九大数据分析方法之：周期性分析法

有小伙伴问：能不能系统介绍下数据分析方法。今天它来啦！数据分析常用的方法有九种，今天先介绍第一种，操作上最简单的：周期性分析法。它是新人们避免犯小白错误的最好方法。

做数据的新人最容易犯啥错？当然是一张嘴就被大家笑话：连这个常识都没有！

所谓的常识，很大一部分是周期性变化：到了这个时间，就会出这种事。周期性分析，主要是从日常杂乱的数据中，发现会周期性出现的规律，从而避免上述问题。常见的周期包括两种：自然周期/生命周期。

所谓自然周期，是指业务指标随着时间自然发生波动，比如上边吐槽的“2月份业绩自然少”，这是因为2月份过年，大家都放假了，业绩肯定少呀。

类似地：

• 吃喝玩乐类的消费，一般周六、周日比较多，这时候才有空出来玩。
  

• 企业间交易，一般工作日高，周末很低。大家都放假了谁还办公呀。

• 雪糕冰棍冰淇淋类商品，一般夏季是旺季，冬季是淡季

• 帽子手套暖手宝类商品，一般冬季是旺季，夏季是淡季

这些是比较直观的例子。需要注意的是，所谓的自然周期，对不同业务而言是不一样的，切不可混为一谈哦。

但是很多时候，自然周期表现并不直观，隐藏在日常起起伏伏的数据里。这时候就需要我们手动发现周期规律。比如比如一个公众号的阅读人数走势，可能如下图

一眼看过去，是不是弯弯曲曲，毫无规律可言?

这就需要手动做区分。为了更好的区分，一般取6个月的，每日的数据。因为六个月的时间，一般能涵盖2个季度，能观察出季节性变化。

同时，每日数据，能观察出每周是否有规律和每月是否有规律。不过上边例子只给个2个月的数据，那就凑合着用。

从上例蜿蜒起伏的波折里可以直接看出：没有明显的月规律。一般有月规律的数据会如下图所示（如下图）因此可以进一步观察，是否有周规律。

想看周规律，需要把数据做一下处理（如下图），把6个完整周的数据，从周一到周日对齐。之后做折线图，更容易观察出周规律。

处理过以后，可以看出：却有周规律变化，表现为：周一至周六逐步降低，周日反弹。如果把每周一到周日的数据做平均数，就能画出周规律曲线（如下图）

这里有很多明显不符合走势的点。这很正常，因为公众号发文也是有分类的，如果是卖东西的文章阅读就很低，派福利、抽奖类的阅读就高一点，搞标题党的《震惊！》《大厂！》《字jie！》的阅读就很高。所以除了日期，也和文章类型有关。

周期性分析，主要目的是做出一个参考曲线，为进一步判断提供依据。进而避免：“为啥周六阅读那么低呀！”这种低级小白问题。之后再结合内容标签，做进一步的分析。

比如上例中，第三周周一、周二是明显异常点。如果没有做标签，就会直接报警：“本周连续2天异常！请注意！”但是做了标签，如果发现周一发了卖货文（原本就该低）周二则是标题党（原本就该高）则不需要大惊小怪了。

还有一种周期是生命周期走势。比如一个活动上线，刚上线的时候肯定参与人很多，之后感兴趣的都参与过了，不感兴趣的都不参与了，因此人越来越少。这样就会出现如下图的走势。

注意：要发现生命周期走势，统计数据，是从一个业务开始的时候进行统计的，之后往后数：第1天/第2天/第3天……或者第1个月/第2个月/第3个月

生命周期走势有很多经典的运用。比如一款新商品上市，其销量和上市时间，经常有如下关系，因此被称为“商品生命周期”。类似的，还有“APP生命周期”“用户生命周期”的说法，都是一个时间轴+指标走势组合出来的。后续有机会再跟小伙伴们一一分享。

以上就是今天的分享。周期性分析看起来很简单，因为它主要是用来做参考线的，为后续各种分析方法铺路。很多复杂的分析，比如数据监控模型、数据预警模型、数据驱动决策，也是以周期性曲线为参照，所以小伙伴们先掌握基础方法，再循序渐进哦。今天的分享就到这里，谢谢大家

- END -

本文为转载分享&推荐阅读，若侵权请联系后台删除
-------------------------------------
长按识别下方二维码，并关注公众号

1.回复“PY”领取1GB Python数据分析资料

2.回复“BG”领取3GB 名企数据分析报告