细分思维可以说是数据分析最重要的思维，这也是一个看起来很简单，想做好很难的技能。本文作者将从三层境界来分析细分思维，希望对你有帮助。

第一层境界：单一维度细分

估计一半以上的数据分析师还在这个境界。

举个例子，新用户数量下降了，怎么分析？

理想情况：

一般的步骤就是拆解，从系统、地域、机型、版本等各种维度找新用户下降的原因，最后发现是某个版本出了问题。大功告成！

真实情况：

真实业务场景很少有这么明显的问题。往往是从各个不同的维度拆，最后找到一堆有差异的分类维度。每个维度看起来都有点道理，但是拼在一起只能把问题变得更加复杂。数据和业务人员大家开个会看了半天，发现一点用都没有。

单一维度分析法是在分析初期，摸索业务现状时经常用的分析方法。在实际分析中，一般不会用到单一维度的分析直接找到答案。

提高单一维度分析的效率，最好的办法是根据业务问题有目的地选择需要分析的维度。

比如新用户数量下降，一般可以通过两个维度进行拆分。

第一种维度是新用户的来源，可以从各应用市场分析，看是全部下跌还是部分下跌。通过来源维度判断问题的性质，如果是部分下跌，那么可以重新定义问题。如果是全部下跌，就要深入分析为什么全都下跌。

第二种维度是新用户来源的漏斗，从曝光到点击到打开APP等不同步骤细分出不同的指标，找到分析转化链路找到转化的下降环节，这种增加过程指标的方式可以找到问题原因。

顺便提一下，这两种维度分别是从归纳法和演绎法的角度去思考。所以很多底层思维还是要多了解一下，指不定哪里就出现了。

第二层境界：交叉维度细分

如果单一维度没用，那自然就会想到用多个维度一起找原因。

问题：客单价下降，是哪部分用户下降？

理想情况：

先用单一维度一个个去拆分客单价，然后用差异明显的维度组合起来看客单价差异。最后区分度大的维度强强联手，整出了一个巨牛X的交叉维度。男性一线城市安卓机型的用户下降最明显，数据和业务看了都说好～

真实情况：

大多数人认为的A维度有差异，B维度有差异，那么A和B组合起来一定差异更大。这是一个非常错误的认识。

现实中也许A维度和B维度细分出来都没啥区别，但是一组合区别就特别明显。

比如将考试成绩按照性别和科目分类，分为男生女生、理科文科。

按男女看，大家分数都差不多，平均分都是75分。

按照文科理科看，成绩也差不多，也是75分。

但是两者交叉之后，男生的理科高，文科低。而女生的文科高，理科低。

看到问题了吧，先用单一维度排查，再将有效的单一维度组合起来形成交叉维度的做法是不可行的，并不一定能找到真正有效的交叉维度。

有些同学说，这题还不简单，我会，用暴力破解啊！

我对多个维度进行两两交叉，看两两交叉的维度有没有差异不就行了。

话是这么说没错，但是如果有10个维度，你两两分组的情况就有45种之多。如果是三个交叉分组呢？如果有20个维度呢？

用暴力破解的办法，在真实的业务场景下，时间成本非常大。

那交叉维度该怎么做呢？

要做好交叉维度的细分，必须先从业务逻辑入手，从业务逻辑梳理出合理的分类，再用数据区分各个分类。

举个例子，投资类产品的运营人员希望对不同的用户进行精细化运营，希望数据分析师提供一下用户的分类维度。

这个时候，最好的办法就是和业务方沟通几次，看一下他们对用户的了解和一些假设。通过数据验证假设要比自己从数据里找出快速得多。

在细分维度时需要考虑具体的业务场景和运营手头拥有的资源。

运营能打的牌其实很有限：持续提供的不同风险等级的理财产品，以及偶尔进行的让利促销活动。

所以我们能做的分组最好是能够贴合运营手中的牌。我们可以把用户的风险偏好和用户的资金状况进行交叉，得出一个矩阵，对矩阵不同象限的用户进行不同的运营动作。

有了思路，接下去就是思考如何用数据的方式区分高价值和低价值，以及用户的风险偏好问题。

这种维度往往都不在现有的数据库中，需要数据分析师自己根据用户的属性行为等数据计算出一个得分，再用得分进行划分。

第三层境界：创造新维度

最高层的境界是能用理论指导实践，创造新维度。

第二层境界的末尾，我们提到现实环境下的细分，很多时候是没有现成的维度直接细分的，需要我们通过业务假设，先预设分类维度，再找出分类方法。

预设分类维度这个事，有时候和业务方沟通也很难得出好的方法。怎么办呢？

我们可以用理论指导实践，听着很玄乎是不是，别急，我举个例子。

如果我们按照转化的过程指标拆分，会得到一个转化漏斗。我们一般是按照页面跳转的场景来做漏斗各层级之间的区分。比如从曝光到转化一共有3个页面，分别是广告页，落地页，支付页，那么我们的漏斗一般也就是按照这样三层设置的。

有没有更好的细分方法？

我写过一篇《转化分析的一种新的漏斗模型》一文。文章以用户购买决策模型为理论指导，将用户的转化细分维度从页面跳转改成了用户心理过程。

整个过程以心理学的研究理论为基础，推演到业务场景中，再指导数据分析。

感兴趣的朋友可以去读一读，这里就不多说了。

还可以参考很多其他公司的成熟经验，用别人的经验套用在自己的业务上。

比如线下餐饮连锁的管理，可以参考麦当劳的管理方式。麦当劳创造了一个“典型市场”的概念。

比如北京就有好几种“典型市场”，北京王府井中心的店，和在巴黎市中心、纽约市中心的店就属于同一个典型市场，开在北京郊区的店，就可能和山西大同或者泰国清迈一样，属于另一个典型市场。这种管理方式考虑了每家店的人流密度和商业价值，相比按城市划分能更容易发现单店的问题。

如果有分析线下场景的分析师，就可以模仿这种方式，将单店从价值上进行分类，而不是简单地分析华东区如何，华南区如何。

再比如用户分群，细分的维度那么多，选哪个入手？下图就是腾讯的用户分群步骤，如果做用户分群可以按照上面的步骤模仿处理，能节约不少摸索的时间。

互联网公司这类经验分享很多，留意各种论坛和互联网社区，只要你做的不是最前沿的领域，一般都能找到相应的经验分享和成熟套路总结。

总结

有很多细分衍生出来的方法，比如矩阵、RFM模型、漏斗分析等等，其实都算细分的方式。

很多同学入门数据分析，学了一些细分的文章，停留在第一层次甚至还不到第一层次。要做好细分，还是需要提高内功，多了解业务和核心逻辑。