大家好，我是接地氣的陳老師。今天分享的是矩陣模型。做數據分析的同學一定聽過各種矩陣模型：波士頓矩陣、安索夫矩陣、KANO模型等等。

但是大部分網紅文章都是把圖一畫草草收場，導致很多同學有疑慮：這些模型用的都是行業(yè)數據/調研數據，我要怎么和企業(yè)內部數據結合使用？？今天就從底層邏輯開始，給大家詳細講解一下。

矩陣模型的底層邏輯

如何評估業(yè)務表現的好壞？一個簡單的想法，就是：找一個關鍵指標，進行多個業(yè)務的比較。如果這個業(yè)務比平均水平表現得更差，那它就有改進空間。但只用一個指標會有偏頗，比如產品銷售增速很重要，可萬一這個產品整個市場已經飽和了，那它怎么著也沒法快速增長。所以至少得考察2個指標。

這就是矩陣模型的本質：用2個不相關的關鍵指標，衡量業(yè)務表現，從而發(fā)現問題/機會點。比如經典的波士頓矩陣，就是利用：產品銷售增長率+產品市場份額，兩個指標進行衡量。如果自身增速慢，但是市場份額很高，已經缺少進一步增長空間，那就不要“鞭打快牛”，而是多找其他機會，這樣的評估更全面（如下圖）。

圖片

如果直接生搬硬套，大家會發(fā)現：很難準確獲得市場份額數據。但是，如果理解了矩陣模型的底層邏輯，我們完全可以自己動手構造矩陣模型。總共有4步。

如何構造矩陣模型

第一步：明確評估的業(yè)務對象。

參與評估的業(yè)務個體，可以是用戶、門店、商品、業(yè)務員、推廣計劃、騎手、司機……要根據業(yè)務需要，清晰參與評估的個體，這樣才好核算相關指標。

第二步：找到2個關鍵衡量指標。

如果一開始缺經驗，不知道找啥指標，就找一個投入+一個產出指標，投入產出矩陣永遠好使。比如：

評估新用戶：獲客成本+用戶生命周期價值

評估商品表現：商品銷售收入+ 商品毛利

評估銷售表現：開發(fā)客戶數量+ 客戶付費收入

評估司機表現：司機在線時長+司機營運收入

評估門店表現：門店銷售收入 + 門店總成本

第三步：利用平均值對2指標進行分類。

找好指標以后，計算平均值，對業(yè)務分類，或者直接用做散點圖+平均值標識線，做出矩陣效果，比如用開發(fā)客戶數+客戶付費構造一個銷售人員能力矩陣，可以如下圖操作。

圖片

第四步：觀察矩陣分布形態(tài)。

注意！矩陣圖有2種經典的形態(tài)（如下圖）

圖片

形態(tài)1：投入產出指標呈明顯相關關系（上圖1）。這時候其實符合常規(guī)認知：“多投入，多產出”。因此可以加大投入力度，看看能不能大力出奇跡。

形態(tài)2：投入產出指標不成正比（上圖2）。這時候，左上、右下2個不符合常規(guī)認知的區(qū)域，就是重點研究對象。

高投入+低產出：問題區(qū)域，進一步分析為什么效率這么低下。

低投入+高產出：機會區(qū)域，進一步分析能不能復制成功經驗。

這樣就完成了矩陣模型的構造，可以直接利用模型輸出分析結論，常見的使用方式有3種。

矩陣模型的使用方式

用法1：快速建立思路。

很多同學遇到一堆業(yè)務指標要分析，就會lost，不知道從哪里下手。最快速建立思路的辦法，就是先找投入產出指標，然后建立矩陣，這樣一眼掃過去，就能看清楚情況。

用法2：暴露業(yè)務問題。

矩陣一畫出來，哪些業(yè)務好，哪些差，一看就知道。即使該業(yè)務沒有定KPI也能分出高低來。而且用矩陣模型還有個好處：業(yè)務個體的好壞是同類比較出來的，從而避免業(yè)務部門對數據分析/財務有意見，嚷嚷什么“你們評估不科學！”業(yè)務看到自己和同類相比的差距，都會自動代入：“為什么他做得比我好”的思考。

用法3：觀察改進效果。

矩陣模型的好處，就在于改進效果是直接呈現在紙面的，如果我們看到一個業(yè)務投入高+產出低，本能就會想：是不是能砍一點無效投入/是不是能優(yōu)化一下產出效率。此時可以設定改進方向，然后持續(xù)觀察改進效果，這樣就能推動業(yè)務的進步（如下圖）。

圖片

注意！矩陣模型也有局限性：只用平均值來區(qū)分高低，可能分析不夠細致，同時2個指標也有些少。矩陣模型更適合發(fā)現問題，而不是細致、深入地分析問題。想進一步深入，需要利用MECE法則構造更復雜的分析邏輯樹。

矩陣模型擴展應用

掌握構造矩陣模型的技術后，在很多領域都可以使用。特別是用戶行為分析。因為收入、成本這些經營指標經常有KPI的，但用戶行為并沒有KPI。導致很多同學在做用戶行為分析時會迷失方向：到底怎么判定用戶行為的好壞？此時可以用上矩陣模型了。

擴展用法1：一個行為指標+一個關鍵業(yè)績指標。

比如直播電商做用戶行為分析，可以用：觀看時長 + 消費頻次做矩陣，從而找出哪些只看不買（觀看時長很長+消費很少）的用戶做進一步營銷。

擴展用法2：一個數量指標+一個質量指標。

比如內容APP，可以用在線時長+互動行為次數（轉評贊數量）做矩陣，從而找出高在線+低互動的用戶群體，很有可能這些人一直看不到自己喜歡的內容，可以進一步分析他們行為特點和內容偏好。

圖片