全MECE归因分析模型应用

MECE归因分析模型应用1、MECE分析法的概念及原则MECE，是MutuallyExclusiveCollectivelyExhaustive，中文意思是“相互独立，完全穷尽”。也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够藉此有效把握问题的核心，并解决问题的方法。MECE的主要目的是为了把一个大的问题进行拆分，从而可以结构化地梳理解决问题的方法，在拆分过程中需要遵循着两大原则：完整性：在把目标向下分解的时候，不能漏掉任何一项，需要保证目标的完整性。比如说，我们在招聘的时候，会有工作经验要求，常见的有1-3年、4-5年、5年以上，这里就漏掉了一个没有工作经验的实习生；独立性：拆分完成之后的每一项都需要独立，不同项之间不能有交叉产生。举个例子，如果我们把服装品类划分为男装、女装、童装，这样对不对呢，按照大家生活中的理解可能是没错的，但是按照MECE原则，就没有遵循独立性原则。正确的分类方法应该是男装+女装，或者是成人装-男装、成人装-女装、童装-男童、童装-女童。2、MECE分析法的基本步骤从概念和原则方面我们已经知道了，想要按照MECE原则进行结构化拆解，最主要的就是要做到两个原则，完成性和独立性。那么按照这个原则，我们在做MECE分析的时候会有三个基本步骤：第一步：确定问题范围在做MECE分析之前，我们需要明确需要分析的问题以及目的是什么，就像我们解决数学问题一样，只有确定了定义域的范围，才能知道值域的范围，同样的，只有清楚的知道问题是什么，我们才能够把这个问题进行完全拆解，达到问题拆解完整的目的。第二步：找准MECE切入点这个切入点值得是划分问题的维度，就是说在确定了问题之后，我们可以从哪些维度进行划分。这就要考虑到我们的分析目的了。比如说，我们的销售额出现了问题，那么我们可以从哪些维度来解决？零售行业有经典的人、货、场三个维度。假如说我们想要了解不同的人对于销售额的影响，那么我们就按照人来进行划分，比如说可以按照职业来进行划分：学生、农民、白领、医生、教师、其它。在进行了第一层拆解之后，我们还可以考虑，在当前的已完成的拆解基础上，能否再进行细分。比如说按人的维度我们拆解完成，在学生这个维度，还可以拆解为学前教育学生、九年义务教育学生、高等教育学生等等。第三步：检查是否符合MECE原则分类完成时候，需要检查是否符合完整性和独立性的MECE原则，即是否遗漏或者重复。在这一步骤中，做到独立性相对容易，因为对于熟悉的业务很快就能否发现是否有重复。要做到完整性需要更加细分，考虑得更加全面，为了避免有遗漏产生可以考虑像第二步骤当中的职业划分一样，增加一个其它备用。3、MECE分析法的常用分类方法了解了MECE分析法的步骤之后，你可能会发现第二步——找准切入点是最关键的一步。我们这里介绍几种常见的分类结构。第一：二元法这是最简单的一种分类方法，也是大家工作中最常用的，比如说：年龄：男、女消费者：新客、老客消费等级：高于平均、低于平均影响因素：外部因素、内部因素...第二：流程法类似于我们之前讲过的漏斗模型，即从起点到终点需要经过哪些流程和步骤，这些步骤就可以作为MECE分析的拆解流程。比如：消费者购买路径招聘流程第三：要素法这个方法是把一个整体拆分为不同的组成要素。例如一个公司可以拆分为：行政部、人事部、市场部、技术部、后勤部、产品部等等；第四：公式法这类方法常用定量分析单当中，主要目标是由各个细分目标计算而来的场景。例如：杜邦分析法：净资产收益率=总资产净利率×权益乘数销售额=购买人数×每人平均购买次数×每人每次平均购买金额第五：矩阵法我们之前也学过矩阵分析法，比如说我们要分析某微博的粉丝情况，那么可以按照两个维度来划分：传播频次和影响人数：传播频次高影响人数高：定义为超级粉丝传播频次高影响人数低：定义为高传播频次粉丝传播频次低影响人数高：定义为高影响人数粉丝传播频次低影响人数低：定义为普通粉丝矩阵法因为用到了可视化的矩阵图，所以相对更加做到完整性和独立性。4、案例分析案例背景：你们公司运营着一款APP，在本周的周报当中发现主要指标活跃人数大幅下降，请分析引起活跃人数下降的原因。确定问题范围：按照我们MECE结构化分析方法的步骤，第一步应该是明确问题，那么从这个案例的背景当中，我们能够非常容易的知道，我们所要拆解的指标是活跃人数。找准MECE切入点：拿到一个大的数据指标之后，如果一下子不知道怎么进行拆分。那么可以运用我们之前讲的分类方法当中的二元法，我们把影响活跃人数的原因首先拆分为内部因素和外部因素。显然内部因素和外部因素都是可以继续拆分的，那么我们就继续进行划分，在内部原因当中，我们按照前面分类方法当中的要素法，把内部原因拆分到不同的部门：这样我们就可以在不同的部门当中定位原因，技术方面：服务器是否发生重大故障，导致用户无法使用；数据埋点是否有错误，导致活跃用户数据统计错误；产品方面：产品版本最近是否有重大更新；最近有没有进行大规模的ABtest；运营方面：老用户的激活是否健康，权益设置是否合理；新用户的流量来源是否正常；外部原因多为定性分析，所以，我们在分析外部原因的时候，需要把握好独立性原则，使得我们分析的每一个因素都没有重复；第一层-政策原因：是否是政府出台了某项政策，限制了用户的使用场景。比如说，之前很多体育类的APP都含有博彩的功能，但政府出台了禁止网络博彩的政策之后，用户失去了使用场景，随后不再活跃；第二层-社会原因：比如之前网约车空姐遇害事件之后，滴滴出行的活跃用户明显下降，这样一些社会性的原因也会影响到用户活跃度；第三层-替代品类的影响：我们所关注的活跃用户，本质上是在抢夺用户的关注时间。替代品是经济学当中的一个概念，比如说人们经常吃水果，如果苹果的价格大幅下降，大家多更多地去买苹果，本身买香蕉的人也会有一部分去买苹果，所以导致香蕉的销量下降。在我们的案例当中，也会有这样的场景存在。比如说，寒假过后小学生开学，游戏产品的活跃用户就会明显下降，本质上是上学替代了游戏；前两年最火的手游是王者荣耀，当吃鸡游戏出来之后，很多用户转移到了吃鸡；分析框架完成之后，我们需要再检查一下，我们所做的分析当中有没有重复或者遗漏的情况出现。数据代入框架：框架完成之后，我们需要一一检查，看看有没有发生异常的因素。外部原因，通常波及范围较广，对整个行业都会产生一定的影响，所以较为容易排查。内部原因当中，技术因素和产品因素，通过查看版本更新记录，ABtest实施记录，以及相关人员访谈等也较为容易发现异常点。经过快速排查，在以上这些点当中都没有发生异常现象，所以现在现在只剩下运营因素了。运营因素当中，数据涉及较多，所以需要整理好之后着重分析：我们在运营环节细分了新老用户，所以先来看新老用户的变化：本周数据上周数据环比增长率总活跃人数68,470103,422-33.8%新用户贡献40,01973,622-45.6%老用户贡献28,45129,800-4.5%从这里可以看出，是运营因素的影响，并且是运营环节的新用户贡献降低了45.6%，所以引起总的活跃人数降低了33.8。再新用户贡献渠道：新用户贡献渠道本周数据上周数据环比增长率应用市场10,47843280-75.8%搜索引擎8,6739188-5.6%社交推荐1,555132517.