之前在《想成为数据产品经理，先掌握这些数据分析方法论》一文中，分享了一些基础的数据分析方法，从业务分析、用户分析和产品运营三个方面提供了一些分析的切入角度。接下来，进阶一步，我们再来看看还有哪些实用的分析工具。

在《想成为数据产品经理，先掌握这些数据分析方法论》一文中分享过杜邦分析法，杜邦分析法是财务中常用的拆解指标的方法，可以将核心指标拆解为多个因素乘积的形式，如GMV=访客数*转化率*客单价。

在做完指标拆解后，应该如何进行进一步归因呢？本月GMV上涨了，是访客数增长的贡献还是转化率上升的结果，抑或是因为客单价的提升？

为此，我们需要引入另一个在财务领域广泛应用的分析方法——因素分析法。

因素分析法是在将核心指标拆解为多个因素后，识别各因素对核心指标影响程度的一种方法。

我们将指标拆解后，当然，可以用控制变量法来计算每个因素的贡献，比如，假设上月的GMV、访客数、转化率、客单价分别为GMV0、V0、T0、M0，本月的GMV、访客数、转化率、客单价分别为GMV1、V1、T1、M1，那么

GMV0=V0*T0*M0

GMV1=V1*T1*M1

我们要判断访客数，也即流量的贡献，按照控制变量法，假设转化率和客单价与上月一样，访客数变化所带来的GMV提升为：

Attr_V=V1*T0*M0– V0*T0*M0

同样，计算转化率贡献的公式为：

Attr_T=V0*T1*M0– V0*T0*M0

这里用到的是传统的控制变量的思想，但要使用控制变量法需注意一个前提，那就是各个变量之间要相对独立，但真实情况下，各个因素之间都是相互影响的，很难保证独立性。

而因素分析法所采用的是连续替代的方法，在计算下一个因素的贡献时，会考虑到上一个因素的变化，可以有效地规避控制变量法中不独立的问题，我们具体看一下如何操作。

首先，我们在上月GMV0的基础上，用本月的访客数V1替换V0，接着再依次用T1替换T0，M1替代M0，可以得到：

上月GMV：GMV0=V0*T0*M0 ①

第一次替代V：V1*T0*M0 ②

第二次替代T：V1*T1*M0 ③

第三次替代M：V1*T1*M1 ④

而每一次替代前后的变化，就是对应因素的贡献值，即：

Attr_V=②-①

Attr_T=③-②

Attr_M=④-③

GMV1-GMV0= Attr_V+ Attr_T+ Attr_M

下面，我们举个实际的例子来熟悉一下上述方法。

假设9月和10月的数据如下：

那么，用因素分析法依次替代后的结果如下：

9月GMV：GMV0=V0*T0*M0=12w ①

第一次替代V：V1*T0*M0=15*1%*60=9w ②

第二次替代T：V1*T1*M0=15*2%*60=18w ③

第三次替代M：V1*T1*M1=15*2%*70=21w ④

各因素的贡献率分别为：

Attr_V=②-①=9-12=-3w

Attr_T=③-②=18-9=9w

Attr_M=④-③=21-18=3w

由此可见，10月的访客数较上月有所减少，导致了3w元GMV的流失，但流量显然更精准，转化率明显提升，且转化率的贡献最大，带来了9w元的GMV增量，此外，流量质量也较高，客单价有所上涨，带来了3w元的GMV提升。

因此，后续应该加强流量的引入，转化率可以分渠道进一步分析，针对高转化率的渠道进行重点运营，而客单价可以进一步分析是产品价格提升了，还是用户买的产品数量更多了。

因素分析法的作用，就在于可以找到关键的正向或负向因素，当精力或资源有限时，可以有的放矢，重点解决关键问题。

看到这里，不知道大家有没有发现，如果改变一下替代的顺序，各因素的贡献值会发生变化，比如，如果先替换客单价，那客单价的贡献值肯定跟上面的结果有所差异。

那么，我们应该如何保证因素分析法的有效性呢？

因素分析法是建立在某种前置假设的逻辑之下的，既然无法将各因素割裂进行分析，那么就依次考虑各因素的叠加效应，而这个次序需要遵循实际经济意义上的先后逻辑。

比如，以上述的访客数、转化率和客单价为例，自然是先有访客到访浏览，才会有下单转化，之后才会产生交易金额。也即先得有人来，来了才会决定买不买，决定买了再看花多少钱买。

同样，如果我们把GMV拆成价格*销量，那么应该先考虑价格的贡献，再计算销量的贡献，因为是先定价，才会有销量，而且销量很大程度会受到价格的影响。

网络社交媒体和电商平台中沉淀着大量的用户反馈信息，通过舆情的挖掘分析，可以为品牌商提供多角度的参考建议，指导品牌商进行产品或服务的优化。

很多品牌商都会定期找调研公司进行调研，从而了解用户对品牌的认知，以指导下一阶段的品牌形象建设或品牌差异化策略。

有很多调研的分析方法同样适用于舆情的分析，接下来就分享其中的一种——对应分析。

对应分析(Correspondence analysis)也称关联分析，是一种多元相依变量统计分析技术，是通过分析由定性变量构成的交互汇总表来揭示变量间的联系。

简单来讲，其实就是先将各类变量放到一起进行相关性分析，把关联度高的进行归类，达到降维的效果，如将为二维（两个分类），接着，再看各变量在这个二维空间中的位置，最终判断变量间的关联性。

对应分析与因子分析的差异，就在于因子分析是针对一个变量中的值进行归类，看的是相同变量的相似性，如老鹰和麻雀都可归为鸟类，而对应分析包括多个变量，还能看不同变量的关联性，如老鹰（鸟类）与食物（鼠）的关联度高，麻雀（鸟类）与谷类（食物）关联度更高。

对应分析的具体原理在此不做赘述，大家感兴趣的话可以上网查阅，接下来，我们看一看实际的例子（数据都是我编的，如有雷同，应该是抄我的）。

现在，假如我们将用户的评论、反馈数据，通过切词、归类编码后，得到以下数据表：

简单对应分析适用于两个变量交叉分析，我们先选“品牌”和“认知”这两个变量来进行对应分析。

在很多分析工具中都有对应分析的功能或程序包，我们以SPSS为例，在SPSS菜单中选择【分析】-【降维】-【对应分析】，选择行列分别为“品牌”和“认知”，可以得到以下摘要表：

我们看到显著性sig=0.000