单维度分析：从单维度检验业务假设
更新: 7/18/2025 字数: 0 字 时长: 0 分钟
1.商业分析中“假设检验”的含义
单维度分析的应用场景很常见，比如业务部门抱怨：“门店业绩不好，都怪下雨了。”这就是一个典型的单维度假设检验问题。分析维度只有一个：下雨。要检验的结论是下雨对业绩的影响大小。这种看似简单的分析，是有数据论证、科学决策的基础支持的。
如果不把这些单维度假设检验清楚，则很可能让业务部门陷入无意义的争吵之中。如：
- “谁说下雨天业绩不好? 我们这下雨了业绩照样好!”
- “下雨了业绩不好，你要我求雨停吗?”
- “如果一下雨业绩就不好，今天飘了一滴雨，那么业绩肯定被这一滴雨打败了!”
总之，想分析本质原因就要停止凭经验、感觉、习惯下判断，而是要用数据验证判断。
很多有统计学基础的数据分析师，会把商业分析中假设检验与统计假设检验混淆。统计学上讲的假设检验，是指用来判断样本与样本、样本与总体的差异的，主要用于区分其差异性是由抽样误差引起的还是本质差别造成的。而商业分析中的假设检验范围更广，它指的是检验一个商业动作与商业结果之间的关系。具体的商业动作可能有很多很多种，甚至有些是“管理者水平不高”等，因此，商业分析的假设检验，很难量化的，比如“员工缺乏积极性”需要更关注商业场景，而非统计公式。
2.进行假设检验的基础做法
商业分析师想要做假设检验，首先要做的是把每个思考维度的事实表现、数据考察、影响结果三大内容填写完整，不能仅凭口头一句没头没尾的话就开始分析。比如“下雨会影响业绩这就是口头表达，没有讲清楚到底下雨是怎样影响业绩的。”
如果要补充完整，则可以写成下面的句子。
- 事实表现: 下雨。
- 数据描述:当日天气预报软件显示天气为“下雨”。
- 影响结果: 同等条件下，下雨天业绩低于非下雨天业绩。
这样，”下雨“就是一个清晰的分析维度，“下雨会影响业绩”就是一个清晰的待验证假设下面就可以代入数据进行验证了。如图所示，如果验证结果如情况1所示，下雨天的业绩低于不下雨天的业绩的30%以上，则证明假设成立，下雨天的业绩确实很差;如果验证结果如情况2所示，下雨天和不下雨天的业绩只有5%的差异，则假设不成立;如果验证结果如情况3所示，下雨天的业绩甚至比不下雨天的业绩更高，则假设也不成立。 
以上只是一个简单的示例，在实际操作时有很多细节要考虑。
3.分析细节之一：数据描述方式
不同的数据描述方式会影响到输出结果。还是以“下雨”这件事为例，描述下雨的情形时可能有 3 种方式。
- 用分类型变量描述，比如当日天气预报软件显示为:下雨/不下雨。
- 用定序型变量描述，比如当日天气预报软件显示为: 小雨/中雨/大雨。
- 用连续型变量描述，比如当日当地气象局播报的日降雨量为 10mm。
描述方式的不同，直接造成了后续分析方法、得出结论的方式、落地难度都不同。理论上如果能用连续型变量进行描述，就能用很多统计模型进行计算了，计算复杂程度可以高出很多。但实际上，连续型数据不见得能采集到，且连续型数据不见得真的有用。
4.分析细节之二：数据形态
所谓“有影响”，反映在数据上可能有不同的形态。还是以“下雨天”为例，即使下雨天真的影响业绩，也可能有3种不同的形态。横轴代表日降雨量，纵轴代表门店每日业绩，如图所示。
形态1：两者呈正相关/负相关的关系。其可以直接用函数表示，比如类似最简单的下雨天业绩=正常业绩-1000X当日降雨量。这样在理论上，只要输入当日降雨量，就能算出当天业绩可能是多少。这种关系在数据上有明显的趋势，呈现出如图所示的形态1部分。
形态2：两者呈突变型的关系。当影响因素突破某个关键值后，结果发生突然的变化。当日降雨量很小时，没有大的影响;当日降雨量级别达到大暴雨时，就会严重影响业绩。此时是不需要知道具体的降水数值的,只要看定序变量,比如今日是否有暴雨警告即可。这种关系在影响因素达到一定程度后突然出现，呈现出如图所示的形态2部分。
形态3：两者呈特定状态的关系。比如在降雨量特别小的时候，用户依旧会外出购物，其实没什么影响。在降雨量特别大的时候，用户会在配送平台下单或打电话请门店送货上门，所以也没什么影响，反倒是在降雨量在中等水平时，用户既懒得下单，又不想出门，这时的影响最大。这种关系在特定场景下触发，呈现出如图所示的形态3部分。
作为数学、统计学专业毕业的数据分析师，可能倾向于寻找类似形态1的结论，这样看起来更科学一些。但反过来想，即使真的是形态1，结果又怎样？下雨了让店员们拿着量杯在门口测量日降雨量吗？测出来日降雨量又能怎样？这种就是典型的看似科学，实则对业务无用的分析。
在“下雨天”这个场景里，有可能有一个分类/定序变量的结论就够了。比如看到暴雨警告，提前给用户打电话、在用户群发消息提醒用户囤货，联系老用户提供主动送货上门服务提前减少备货等。对业务方而言，能看到了就行动的数据，才是好数据。
因此，在描述问题的时候，对单一维度分析就得考虑周全，找能落地、能采集数据、能指导业务行动的描述。在此标准下，很多常见的说法会显得不堪一击。比如“用户都不满意”“员工干劲不高”.....·根本无法有效衡量，且无法证明是否改善了，说了等于白说。虽然站在公司管理的角度来看可能也会考虑这些因素，但是站在经营的角度来看是无法论证其实际效果的。
5.分析细节之三：数据代表性
到底需要对比多少天的数据才能使分析结论更客观，因为这些数据带来的结论是完全不同的。往往选取越短的时间周期，越容易选取到特殊情况：选取越长的时间周期，越容易把个性抹杀。如图所示，实体店销售有自然周期：周末业绩好，工作日差，周一最差。如果下雨天刚好是周日，非下雨天是周一，则按上述的分析方法很可能得到完全不同的答案：下雨天的业绩比非下雨天的业绩好。
因此，即使是一个简单的假设也得小心求证。从本质上来看，商业问题本身就是很复杂的是多种因素相互交织影响的结果，因此从单个维度来论证很难完全讲清楚。如果寻找的维度是对结果有关键影响的维度，则结果指标可能表现出较为明显的差异性;如果寻找的维度只是次要影响，甚至没有影响，就没有差异性了。