先死磕“分层”，才能抓住关键，击中要害！

@精英打工人们

点击上方蓝字关注我们

分层思维和能力是分析的底层核心能力。可以毫不夸张地说，所有的分析和思考，都离不开分层。

分析和思考的本质，就是把错综复杂的事物和问题进行梳理，寻找共性和差异，有共性的放在一起形成一组，有差异的形成不同的组，不同的组再进行关联重组，具备从属关系的形成上下层次，具备并列关系的形成左右层次。

我们会发现，这整个的过程，其实就是一个不断重复分类并形成层次的过程，就是所谓的分层。

分层方法的作用体现在2个方面。

1. 化繁为简，简化复杂问题

分层可以将复杂的事物或问题分解成多个简单的层次，有助于我们逐层解决，理清思路，减少混乱和困扰。

比如，地球上自生命出现以来，现存生物有2000万-5000万种，其中动物有150多万种。我们不可能对这么多生物都熟悉，但是通过“界门纲目科属种”的分层，就可以对地球上的生物形成清晰判断和认知。

2. 理清事物的关联，理解问题的本质

我们之所以思维混乱，无法解决问题，原因就是无法梳理清楚不同事物间的关系和影响。而分层可以对事物进行层层剖析，发现整体和局部、局部和局部的内在联系，从而更深入地理解事物的本质和运行机制。

比如，对社会结构的分层，能够帮助我们更好地理解社会的组成、财富的分配、人的协作方式等。

在工作和业务分析中，分层思维和方法更是遍地开花，比如数据、商品、用户、客户等，都离不开分层。一旦无法分层，就容易分不清主次，抓不住重点，轻则影响工作效率，重则南辕北辙。比如，

• 不理解数据分层，对数据来源、存储和结构的理解就不深入，会大大影响取数的效率和准确度。

• 不理解重要度的分层，在工作和解决问题时，就分不清主次，不会分配资源、精力和时间，做无用功。

• 不理解商品和用户的分层，就容易胡子眉毛一把抓，无法找到不同商品和客户的差异，无法制定差异化策略。

01

数据分层

大家都知道做数据分析的完整流程是：确定问题、明确需要的数据、获取数据、数据处理、数据分析、可视化及结论报告撰写、汇报结果。

很多人的卡点在获取数据这一环节，不知道自己要的数据存放在哪里，也不知道如何去获取。

究其原因有两点：一是对SQL类的取数工具不熟练：二是对业务数据分层和数据仓库不熟悉，不了解数据的源头。

其实，数据都是有分层的，要想提升获取数据的效率，了解数仓分层必不可少。

数据仓库分层的原理，就像我们在电脑里存放文件一样，就是为了提升数据查询的效率和灵活度，方便数据分析师、数据产品经理、数据运营、数据科学家、数仓工程师、业务人员等更加高效地获取、调度和查询数据。

通常来说，数据分层包括：数据运营层（ODS）、数据仓库层（DW）、数据应用层(APP)。其中，数据仓库层又分为DWD层、DWM层和DWS层。

1. ODS层

英文为“Operational Data Store”，翻译为“操作数据层”。

ODS层最接近原始数据源，它是对数据源中的数据进行抽取（Extract）、转换（Transform）、加载（Load ）之后再进行存储的，这个过程也就是我们经常所说的ETL。

2. DWD层

英文为“Data Warehouse Detail”，翻译为“数据明细层”。

DWD层主要是对ODS层的数据进行进一步的处理、清洗和规范，并按照一定的业务主题进行组织，进一步提升数据的完整性和质量。

3. DWM层

英文为“Data Warehouse Middle”，翻译为“数据中间层”。

DWM层对DWD层的数据进行轻度汇总，形成一系列的中间表，主要目的就是提升数据分析的性能，减少对其他表的操作。

4. DWS层

英文为“Data Warehouse Service”，翻译为“数据服务层”。

DWS层，有的也称为数据集市（Data Market），是对DWM层和DWD层的数据进行聚合计算生成，按业务进行汇总和划分（比如订单表、用户表、流量表等），形成一系列的宽表，主要目的就是方便数据分析和业务人员的数据查询。

5. APP层

即数据分析与应用。

以业务为导向，主要目的就是形成各种和业务强相关的报表，比如收入报表、用户留存表、订单成交表等。

02

重要度分层：帕累托法则

意大利经济学家帕累托于20世纪初提出了著名的帕累托法则，这是关于意大利社会财富分配的研究结论：20%的人口掌握了80%的社会财富（因此该方法又被称为二八法则）。这个结论对大多数国家的社会财富分配情况都成立。

除此之外，这个结论还被应用到不同的领域，经过大量检验，被证明在其他很多场景下都是正确的。比如，20%的客户贡献了公司80%的收入，20%的员工产出了80%的工作成果，20%的产品带来了80%的销售量。

其实，帕累托法则最重要的思想就是告诉我们，由于资源、时间、精力都是受限制的，我们不可能所有事情都面面俱到、事无巨细地思考分析，要善于对事物进行分层，能够识别出对自己重要的事情、工作或问题，把80%的时间、资源和精力用在解决20%的重要事情上。

比如，对公司的客户进行分层，分为头部客户和腰尾部客户。20%的头部客户量贡献了80%的价值，虽然客户数量比较少，但是贡献的价值很大，这些客户必须一对一个性化服务。80%的腰部和长尾客户贡献的价值相对较小，因此可以采用批量自助化服务模式。

再比如，对影响问题的因素进行分类，分为关键因素和不重要因素。关键因素数量少，但却是解决问题的关键，我们必须把资源和精力集中在关键因素上。不重要因素数量多，却对解决问题帮助不大，因此不应该投入过多的资源和精力。

03

商品分层：ABC分析法

ABC分析法是对库存商品进行分层、管理和分析的方法。它与帕累托法则相似，本质都是通过数据分析进行分层，找到管理的核心区域进行重点维护的分析方法。

ABC分析法将库存商品分为三类：

• 70%的库存金额由10%的商品产生，这是库存管理中的A类商品，是重点商品。

• 20%的库存金额由30%的B类商品产生，这是库存管理的次重点商品。

• 10%的库存金额由60%的C类商品产生，这是库存管理的非重点商品。

需要注意的是：各部分的比重并不是一个固定值，每个企业可以根据自身业务特点灵活调整比例。

04

用户分层：RFM模型

除了数据、商品、重要度分层外，在用户分析领域，分层方法更是被高频地使用。

RFM模型便是其中的典型代表，它是根据一定的指标和规则对用户进行分层和价值评估，并根据不同层次用户的特点，制定不同的运营策略。

其分层和价值衡量的依据就是3个指标R（Recently）、F（Frequency）和M（Monetary）。通过这3个指标去综合评价用户的消费行为以及用户对公司的价值。

• Recently：用户最近一次消费的时间间隔。用户的消费时间间隔越短，用户的价值越大。
• Frequency：用户某段时间内的消费频次。用户的消费频次越高，用户的价值越大。
• Monetary：用户某段时间内的消费金额。用户的消费金额越大，用户的价值越大。

分别为R、F和M 3个指标设置一个阈值：R的实际值低于或等于阈值的设置为1，高于阈值的设置为0；F和M的实际值高于或等于阈值的设置为1，低于阈值的设置为0。这样用户就可以被划分为2的3次方即8个群体。再根据不同类型用户的特征制定不同的补贴、促销、优惠和推广等策略。

学习结构化梳理和分析问题，扫这里！

学习UE模型的使用，扫这里！

⬇戳“阅读原文”，了解详情！