做数据分析,如何给业务提【建议】

3 评论 5913 浏览 27 收藏 11 分钟

每逢要针对具体问题提建议的时候,很多人就怂了,提不出有见解性的建议。那么究竟该怎么针对业务问题提出一个解决建议?本文针对一个具体问题进行分析,四步带你提出有效的业务建议。

很多同学都讨厌当工具人,然鹅每次遇到要提建议的时候就怂了,除了“指标降了,要搞高”,不知道还能说啥。今天拿个具体问题,给大家详细介绍下:如何从数据得出可行的建议。

问题场景:某互联网垂直电商企业,运营的老板表示:A商品最近销量挺好,想提高一下价格,以提升该类产品的整体利润。现在作为数据分析师,你接到了这个需求,问:该如何做?

01 问题解析

首先,同学们要注意:这里有几个问题?

如果是业务部门听到这种命令,本能反应是:“这里有一个问题,老板想提价,我要怎么提价。”但数据分析师收到这种需求,就不是这么解读的。因为数据分析师首先要保证的是:领导决策建立在正确的事实之上,其次才是保证决策建议的可行性。

对数据分析师而言,这里有两个问题:

  1. 问题一:老板口中的“最近销量挺好”,到底是不是个事实
  2. 问题二:在问题一成立的前提下,思考如何落地

02 解题第一步:确认事实

在现实中,很多商业感觉并非建立在事实之上。此时、此刻,销量是不是真的很好,是需要进一步验证的。

并且这个任务最适合数据分析来做,业务部门捕捉商机,可能依赖的是自己的经验、判断、嗅觉,而数据分析捕捉商机,一定是靠数据说话。

要验证问题一,需要排除的假设是:

  • 不是真的好(仅仅比其他品类多了一点点)
  • 是真的好,但不是现在好(这个信息过时了)
  • 是现在好,但属于暂时/季节性/偶然性好(预计不持久)
  • 是现在好,稳定的好,但已有资源投入(没有涨价空间)

整个逻辑用MECE法归纳如下图:

很多新手数据分析师会忽略这一步。实际上,这一步非常体现数据分析师的价值。老板只是随口一说,数据分析师就把各种可能性一一排除,对老板来说体验非常好。显得数据分析的工作做得很深入。实际上,何时涨价是有固定套路的,一般参照产品生命周期(如下图):

  • 如果A品类生命周期走势明显优于过往同款,可涨;
  • 如果处于生命周期的早期(上市期、成长期)可涨;
  • 如果A品类处于供不应求状态(库存周转快、销量好)可涨;
  • 反之,如果A处于生命周期后期、库存仍有富余、表现平平,则不应考虑涨价。可考虑搭售、满减等手段。

03 解题第二步:区分经验与测试

如果确认了第一步,可以做第二步工作:确定分析方向。第二步要先确认一点:过往有没有做过类似调价?如果有,则基于上次类似调价场景,分析本次调价预计影响与可行性。如果没有,就没有历史数据参考,则需要设计一个数据实验,验证方案可行性。这一点很能体现数据分析与业务的思路区别。如果换了业务,可能通过与客户沟通、对用户的洞察、对商品的理解,能直接作出判断。但数据分析思考问题,一定是从数据出发。如果有历史数据,就基于历史数据分析。如果没有,就先做测试,收集数据再分析。

当然,实际落地的时候,两者可以结合。比如业务先提一个涨价方案,数据分析分两步论证:

  1. 事前论证:这个方案没有致命伤
  2. 事后论证:这个方案可以通过XX实验验证这样就能推动方案落地了。

04 解题第三步:事前论证

事前论证分两种情况:

  1. 在有做过调价情况下,总结历史经验,给出建议
  2. 在没有做过调价情况下,给出可以调价的范畴,避免踩雷方案要落地,需要时间、地点、人物、起因、经过、结果六要素齐全。

因此在复盘历史经验的时候,要做细一点,上次调价的六要素,要分析齐全(如下图)。

在避免踩雷的时候,主要是利用数据剔除一些明显不合理的设想。理论上,消费者都不傻,调价会导致销量下降;销量下降又会导致库存增加,周转时间变长;周转时间变长,又会增加商品过气的风险,可能进一步影响销量。虽然没有数据证明,但业务方在做方案的时候,得思考到这些点。

典型的不合理设想,比如:

  • 涨价设定太高,甚至达到了更高档商品价位
  • 销量没有调整,默认涨价不会影响销量
  • 销量预计太多,没有考虑销量下降导致库存增加

这些明显BUG,大部分来自无经验情况下,业务方过于乐观地拍脑袋。作为数据分析师,理应对这种乐观的YY提预警,至少让他们意识到问题。

05 解题第四步:事后论证

如果没有历史数据积累,则要设计数据实验,验证效果。注意:数据实验的设计,一定需要业务方的参与。因为涨价本身是个业务动作,有明涨/暗涨两种基本方式。

  1. 明涨:直接调价
  2. 暗涨:通过推升级版、plus版、减少优惠券投放等形式,暗中调价

这些手段可能产生的效果是不同的。如果是明涨,则可以直接测试所有用户对价格敏感度。如果是暗涨,意味着只有一部分用户会响应涨价,需要做用户分群,观察部分用户的反应(如下图):

理论上讲,暗涨更容易让用户感情上接受,毕竟明涨显得太割韭菜了,颇有囤积居奇之感。但实际操作上,暗涨需要做新的营销方案,很有可能新方案做砸了,导致涨价策略失败,业务方会承担责任。

所以业务方会倾向于明涨,并且要求数据分析师给出预测:到底涨多少,ROI最大化。这里一定要给业务方讲清楚:没有历史数据,则无法分析,一定要做测试。不要试图用拍脑袋/其他拐弯抹角的方法回避这个问题。价格弹性一定是测试出来的,没有测试就下结论,策略失败的风险就是数据分析师自己背……

06 小结

综上可以看出,一个简单的涨价,需要大量的、细致的分析,具体到各种场景。

很多新手不考虑这么多场景,只是拿一个近一周/一个月销量,然后开始拍脑袋:“可能涨价以后会减少销量吧……”这么粗糙地工作,很容易被领导各种diss,诸如:

  • “考虑和其他品类差异没有?”
  • “会不会只是短期效果?”
  • “有没有证据证明真的能涨价?”

数据分析师会很委屈地说:“那你也没提呀”

此刻领导再怼一句:“你就不多想想!”

这么一来一回,信任就荡然无存了。

我们常说:数据分析师就是企业的军师,你看小说里,主公问军师意见,军师都有上中下三策,上策里还要分上上策、上中策、上下策。工作做得非常细致,场景思考得很全面,这才是一个合格的军师应达到的标准,以上,与大家共勉。

专栏作家

接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Pexels,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 想问下:数据实验怎么设计?如何通过实验来判断涨价的效果

    来自上海 回复
    1. 做ABtest,譬如美团,根据用户id划分两个群体,A群体涨价,B群体不涨价,然后观察一周,看看这一周的转化情况,如果两个群体转化率不变,说明涨价对用户不敏感,可以涨;如果A的转化率下降的,说明用户对价格敏感,如果A的转化率还提升了,说明我们定价确实低了;除了ABtest也可以看涨价前一周和涨价后一周的数据对比。最好再对两个群体进行分层分析,是不是某个群体带来的,还是普遍现象等等;

      来自广东 回复
    2. 当然也要结合ROI等指标,评判带来的收益是下降了还是提升了。转化率只是其中一个内容

      来自广东 回复