知识源于沉淀 产品分析是数据分析中不可或缺的一部分，但是很多人在分析产品的时候，会因为无从下手而产生很多疑问。比如如何分析每个产品对用户的吸引力？如何衡量产品的比例？如何准确把握产品变化的速度？如何有计划地投资it？
一个典型的例子就是某手机品牌，其手机的品种和档次非常多，手机产品变化之快就不用说了。为了实现品牌差异化，必须不断推出新产品，这就带来了一个问题:是要在新产品上大量投入，还是在老产品上大量投入？如果投入的产品根本不受欢迎，就会血本无归，这也是很多电商面临的问题。
我们今天要介绍的数据分析模型——波士顿矩阵可以完美解决这个问题！
认识波士顿矩阵
波士顿矩阵，又称市场增长率-相对市场份额矩阵，由美国著名管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年首创。它通过销售增长率(反映市场吸引力的指标)和市场占有率(反映企业实力的指标)来分析和决定企业的产品结构。
市场吸引力包括企业销售量增长率、目标市场容量、竞争对手强弱、利润高低等。其中最重要的是反映市场引力的综合指标——销售增长率，这是决定企业产品结构是否合理的外在因素。企业实力包括市场占有率、技术、设备、资金利用能力等，其中市场占有率是决定企业产品结构的内在因素，他直接显示出企业的竞争实力。
矩阵将产品类型分为四类:
1.明星产品:成长性和市场占有率高，发展前景好，竞争力强，需要加大投入支持其发展；
2.问题产品:高成长但市场占有率低，发展前景好但市场开拓不足，需谨慎投资；
3.摇钱树产品:低增长但高市场份额。成熟市场的领导者应该减少投资，保持市场份额，延缓衰退；
4.瘦狗产品:成长性和市场占有率低，理论费率低甚至亏损，应采取退出策略。
Excel做波士顿矩阵的难点
在现实中，我们经常使用波士顿矩阵来分析其他一些样本。例如，在本文中，我们使用波士顿矩阵来尝试分析用户数据。
如果用传统的方法，对于数据分析场景，大家都会想到Excel。但是，当面对波士顿矩阵等分析时，Excel就无能为力了。为什么这么说？看两张图你就明白了:
没错，用Excel分析波士顿矩阵不仅复杂，而且分析的维度在制表的时候就已经固定了。随着公司市场的不断扩大，业务的不断增加，在各种维度和数据量下，做一个静态的图表已经不能满足分析要求。
比如我们想快速做出2019年6月、7月、8月上海、广州、深圳、可口可乐、芬达、雪碧的波士顿矩阵图。仅仅通过提到的时间、地点、商品品类这些维度，我们就可以组合出3x3x3=27种不同的可能性。以上填表方法一定要重复27遍吗？如果有更多的维度，有规律的制表，这个工作量简直不可想象！
到目前为止，我们迫切需要一种更加方便灵活的分析工具来分析数据。因此，现代商业智能(BI)软件应运而生。
波士顿矩阵实操
什么是商业智能？简单来说，商业智能是一个使用数据为商业决策提供动力的概念。它可以是一种数据解决方案，也可以是一种数据分析技术，但其本质是充分发挥数据隐藏的价值。
本文以国内BI市场份额最大的FineBI作为样本数据的分析工具。
1.准备样本数据。这里以一家餐厅的客户数据(Excel)为样本，创建一个新的业务包，这样我们就可以对数据进行分类管理。同时将数据导入FineBI。
2.数据字典:
3.使用FineBI的计算指标功能。计算客户单价(每个客户每个订单的平均单价)，即每个客户的平均消费金额。
公式:客户单价=sum_agg(消费金额)/count_agg(客户名称)。这里的难点是聚合函数的使用(_agg)。
聚合函数:
添加计算指标、汇总、辅助计算时，添加计算字段时，可以通过聚合函数选择不同的汇总方式，包括求和、平均、中位数等。当组件的指标列中增加了包含聚合函数的计算指标时，当用户切换分析维度时，计算字段数据会自动随维度动态调整。
在本例中，sum_agg计算根据维度(客户名称)汇总的消费总和，而count_agg是根据客户名称汇总的订单数量。他们相除的结果是每个客户，消费笔数之和除以消费笔数之和就是客户的单笔销售额(客户单价)。
4.利用FineBI散点图制作波士顿矩阵图。
观察给定的数据、系统中客户的名称以及相应的客户类别。这种结构称为树形结构。这个例子中的树结构相对简单，只有两级客户分类——客户名称。
所以我们想在波斯顿矩阵图中体现这种层级关系，先查看ABCDE五大品类的整体情况，再根据需要查询每个品类下的客户情况。
在FineBI中，实现这种效果也很简单。将客户名称拖拽到客户分类字段，系统会自动生成具有层级关系的客户分类-名称组合字段:
然后将记录数(取决于总行数)拖动到水平轴上。客户每消费一次，就会产生一行订单数据，所以这个数据胶囊的意义就是客户消费的次数。
将计算出的客户单价指数拖到纵轴上:
增加两条辅助线:A:平均金额=平均消费金额，B:消费次数=平均消费次数:
将颜色调整为蓝色，最后我们得到如下散点图:
根据波士顿分析，我们分析了具有不同频率和强度属性的用户，例如:
消费次数超过平均，每次消费强度超过平均，就是明星客户，需要关注，最高礼遇；
消费次数超过平均水平，但每次消费强度未达到平均水平，消费频繁，能带来稳定现金流的现金牛客户。这样的客户是企业利润的基石；
消费未达到平均值，但每次消费超过平均水平，就是问题客户，有望成为明星客户。但存在潜在问题，消费频率不高，需要重点跟进和长期跟踪。
消费没有达到平均水平，消费强度没有达到平均水平。属于瘦狗客户，不需要投入重点维护；
数据分析进阶
在刚才介绍的波士顿矩阵图的基础上，FineBI工具还可以根据其他维度对客户进行多维分析:
比如消费强度和消费周期，用来寻找最近消费过的客户，以及最近不常来的客户。用时间、树形过滤、滑块过滤等不同成分，分析明星客户是否在流失，现金牛客户是否在增长。
如果能在企业中充分利用波士顿矩阵模型，可以大大提高管理者的分析和决策能力，帮助他们用前瞻性的眼光看待问题。同时，一个好的工具是非常必要的。FineBI等BI工具最大的优势就是简洁易用，能够深入理解商家之间的联系，挖掘数据的潜力！
另外，本文的案例数据和模板都是免费的，连个人版的FineBI都是免费的。可以私信我“波士顿矩阵”获取案例模板和FineBI免费版。
