本文主要介绍了如何利用人工智能技术进行波士顿矩阵分析的方法，并通过模拟实例展示了整个过程。
随着企业产品的不断增加，产品分析变得越来越重要，而波士顿矩阵可以帮助我们更好地评估和分析产品。
过去，你可能知道波士顿矩阵很有用，但是却不知道具体怎么做；或者你知道怎么做，但是做起来比较费时费力。
如今，在 AI 技术的加持下，波士顿矩阵分析将变得更加简单、高效，并且将发挥出更加重要的作用。
下面用一个简单的案例，来演示怎么用 AI 进行波士顿矩阵分析。
一、准备数据首先，我们需要准备好待分析的数据。
为了方便演示，下面用 AI 模拟生成一个数据集，提示词如下：
角色：你是一位数据分析专家，主要基于 Anaconda 平台中的 JupyterLab 进行数据分析，能够熟练运用 Python 处理和分析数据，快速制作专业的数据可视化图表。
任务：请你帮我用 Python 随机生成一个数据集，其中包括 12 款产品，产品名称分别用 A-L 表示，销售增长率的取值范围是 -1 到 1，市场占有率的取值范围是 0 到 0.9。
要求：提供完整的 Python 代码，其中产品名称和指标名称都使用中文，应用最新版本的 pandas 库，避免出错警告或错误。
我尝试用了不同的 AI 大模型，发现 GPT-4o 的回复相对比较好，具体代码如下：
import pandas as pd
import random
# 生成产品名称列表
产品名称 = [chr(i) for i in range(ord(‘A’), ord(‘M’))]
# 生成随机数据
数据 = { “产品名称”: 产品名称,
“销售增长率”: [random.uniform(-1, 1) for _ in range(12)],
“市场占有率”: [random.uniform(0, 0.9) for _ in range(12)]
}
# 创建 DataFrame
df = pd.DataFrame(数据)
# 显示数据集
print(df)
在实际工作中，你把 df 可以替换为自己的数据。
二、绘制图表其次，我们可以用 AI 生成绘制图表的代码，提示词如下：
请对上面已经准备好的 df 数据 ，使用 matplotlib 绘制散点图，具体绘制要求如下：
要求用中文显示标题和坐标轴标签，请提前做好相关的设置，避免出现中文乱码的情况。
标题波士顿矩阵分析图，标题用 20 号字体，横轴为市场占有率，纵轴为销售增长率。
在散点图中，每个点的上方显示对应的产品名称，用 16 号字体。
在散点图中，增加一条横线，横线的值为销售增长率的平均值，线段样式为黑色虚线。
在散点图中，增加一条竖线，竖线的值为市场占有率的平均值，线段样式为黑色虚线。
上面的横线和竖线把散点分成 4 不同的颜色，透明度为 50%。
散点图中不要显示网格线，不显示图例。
请编写实现上述功能的 Python 代码。
根据 GPT-4o 的回复，略作修改之后代码如下：
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import random
# 设置中文字体，避免乱码（这里使用 SimHei 字体，需要系统中安装此字体）
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
plt.rcParams[‘axes.unicode_minus’] = False
# 设置随机种子以获得可重复的结果
random.seed(28)
# 生成数据集
产品名称 = [chr(i) for i in range(ord(‘A’), ord(‘M’))]
数据 = {
“产品名称”: 产品名称,
# 计算平均值
平均销售增长率 = df[“销售增长率”].mean
平均市场占有率 = df[“市场占有率”].mean
# 创建散点图
plt.figure(figsize=(10, 6))
plt.scatter(df[“市场占有率”], df[“销售增长率”])
# 添加产品名称标签
for i, row in df.iterrows:
plt.text(row[“市场占有率”], row[“销售增长率”], row[“产品名称”], fontsize=16)
# 添加平均值的横线和竖线
plt.axhline(平均销售增长率, color=’black’, linestyle=’–‘)
plt.axvline(平均市场占有率, color=’black’, linestyle=’–‘)
# 设置标题和坐标轴标签
plt.title(“波士顿矩阵分析图”, fontsize=20)
plt.xlabel(“市场占有率”, fontsize=16)
plt.ylabel(“销售增长率”, fontsize=16)
# 根据四个象限分配颜色
colors = [‘red’, ‘blue’, ‘green’, ‘orange’]
for i, row in df.iterrows:
if row[“销售增长率”] > 平均销售增长率 and row[“市场占有率”] > 平均市场占有率:
color = colors[0]
elif row[“销售增长率”] > 平均销售增长率 and row[“市场占有率”] <= 平均市场占有率:
color = colors[1]
elif row[“销售增长率”] <= 平均销售增长率 and row[“市场占有率”] > 平均市场占有率:
color = colors[2]
else:
color = colors[3]
plt.scatter(row[“市场占有率”], row[“销售增长率”], color=color, alpha=0.5)
# 隐藏网格线
plt.grid(False)
# 显示图表
plt.show
把上面的代码复制粘贴到 JupyterLab 中运行，可以得到下面的图表：
接下来，我们请 AI 进行波士顿矩阵分析：
请分析这些产品在波士顿矩阵中的具体位置和未来发展的策略，并对相关内容进行归纳总结。
你可以根据 AI 回复的内容，结合自己的经验和判断，得出相应的分析结果。例如：按照平均市场占有率和销售增长率，波士顿矩阵把产品分为 4 类，企业可以针对不同类型的产品，采取不同的发展策略。
① 明星产品：高市场占有率，高销售增长率。右上角的 I、J、F，可以继续加大投资，保持市场领先地位，吸引更多的客户和市场份额。
② 问题产品：低市场占有率、高销售增长率。左上角的 C、G，可以评估市场潜力和竞争环境，制定明确的市场策略，尽量增加市场占有率。如果市场前景良好，可以考虑增加投资；否则，需谨慎评估是否继续投入资源。
③ 金牛产品：高市场占有率，低销售增长率。右下角的 D、H、K，努力保持现状，维持现有市场份额，并控制成本，产生现金流以支持其他业务。尽量延长这些产品的生命周期，在不增加大量投资的情况下，保持其稳定的市场地位。
四、最后的话④ 瘦狗产品：低市场占有率，低销售增长率。左下角的 A、B、E、L，建议审慎评估这些产品的市场前景和盈利能力，考虑逐步退出市场，减少资源浪费。如果某些产品还有一定的战略价值，则可以选择保留并进行微调策略。
通过上面的案例分析，我们可以看到，AI 不仅让矩阵分析变得更加简单和高效，而且通过数据可视化，让我们能够更加直观地理解产品在市场中的位置和表现，并指引未来发展的方向。
AI 给我们带来的，不仅是一个工具的升级，更是一次思维的革命。
未来，随着 AI 技术的不断发展，我们可以预见，矩阵分析将会在企业发展过程中发挥出更加重要的作用。它将帮助企业更加精准地调整资源配置，优化产品组合，实现可持续发展。
所以，当你面对复杂的数据和市场分析时，不妨尝试借助 AI 的力量。让我们一起拥抱变化，用科技赋能决策，提升核心竞争力。
本文由人人都是产品经理作者【林骥】，*【林骥】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
