“相关性分析是定量判断指标原因重要性和优先级的方法。”
我们在工作场景中时不时会经常讨论这些问题：
电商同学说，我们有 5 个品类，想知道哪个品类销售对整体销售贡献更大？
渠道同学说，我们运营了 10 个渠道，想知道哪个渠道的用户对整体活跃作用更大？
留存同学说，我们分析了 7 个客群，想知道哪个客群对整体的留存关系更大？
产品同学说，产品已经上线一段时间，到底哪些维度（城市、年龄段、操作系统）更影响整体活跃？
还有很多类似的场景不一一列举。这些业务场景明显复杂很多，除了要能告知原因外，还需要明确出不同原因的重要性。确实，我们知道影响活跃的因素有很多，可资源有限，不可能全面铺开逐一去解决，只能集中优势资源解决核心问题。
那么如何从一大堆原因中找出最核心的原因呢？相关性分析是定量判断指标原因重要性和优先级的方法。
什么是相关性分析？
相关性分析，指对两个或多个指标进行分析，评估它们两两之间联系或相互影响的程度。相关性分析不仅可以分析出多个指标间的联系程度，还能给出联系程度紧密的量化值。
例如，相关性分析能够分析出营销活动的投入成本和活动转化率的相关程度，不仅能够告诉我们投入成本越高，转化率越高的数据关系，还能告诉我们高到什么程度。
相关性分析，使用“相关系数”这个指标定量给出几个指标间联系和影响的程度，通常用 p 来表示（相关系数 p 是一个介于 -1～1 的小数），我们用 p 值判断指标的相关性时遵循以下两个步骤。
1.判断指标间是正相关、负相关，还是不相关
当 p>0，认为指标间是正相关，也就是两者的趋势一致。
如果指标 A 与指标 B 的 p>0，那么指标 A 上涨，指标 B 也会上涨；反之亦然。
当 p<0，认为指标间是负相关，也就是两者的趋势相反。
如果指标 A 与指标 B 的 p<0，那么指标 A 上涨，指标 B 会下降；反之亦然。
当 p=0，认为指标间无任何联系。
2.其次判断相关的程度
当 p 的值在 [0.5,1] 之间，认为指标间是强相关，认为指标间的业务联系非常紧密。
当指标 A 和指标 B 是强相关，那么当我们去运营指标 A 时，指标 B 也会明显地发生变化。
当 p 的值在 [0.1,0.5) 之间，认为指标间是弱相关，认为指标间的业务联系不太紧密。
当指标 A 和指标 B 是弱相关，那么当我们去运营指标 A 时，指标 B 会有相应变化，但变化不明显。
当 p 的值在 [0,0.1) 之间，认为指标间是无相关，认为指标间的业务联系无任何联系。
当指标 A 和指标 B 是不相关，那么当我们去运营指标 A 时，指标 B 不会有任何相应的变化。
相关性应用场景有哪些？
事实上，相关性分析的应用场景非常多，基本上只要提到“它俩有什么关系？”“哪个指标的作用/贡献/价值更大？”“我们应该重点解决哪个问题？”时，都可以用相关性分析给出定量和准确的回答，非常便于产品运营找到解决问题的核心抓手。
各类业务场景及其指标总结为下表，
产品运营场景实战案例
1.如何分析哪个客群的留存对整体留存贡献更大？
留存的运营中我们最常看的就是新客的留存和活跃客群的留存，用来评估哪个客群的留存与整体的留存联系更紧密，以便制定后续运营的策略。
对于这样的报表，我们需要找出到底是哪个客群的留存对于整体留存的影响最大。如果能找出来这个关系，那么后续要提升留存，就有非常清晰的方向。
用相关性分析可以很好地回答这个问题，在 Excel 中点击“数据”选项卡，进入“数据分析”，找到“相关系数”，选择数据区域，点击确定即可，分析结果如下图所示。
上表就是相关性分析输出的相关系数表，其中显示了指标两两间的相关系数。
可以看出，活跃访客的留存率与整体留存率的相关系数是 0.61，大于 0.5，故是强相关；而新增访客的留存率与整体留存率的相关系数只有 0.15，小于 0.5，故是弱相关。
所以如果要提升整体留存率，我们的产品运营资源应当更多地投放给活跃用户，以提升整体的留存率；而新增访客，虽然不会拿到很多运营资源，但是我们也要去深入分析为什么新增访客的留存的贡献比较小，适时做一些提升这部分客群与整体留存的策略。
2.如何分析哪些因素对 DAU 的影响更大？
我们分析 DAU 时常会将它拆解为各种维度来分析，这里我们分析与 DAU 联系最紧密的维度到底是哪些，以帮助我们制定针对性的运营策略，如下图所示。
对于这样的报表，我们需要找出到底是哪几个城市、哪个操作系统，以及哪个年龄段的用户对于 DAU 的影响最大。如果能找出来这个关系，那么后续要提升 DAU，就有非常清晰的方向。
用相关性分析可以很好地回答这个问题，在 Excel 中点击“数据”选项卡，进入“数据分析”，找到“相关系数”，选择数据区域，点击确定即可，分析结果如下图所示。
- 先分析城市维度与 DAU 的相关性大小
考察这三个城市与 DAU 的相关系数，按照相关系数的大小排序依次是：上海 > 深圳 > 广州。
也就是说，从城市维度来看，上海、深圳与 DAU 的相关系数最高，超过 0.5，属于强相关；广州与 DAU 的相关系数小于 0.5，属于弱相关。
所以，如果要提升 DAU，那么促活的资源应当更多地投放在上海和深圳这两个城市的用户上
- 再分析操作系统维度与 DAU 的相关性大小
考察 Android、iOS 与 DAU 的相关系数，按照相关系数的大小排序依次是：iOS < Android，并且 Android 的相关系数高达 0.83，属于强相关。
也就是说，从操作系统维度来看，Android 设备的用户活跃对整体 DAU 贡献最大。所以，如果要提升 DAU，那么促活的资源应当更多地投放在 Android 的用户上。
- 最后分析年龄段维度与 DAU 的相关性大小
考察这三个年龄段与 DAU 的相关系数，按照相关系数的大小排序依次是：大于 30 岁 > 20～30 岁 > 小于 20 岁。
也就是说，从年龄段维度来看，大于 30 岁的客群与 DAU 的相关系数最高，达到 0.94，属于强相关；20～30 岁的客群与 DAU 的相关系数为 0.12，小于 0.5，属于弱相关。
所以，如果要提升 DAU，那么促活的资源应当更多地投放在年龄大于 30 岁的用户上。特别地，我们还发现小于 20 岁的客群与整体 DAU 呈现弱的负相关。
一般而言，出现了负相关情况我们要更加留意，并且进行深入的专题分析。例如，分析这部分客群的行为和路径特征、留存等情况，来判断是产品功能或服务无法满足，还是用户体验不好，或是运营活动出现偏差导致了出现负相关。如果这个客群仍是我们的目标客群，那我们仍需要在做上述分析后努力将负相关转为正相关。
用“相关性分析”找出违背业务常识的真实情况
相关性分析除了能帮我们找出关键的影响因素，还能帮助我们论证业务逻辑的有效性，甚至能纠正我们的思维误区。
有时候，我们想当然的业务常识，可能就是与真实情况相悖的。接下来，向你介绍一个案例。
我有一个朋友是做快消品的，负责公司牙膏产品的渠道推广。他在快手、抖音等短视频平台根据产品的功能特性投放了大量的广告，希望可以引流短视频用户到淘宝去付费下单。
可他用“相关性分析法”追踪短视频平台商品链接的点击情况与淘宝付费下单情况时，非常意外地发现产品视频的点击量和淘宝的付费用户数毫无相关关系。
然后据此追踪用户行为，经过仔细排查后发现，用户的行为模式并不如预期所想。
他预想的用户行为模式是：用户在短视频平台看到商品视频后，点击商品链接自动唤醒淘宝并直接进入商品详情页，同时引导用户直接付费，降低用户行为路径长度，提升付费率。
可用户实际行为模式却是：用户在看到商品的视频后，关掉短视频 App，手动启动淘宝，搜索商品名称，找到目标商品进入详情页完成购买转化。
于是厂商果断大幅调整营销方向，不再在短视频平台投放“产品功能特性关键字”，而是投放“品牌”；在淘宝搜索栏也不再购买“产品功能特性关键字”，而是购买“品牌类关键字”。如此之后营销效果立竿见影。
