加一个了能上台抽奖的机会，主持人告诉你这里有A、B、C三个门，而其中一个门后面有一辆豪车，只要猜对了豪车在哪一扇门后面，车就归你了，这种情况下，选中豪车的概率是三分之一。如果你选了B后，主持人打开了另外两扇门中的一扇空门A，主持人给你一个改变选择的机会，你是坚持原来的选择，还是选择另一扇们呢？ 在第一直觉下，我们会认为所有选择的概率都是三分之一，换与不换不存在区别，但是我们用极端法进行分析的话：如果不是三扇门，而是一共有一万扇门时候，你是会选择万里挑一的那扇门，还是选择被9998扇们过滤后剩下的那扇门呢？ 这一下我们就明白了，此时换一扇门的中奖概率，是高于不换的，而且实际上在只有三扇门的情况下，换门后的中奖概率会上升一倍。极端法算是一种另辟蹊径的分析方法，在某些问题前，直觉往往会优先于思维对事物给出判断，比如在三门问题中很多人会陷入怪圈，直觉下认为几率是三分之一，而运用极端法就能将问题点极端凸显，直到打破直觉怪圈。第四种：试错法 这个应该很好理解，就是不断地尝试和验证结果，直到找到正确的解法。可以说试错法是最愚蠢，却也是最简单有效的分析法，而且试错法有一个关键性的优点，拥有很少或是没有信息的情况下进行，特别其他分析法都无法奏效情况下，唯有试错法可以进行分析。这个分析法还有一个特别出名的代言人：李时珍，我们都知道李时珍尝百草编《本草纲目》的故事，在当时缺乏对草药属性信息的情况下，李时珍就是用不断的亲身试药，分析每一种草药的药性和毒性，为后人留下这本鸿篇巨制。当我们面对一个新问题的时候，通过不断的试验和消除误差，最终接近所求的答案。第五点：思维导图 思维导图是一个非常实用的思考工具和助记工具。总得来说思维导图就是帮助我们思考，记忆，并给每个信息点之间建立关联。首先是记忆，在分析复杂问题过程中，如果仅靠大脑记忆，很难记住所有的问题点，会造成分析过程存在漏洞，影响分析结果。当我们借助思维导图进行分析时候，不仅是能对分析过程进行完整的梳理，也能记录整个分析过程。其次是思考，当我们在阅读一本书的时候，如果我们只是看书上的文字，做点简单的标记，很多时候会进入一个只认字不思考的状态。但是如果我们有个任务就是要不断完善这个思维导图，那么这个过程其实就是强迫自己思考书中的内容，让其在我们的图中相互交织，并有自己的特色。思维导图的特点就是信息的图形化。将分析问题的过程由记忆和思考两个行为，简化为看图思考，当看着一张逻辑清晰，信息明了的思维导图时， 分析问题瞬间就变得简单了许多。下次再遇到问题，学会运用系统而专业的上面这几招进行分析，明叔保证你会发现，问题其实一点都不可怕，抽丝剥茧的分析过程甚至能体会到做侦探的快感。本文总结 1、所有的分析必须有严谨的分析逻辑。2、所有找出来的问题都应该有方法去实践验证。3、应该建立警报系统，当出现问题就知道哪里有问题。4、分析是解决问题的基础，要重视与坚持。还有一点非常重要，那就是不断地扩大提高自己的知识领域和认知水平，而提高知识和认知水平最有效的方法，除了阅读就是不断地和各种知识领域的人进行语言交流思维碰撞。什么是问题？什么是分析？ 大家应该都读过这样一个故事：1923年，美国福特公司的一台大型电机出现故障，公司请德国机电专家施坦敏茨帮忙。只见他看看转转，写写算算，两天以后，他在电机上部画了一条线，让修理工把画线部位里面的线圈减少16圈，故障很快就排除了。事后，施坦敏茨收取修理费10000美元。他在收款单上写明：用粉笔一条线，1美元，知道在哪里画线，9999美元。我们这样定义问题：阻碍目标达成的关键点，就是问题。例如在上面这个案例中，阻碍大型机电正常运作的故障就是问题。那么，寻找问题的这个过程，我们就称之为分析。

2. 数据分析方法

常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

3. 16种常用的数据分析方法-因子分析

因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。 

是一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法

基本思想

根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。

为什么做因子分析

举例说明：在实际门店问题中，往往我们会选择潜力最大的门店作为领航店，以此为样板，实现业绩和利润的突破及未来新店的标杆。选择领航店过程中我们要注重很多因素，比如：

↘所在小区的房价

↘总面积

↘户主年龄分布

↘小区户数

↘门店面积

↘2公里范围内竞争门店数量等

收集到所有的这些数据虽然能够全面、精准的确定领航店的入选标准，但实际建模时这些变量未必能够发挥出预期的作用。主要体现两方面：计算量的问题；变量间的相关性问题。

这时，最简单直接的方案就是削减变量个数，确定主要变量，因子分析以最少的信息丢失为前提，将众多的原有变量综合成少数的综合指标。

因子分析特点

因子个数远小于变量个数；

能够反应原变量的绝大数信息；

因子之间的线性关系不显着；

因子具有命名解释性

因子分析步骤

1.原有变量是否能够进行因子分析；

2.提取因子；

3.因子的命名解释；

4.计算因子得分；五、综合评价

因子与主成分分析的区别

相同：都能够起到处理多个原始变量内在结构关系的作用

不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法

因子分析可以看做是优化后的主成分分析，两种方法有很多共通的地方，但应用方面各有侧重。

因子分析应用场景

因子分析方法主要用于三种场景，分别是：

l 信息浓缩 ：将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系，使用因子分析更为适合。

l 权重计算 ：利用方差解释率值计算各概括性指标的权重。在信息浓缩的基础上，可进一步计算每个主成分/因子的权重，构建指标权重体系。

l 综合竞争力 ：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。此类应用常见于经济、管理类研究，比如上市公司的竞争实力对比。

因子分析案例

现在有 12 个地区的 5 个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这 12 个地区进行综合评价，请确定出这 12 个地区的综合评价指标。（ 综合竞争力应用场景 ）

同一指标在不同地区是不同的，用单一某一个指标难以对12个地区进行准确的评价，单一指标只能反映地区的某一方面。所以，有必要确定综合评价指标，便于对比。因子分析方法就可以应用在这个案例中。

5 个指标即为我们分析的对象，我们希望从这5个可观测指标中寻找出潜在的因素，用这些具有综合信息的因素对各地区进行评价。

下图spss因子分析的操作界面主要包括5方面的选项，变量区只能选择数值型变量，分类型变量不能进入该模型。

spss软件为了消除不同变量间量纲和数量级对结果的影响，在该过程中默认自动进行标准化处理，因此不需要对这些变量提前进行标准化处理。

 

描述统计选项卡

希望看到各变量的描述统计信息，要对比因子提取前后的方差变化，选定“单变量描述性”和“原始分析结果”；

现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数和显着性水平“，

另外，比较重要的还有 KMO 和球形检验，通过KMO值，我们可以初步判断该数据集是否适合采用因子分析方法，kmo结果有时并不会出现，这主要与变量个数和样本量大小有关。

 

 

抽取选项卡:在该选项卡中设置如何提取因子

提取因子的方法有很多，最常用的就是主成分法。

因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。

经常用到碎石图对于判断因子的个数很有帮助，一般都会选择该项。关于特征值，一般spss默认只提取特征值大于1的因子。收敛次数比较重要，可以从首次结果反馈的信息进行调整。

 

 

因子旋转选项卡

因子分析要求对因子给予命名和解释，是否对因子旋转取决于因子的解释。

旋转就是坐标变换，使得因子系数向1 和 0 靠近，对公因子的命名和解释更加容易。旋转方法一般采用”最大方差法“即可，输出旋转后的因子矩阵和载荷图，对于结果的解释非常有帮助。

如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。

 

 

保存因子得分

要计算因子得分就要先写出因子的表达式。因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。

因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用原始变量也就是参与分析的变量来表示因子。从而得到因子得分。因子得分作为变量保存，对于以后深入分析很有用处。

 

结果解读：验证数据是否适合做因子分析

参考kmo结果，一般认为大于0.5，即可接受。同时还可以参考相关系数，一般认为分析变量的相关系数多数大于 0.3，则适合做因子分析；

KMO=0.575 检验来看，不是特别适合因子分析，基本可以通过。

 

 

结果解读：因子方差表

提取因子后因子方差的值均很高，表明提取的因子能很好的描述这 5 个指标。

方差分解表表明，默认提取的前两个因子能够解释 5 个指标的 93.4%。碎石图表明，从第三个因子开始，特征值差异很小。综上，提取前两个因子。

 

 

 

 

结果解读：因子矩阵

旋转因子矩阵可以看出，经旋转后，因子便于命名和解释。

因子 1主要解释的是中等房价、专业服务项目、中等校平均校龄，可以命名为社会福利因子；

因子 2 主要解释的是其余两个指标，总人口和总雇员。可以命名为人口因子。

因子分析要求最后得到的因子之间相互独立，没有相关性，而因子转换矩阵显示，两个因子相关性较低。可见，对因子进行旋转是完全有必要的。

 

结果解读：因子系数

因子得分就是根据这个系数和标准化后的分析变量得到的。在数据视图中可以看到因子得分变量。

结论

经过因子分析实现了目的，找到了两个综合评价指标，人口因子和福利因子。

从原来的 5 个指标挖掘出 2 个潜在的综合因子。可以对12 个地区给出客观评价。

 

 

 

可以根据因子1或因子2得分，对这12个地区进行从大到小排序，得分高者被认为在这个维度上有较好表现。

4. 职业分析方法

对面临选择的职业和已经从事的职业进行职业分析，应从以下两个方面入手：
一，职业与自身
1，适应性。
2，稳定性。
3，发展性。
4，竞争性。
二，职业与社会
1，合法性。
2，依赖性。
3，长期性。