权重曲线如何辅助业务分析

不好意思……我真的找不到合适的封面图了hhhhhh……

在上次整理完项目复盘的模板后，留言里有好几个小伙伴问我“活动前每日新增1000人，活动中每日也新增1000人，为什么说活动效果不一定差？”。

其实这里我借用了一点加权曲线的原理。

我们可以这样理解：

我不知道你们对加权曲线是否感兴趣。

最近我在复盘加权曲线的逻辑和应用案例，整理了一份文档，有兴趣的接着看吧~看了不吃亏，也不上当（微笑）

在工作里，我借鉴了《数据化管理》中的加权曲线以及黄氏曲线，并在计算上做了简单的修改，让模型与业务的融合度更高。

有了黄氏曲线和权重曲线，我可以追踪业务线的日常销售情况，可以复盘营销活动，可以将财务目标拆解到每一个自然日上，可以进行销量的预测……

虽然有时候分析效果不尽人意，但有了这个思路逻辑的我，就像初上战场的小兵拥有了刀和剑，不至于在收到相关需求和分析任务时手忙脚乱。

不禁感慨，对我这种刚入门的小白来说，加权曲线是一个好东西……

直接上一个小小的case吧

在今天，我们很难找到一家店铺，或者说一家公司，一个行业，能够保持365天每天相差无几的销量。

抖音短视频：考虑到工作日学生上课，非学生上班，视频类APP普遍周末的活跃人数最多……

写字楼下的餐厅：考虑到写字楼中的白领往往周中上班，一定是工作日的销量更好……

迪士尼的门票：除了周末和法定节假日，游乐园一定会在寒暑假爆满……

一年365天，每天都会对一整年的业绩贡献力量。而作为数据分析师，我们需要从过往的业绩表现中寻找密码规律，权重曲线正是这一规律的体现。

▼ STEP 1 ：计算日权重

（1）剔除掉特殊节假日，计算2-3年内，周一：周日的平均订单量，如下表：

（2）选择最小值“星期日-100单”作为基值

当然，你也可以选择均值作为基值……主要还是根据计算出来权重曲线和业务的拟合度来选择合适的基值。

（3）对于非节假日，以日均订单/基值计算周日权重，如下表：

（4）对于特殊节假日，以日订单/基值计算节假日权重，如下表：

（5）合并（3）和（4），得到365天每天对应的日权重值，如下图：

▼ STEP2：计算周权重（考虑长期波动）

在零售业、旅游业、餐饮业里，销量往往会存在季节性的波动。同样，在一个企业的快速增长期里，从年初到年末，销量也会有稳定的增长。

这时候，我们需要将周波动考虑进来，用以刻画全年的波动情况。一年有52个周，计算每个周的权重，即每个周在该年度订单中的贡献占比。

计算的逻辑和日权重相似：

（1）计算2-3年内，第1周-第52周的每周平均订单量

（2）选择最小值作为基值

（3）以周均订单量/基值计算周权重，得到365天每天对应的周权重值

    就像下面这张图：

▼ STEP3 ：计算考虑长期波动的每日权重

考虑长期波动的每日权重=日权重*周权重

如下图：

导出了365天每天的权重，就像……在枪里装满了备用的子弹……

如何利用我们计算出的每日权重值，来监控日常销售活动呢？

权重体现了每日的订单波动。

将每日的实际订单量/权重后，得到每日除权订单量，将每日除权订单量连接起来，也就是我们的权重曲线。

（1）在理想情况下，实际订单严格遵循波动比例，权重曲线会是一条水平的直线。表示忽略随机影响时，每天的订单仅受到趋势波动的影响，不受人为因素的影响，当然，这种情况是不存在的……

（2）在考虑随机波动的情况下，实际订单不会严格遵循波动比例，除权订单量围绕理想水平直线上下波动，是一条看上去还算水平的线。表示每天的订单量同时受到趋势波动和随机影响，表现相对稳定，不需要额外关注。

（3）在考虑特殊事件的情况下，比如往年只在双十一当天举行促销活动，但今年拉长了预售周期，活动时间为11月9-13日。在图中，我们也看见11月9-13日的除权订单量向上增长明显，打破了情况2下随机波动的相对平稳趋势。

我们认为，在除权订单量构成的曲线中，异常的凹凸波动，可以视为人为或者突发情况的干扰，需要给予重视。

用权重曲线能够表示订单的人为波动影响，但是凹凸不平……不够直观，所以可以借助黄氏曲线来展示更加直观的结果。黄氏曲线展示的是：一段时间内权重曲线的均值。

我们可以理解成，权重曲线用来跟踪销售；而黄氏曲线用来事后复盘特殊情况。将上面情况（3）的权重曲线处理一下，得到了黄氏曲线：

已知：

计算出：

①活动带来的增量：[1237-（904+940）/2]*10.2=3213（单）

②活动带来的订单占比：259/11375=28.2%

③促销爆发度：（1237-904）/904= 36.8%

④促销衰减度：（1237-940）/904= 32.8%

其实在面试中，很少有面试官问出如此细致的问题。但问不到，并不代表我们可以放弃这一块的知识点逻辑。

曾经我也以为，数据分析是灵活的玩转python和R，精通算法模型。在遇到各种需求的时候，从神经网络到XGBOOST尝试一遍，最后给需求方送上一份最终的结果。

实际并非如此。因为凡是有点追求的需求方，在看见结果的时候，一定会问：“这指标怎么来的？”

当你大刀阔斧，颇费口舌的解释了一通后，人家仍然一脸疑问？？？？——不好意思没听懂

有时候业务需要的，并不是什么高大上的算法，也不是精密的模型，只是希望你能说人话，至少让他们觉得你给出的结果符合业务逻辑。

从业务中来，到业务中去，用业务能听懂的逻辑，用业务能理解的分析框架，给她们提供结论和建议，也许才是双赢的结果。

在最开始学习数分的时候，我看了很多专业技术知识书，像《统计学习方法》、《利用python进行数据分析》、《大话数据结构》……

渐渐摸清面试规律后，又开始琢磨业务知识书，像《数据化管理》、《精益数据分析》……

而工作以来，不再局限于和“数据”相关的话题，相对轻松的工作环境给了我广泛阅读的时间和精力。我开始阅读我喜欢的，心理学&经济学&行为学相结合的书，像《乌合之众》、《思考快与慢》、《反脆弱》……也恰恰是许许多多的这些书，逐渐带着我以不同的角度去分析问题，偶尔颇有打开任督六脉的感觉。

我的leader总是告诉我，数据分析师最有价值的，并不是你写出的代码，也不是你给出的分析结论，而是刻在你脑子里的，属于你自己的分析框架。所以在每一个项目结束后，在每一份报告汇报完毕后，总会鼓励我进行细致的复盘，找到不同项目之间的思维共性。

最近复盘权重曲线框架的时候，我又重读了一遍《数据化管理》。突然发现“会员价值分析”和“竞品数据分析”两个章节，和我的工作内容也有些许的交叉……也许在提示我又可以继续整理分析框架了……

 有人跟我反映PDF不够清晰，我只能……给你们推实体书了。研二的时候我买了这本书，面试借用了里面的人货场理论，一路带到携程，没想到在工作中仍然发挥了余温……