数据分析,该怎么做才能超出预期?

有同学问:每次做的数据分析报告,业务方看了不是说“我早知道了”,就是说“你这不符合业务常识”。搞得人很郁闷。比如最近一次,诊断业绩波动问题,分析了一堆流量*转化率*客单价数据,业务方却哈哈大笑,说跟这些都没关系,纯粹是大区经理的能力问题。面对这种局面该怎么办?

数据分析,该怎么做才能超出预期?

今天统一解答一下。这种问题,本质上是来自:不了解业务到底掌握了什么情况。想要做出既符合业务常识,又超过业务预期的分析成果。当然得先摸清对方底牌。

所谓的业务常识从何而来

业务常识其实由三部分构成:

  • 1、假设:业务方对问题的猜想。
  • 2、证据:能支撑猜想的论据,包括数据、事实、逻辑推理等。
  • 3、结论:基于假设+证据,论证产生的业务结论。

比如业绩波动问题,可能和外部(天气、经济环境、竞争对手)内部(总部支持、分公司配合、一线执行)等很多因素有关。作为销售部/业务部/渠道部/运营部,他们本身对于这些因素是有一些了解的。很有可能有了一些假设和证据,比如:

数据分析,该怎么做才能超出预期?

因此,如果没有沟通,不进行事先摸底。很有可能在数据分析中根本回应不到这些结论,或者简单的鹦鹉学舌再重复一遍,这就会导致开篇的:“我早知道了”、“不符合业务常识”等问题。所以进行事先沟通,了解情况非常重要。

需注意的是:业务方的证据不一定是数据。很有可能是来自:

  • 一个经验:老夫从业10年,出这种问题一般是……
  • 一个事件:开电话会他不接,发了通知不回复,肯定是他的问题!
  • 一个感觉:我觉得应该是执行出了问题,我的设计很完美啊!
  • 一篇文章:早上在朋友圈看了《震惊!马云刚刚宣布!》,真有道理。
  • 一个命令:大老板都说了,都是人的问题,那就是人的问题!

所以,作为数据分析是大有可为之地的。去伪存真,去粗取精。剔除不合理假设,发现更多问题,就能帮助到业务,赢得认可。具体的做法可以有三个方向。

1、超出预期方式一:剔除虚假证据

还讲上边的例子。比如业务方已经认定是大区经理的问题,那我们就来验证,是否不同能力的大区经理表现真的有差距。需要注意的是,我们要找的是主要矛盾。如果大区经理能力真的是主要矛盾,那业绩数据上会有明显变化(如下图所示)如果只是有略微差距,甚至没有差距,那就能直接否掉这条假设。在数据证据充足的情况下,可以大胆下判断,用数据说话,业务方也无力反驳。

数据分析,该怎么做才能超出预期?

2、超出预期方式二:深入发现问题

即使第一步验证业务方假设,也没关系,我们还可以把问题去平均化,具象化。从而找到更多新鲜结论。比如已验证大区经理能力不行,可到底是怎么个不行法,是一贯不行,还是这一次发挥不行,还是丫本来就是个投机分子——有政策就做,没政策就叫难。可以通过对大区经理行为的进一步分析得到(如下图,业绩达标率走势所示)

数据分析,该怎么做才能超出预期?

这种细分分析,对业务是很有用的。单靠“能力不行”四个字,可没办法指导到下一步行动。到底谁是要撤换,谁要扶助,谁还能等待成长,有个清晰的划分,才能针对性做事情。细节之处见功力,有细分分析,即使大结论是一样的,业务方也会觉得有意义。

3、超出预期方式三:挖掘潜在因素

很多时候,第一步验证成功不代表发现了真正的问题。比如看似是大区经理能力有差异,可大区经理下属业绩也是由不同门店、产品、销售团队构成的。通过结构分析法,我们有可能看到更多问题。如下图所示:

数据分析,该怎么做才能超出预期?

有可能我们发现:所谓优秀经理,其实就是命好。其下属1级门店数量多。那就不禁让人怀疑:是这些人能力强,还是天生掌握的资源好。所谓“总部支持力度不低”是不是只对1级门店有作用。这是很常见的问题,大家往往默认了表现好的1级门店就是3级门店的标杆,制定政策都按1级门店的经验来。可实际上1级门店的经验很有可能是不可复制的。如果能通过往下深度分析,找到更深层的问题,就能让业务大呼“我咋没有想到”了。

4、超出预期方式四:观察长期趋势

数据分析师的一个特殊优势,就是不用对业绩负责,因此出现“屁股决定脑袋”“黑的描成白的”相对较少。这样就可以潜下心来,客观评价业务的判断。通过长期趋势观察,多次对比,发现深层问题。还是这个例子,业务方自认为自己的政策没有问题,很有可能通过长期多次对比,我们发现:是有潜在问题的(如下图)。

数据分析,该怎么做才能超出预期?

看似营销政策上线后,单日最大业绩又破新高,总业绩也拉动很多。可历次对比发现,促销蓄力期、恢复期越来越长,整体效益并没有更高。这就说明很有可能用户/市场已经对类似活动疲倦了,不以为然了。这时候还是要坚持继续做,还是考虑调整,就是个大问题。当然,这种结论直指业务部门的痛点,往往他们看完是默不作声,然后回来再思考的。虽然嘴上不说,但内心里还是会认可分析的价值。

从问题出发,到行动结束

上边只是个简单的例子,还有更多可以深入的地方。有些同学看了会说:老师,这些看数据的维度,我们BI里也有。是滴,罗列数据是很简单的。比如把销售业绩按大区,按门店拆解,分日、周、月输出,这是很多BI都有的。然而问题是,这样单纯的罗列没有任何逻辑,没有回答任何业务方疑问,没有引导业务方思考,它就只是一张张数据表而已。在没有逻辑的时候,甚至列的数据越多越招人嫌。看着花花绿绿的报表,业务方还会抱怨:能不能讲重点!

做数据分析,要从具体问题出发,到一个指向业务的行动结束。想要超出业务期望,当然得了解具体业务期望是什么,解答他们的问题,帮他们发现更深层的问题。这样就得让我们的数据分析师们不止满足于记住了GMV=DAU*转化率*客单价这种公式,更得把自己放到真实商业环境里去,了解商业动作,思考具体的商业问题。这样才能思考的深入,做出超过期望的成果。

本文由用户@广告闲人发布于新媒体运营,未经许可,禁止转载。

题图来自 Unsplash,基于 CC0 协议。

本文由 新媒体运营 作者:广告闲人 发表,其版权均为原作者所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持,未经许可,禁止转载,题图来自Unsplash,基于CC0协议。
1

发表评论