数据分析一定要懂的分析模型——波士顿矩阵

产品分析是数据分析永远绕不开的一环，但是很多人在对产品进行分析的时候，会因为无从下手而产生很多疑问，比如怎么分析每一种产品对于用户的吸引力？如何衡量产品的比重？如何准确掌握产品更迭速度？如何对其进行有计划的投入呢？

典型例子比如某家手机品牌，其旗下手机的品种档次很多，而手机产品更迭速度之快也不用多说，为了实现品牌的差异化必然要不断推出新品，这就带来了问题：究竟是要大量投入新品还是旧品呢？如果投入的产品根本不受欢迎，就会血本无归，这也是很多电商面临的问题。

今天我们要介绍的这个数据分析模型——波士顿矩阵，正可以完美解决这个问题！

波士顿矩阵（BCG Matrix），又称市场增长率-相对市场份额矩阵，由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年首创，它是通过销售增长率（反应市场引力的指标）和市场占有率（反应企业实力的指标）来分析决定企业的产品结构。

波士顿矩阵将产品类型分为四种：

1，明星类产品：高增长且高市占，发展前景好，竞争力强，需加大投资以支持其发展；

2，问题类产品：高增长但低市占，发展前景好但市场开拓不足，需谨慎投资；

3，现金牛产品：低增长但高市占，成熟市场的领导者，应降低投资，维持市占并延缓衰退；

4，瘦狗类产品：低增长且低市占，理论率低甚至亏损，应采取撤退战略。

在现实中，我们也常利用波士顿矩阵分析一些其他的样本，比如在本篇中，我们利用波士顿矩阵尝试分析下用户数据。

如果使用传统的方法，针对数据分析场景，大家不约而同想到的都会是——Excel，但Excel在面对波士顿矩阵这样的分析时，就会显得力不从心，为什么这么说，看两张图你们就懂了：

没错，使用Excel进行波士顿矩阵的分析，不仅步骤繁杂，而且分析的维度在制表的时候就已经固定了。随着公司市场的不断扩大，业务不断增多，在繁多的维度和数据体量下，制作一张静态图表已经满足不了分析需求。

比如我们想快速的做出2019年6、7、8月，上海、广州、深圳地区，可乐、芬达、雪碧的波士顿矩阵图，仅仅是提到的这几个时间、地点、商品种类维度，就可以组合出3x3x3=27种不同的可能，难道我们要像上面填表的方法重复制作27遍？如果维度更多，定期制表，这个工作量简直是难以想象！

至此，我们迫切的需要一种更方便的，更灵活的分析工具来分析数据。因此现代商业智能（BI）软件应运而生。

什么是商业智能（BI）？简单点说，商业智能是使用数据为业务决策提供动力的一种概念，它可以是一种数据解决方案，也可以是一种数据分析技术，但其本质都是发挥数据隐藏的价值。

本文我们就以国内BI市场占有率第一的FineBI，作为样本数据的分析工具。

1、准备样本数据。这里还是采用某餐厅的客户数据（Excel）作为样本，新建一个业务包，方便我们对数据进行分门别类的管理。同时将数据导入到FineBI中

2、数据字典：

3、使用FineBI的计算指标功能。计算出客单价（平均每个客户每笔订单的单价），客单价的含义是每个客户的平均消费金额

公式：客单价=sum_agg(消费金额)/count_agg(客户名称)，这里的难点是聚合函数(_agg)的使用

聚合函数：

当在添加计算指标、汇总、二次计算时，在添加计算字段的时候通过聚合函数提供了不同汇总方式选择，包括求和，平均，中位数等等。当将包含聚合函数的计算指标添加到组件的指标栏后，随着用户分析维度的切换，计算字段数据会自动跟随维度动态调整。

放在本例中，sum_agg算出的是根据维度（客户名称）汇总过的消费金额之和，而count_agg则是按照客户名称进行汇总过后的订单数量，他们相除的结果就是每一个客户，消费额之和除以消费笔数之和，即为客户的单笔销售额（客单价）。

FineBI的计算指标页面

4、利用FineBI的散点图制作波士顿矩阵图

观察给定的数据，系统中客户中存在客户的名称，与对应的客户类别。这种结构我们称之为树结构，本例中的树型结构比较简单，只有客户分类-客户名称两级。

因此我们想要在波士顿矩阵图中体现出这种层级关系，先查看ABCDE五个分类的总体情况，再根据需要查询每个分类下的客户情况

在FineBI中，实现这样的效果也非常的简单，只需要将客户名称，拖动到客户分类字段上，系统就会自动的生成带有层级关系的客户分类-名称组合字段了：

之后再拖动记录数（依赖于总行数）进入横轴，客户每消费一次，就会产生一行订单数据，因此这个数据胶囊的含义为客户消费的次数。

拖动刚才计算好的客单价计算指标进入纵轴：

增加两个辅助线：a：平均金额=消费平均金额，b:消费次数=消费平均次数：

调整颜色为蓝色，最后我们得到的散点图如下：

根据波士顿分析，我们就把频次和力度两个属性不同的用户分析出来了，如：

消费次数超过平均值，每次消费力度也超过平均水平是明星客户，需要重点关注和最高的礼遇；

消费次数超过平均值，但每次消费力度未达到平均水平为现金牛客户，消费频次比较频繁，能带来较为稳定的现金流，这类客户是企业利润基石；

消费未达到平均值，但每次消费力度超过平均水平是问题客户，有希望转化为明星客户，但是存在潜在问题，消费频次不高，需要重点跟进和长期跟踪；

消费未达到平均值，消费力度也未达到平均水平属于瘦狗客户，不需要投入重点维系；

在刚刚介绍的波士顿矩阵图的基础上，FineBI工具还可以根据其他维度对客户进行多维分析：

比如消费力度和消费周期，用来找到最近消费的客户，以及最近不常来的客户，配合时间、树过滤、滑块过滤等不同的组件，分析明星客户是否在流失，现金牛客户是否在增长。

FineBI制作的客户分析dashboard

在企业中如果能够充分利用波士顿矩阵这个模型，就可以大大提高管理人员的分析决策能力，帮助他们以前瞻性的眼光看问题；同时一个好工具是非常必要的，FineBI这样的BI工具最大的优点就是简洁易用，可以更深刻地理解业务之间的联系，挖掘数据潜能！

另外，本篇的案例数据和模板都是免费的，就连使用工具FineBI个人版也是免费的，可以私信我“波士顿矩阵”获取案例模板和FineBI免费版。