描述、诊断、预测、规范——四个层次构成数据分析的价值阶梯。层次越高,难度越大,价值也越大。学会判断"我现在在做哪一层、下一步该上哪一层",是本讲的核心。
理解四层分类的关键,是把它们看作"价值阶梯"而不是"并列菜单"。描述层只需要报表工具,几乎人人都有;诊断层要求对比与归因能力,开始拉开差距;预测层依赖统计模型或机器学习,是成熟卖家的分水岭;规范层则进一步把预测转化为可执行的行动建议,是数据价值的最高点。为什么强调"递进"?因为上一层的错误会放大到下一层:描述层的口径错了,诊断就会归因到错误的地方;诊断漏掉了真正的原因(比如竞对价格战),预测模型就会按旧趋势给出错误的备货量。因此学习建议是:先把描述层做准确(统一口径、清洗异常),再把诊断层做扎实(学会对比、下钻、漏斗三件套),然后才尝试预测与规范。跨境卖家在不同发展阶段的分析重心也不同——日常运营以描述与诊断为主,大促备货与年度预算规划则必须上升到预测与规范层次。
先点左侧「分析类型」,再点右侧它回答的「核心问题与跨境示例」,配对成功即锁定。
四个层次在"回答的问题、典型方法、代表工具、跨境应用场景"上各有分工。读表时请特别注意最后一列——同一层次在不同发展阶段的卖家身上,应用重心完全不同。
| 分析层次 | 回答的问题 | 典型方法 | 代表工具 | 跨境应用场景 |
|---|---|---|---|---|
| 描述性 | 发生了什么 | 报表、看板、趋势图 | Excel、平台后台 | 每日经营日报:销售额、订单量、断货预警 |
| 诊断性 | 为什么发生 | 对比、下钻、漏斗分析 | Power BI、Tableau | 转化率下滑归因:流量质量 vs 价格 vs 详情页 |
| 预测性 | 将会发生什么 | 时间序列、回归模型 | Python、R、带 AI 的 ERP | 大促备货预测:黑五各 SKU 销量估计 |
| 规范性 | 应该怎么做 | 优化模型、规则引擎 | 智能 ERP、算法系统 | 自动生成补货量、广告出价、促销定价 |
四个层次层层递进:没有准确的描述就无法诊断,没有正确的诊断就做不出可靠的预测,没有预测规范就无从谈起。新手卖家先把描述与诊断做扎实,再向预测与规范进阶。
背景(数据为教学示例量级):某主营家居用品的亚马逊卖家发现 10 月销售额环比下滑 18%。运营没有慌张调价,而是按四个层次逐级推进:
注意这个顺序:先在描述层把问题定位到类目,再在诊断层归因到竞对,然后才谈预测与方案。如果一上来就"凭经验"全线降价,利润会被无谓牺牲。
做报表:把昨天的销售额、订单量贴进群公告——这只完成了描述层,价值有限。
做分析:在报表后面追加三句话——"这个数和昨天/上周比怎么样(描述+对比)、为什么(诊断)、建议做什么(规范)"。报表是分析的原料,不是分析的终点。跨境卖家在不同发展阶段应以不同层次为重心:初创期做扎实描述与诊断,成熟期大促备货与预算规划必须上升到预测与规范。
一句话记住:描述看见现状,诊断找到原因,预测预见未来,规范给出方案,反馈验证闭环。思考题:请结合一个你熟悉的电商场景,分别设计一个描述性、诊断性、预测性问题,并说明各自需要什么数据支持。