数据分析想落地,别再只说要搞高!

0 评论 3122 浏览 58 收藏 14 分钟

如何进行落地的数据分析,并提出落地的分析建议?我们需要对企业的业务模式、工作流程等问题有清晰了解,从而才能站在业务方的视角提供建议,让数据分析真正地为业务赋能。这篇文章里,作者便结合案例做了分析和总结,一起来看看吧。

  • “你这个分析报告假大空,一点都不落地!”
  • “你这个分析报告细节太多,一点都不落地!”
  • “你这个分析报告全是数字,下次能不能写写怎么执行?!”
  • “你这分析的啥啊,这不是显而易见的事情吗,还用得着你分析?”

以上的抱怨/批评,有没有很熟悉?

这一类关于“不落地”、“没意义”的言论,需要做数据汇报的同学应该都会很苦恼。

那我们该如何做好呢?

场景还原:

某大型家政服务平台,同时面向企业、个人提供家政服务,由APP/小程序端口收到订单后就进进行派单。接单师傅既有自营机构,也有合作机构和个人。目前需要提高单位时间工单完成量。

问,如何进行落地的数据分析及建议?

一、建议落地最常见的两种错误

错误一:说正确的废话

很多同学一听这个问题思路马上就来了,开始进行数据指标的拆解:

  • 实际完成工单 = 订单数*完成率
  • 订单数 = 企业单+个人单
  • 完成率 = 完成数/派单数

既然要提升的是实际完成工单的数量,那就简单了,只需要做这些:

  • 打开消费端,多做推广,多引导下单;
  • 优化匹配机制,让订单接单更快更准;
  • 优化售后监督机制,提升关单效率;
  • 多找师傅签约,提升接单效率。

对不对?非常对!有没有用?没啥用!

为什么?

因为这些都是正确的废话,不管做不做分析,这些动作都是要做的,且做了一定能提高工单量。所以会被业务说“一点都不落地”“这不是显而易见吗”!

错误二:搞错汇报层级

依旧是上述场景,汇报对象是大区经理。

经过一通分析得出以下建议:

  • 40-50岁的个人签约个人师傅的概率最高,所以要多找40-50岁的流量推广;
  • 家政机构一般都在小区集中度高的地方,所以要多去小区门口做地推;
  • 25-35岁租房群体消费单量最高,所以要去找25-35岁聚集的小区做推广。

听起上去也没什么问题,基于战略目标给出了方向上的建议,对总部制定战略的人或许会有用。

但是对于大区经理,来说,没!啥!用!“太假大空了!”

为什么?

因为大区经理真正想听的是:我要怎么做,如何安排我的手下资源,才能达到业绩要求?

所以,这样的分析建议,对大区经理才会有用:

  • 大区内40-50岁的个人师傅大致有多少,具体分布在哪个位置;
  • 大区内家政机构的分布, 线下点位辐射的范围是多少,需要增加多少点位;
  • 大区内租房比例较高的小区分布在哪里;
  • 完成以上的内容可能的成本和转化率在哪个区间。

这些,才是让大区经理觉得自己“可落地”的内容!

同样的,如果向总部战略汇报这些内容,也会被怼“你这个分析报告细节太多,一点都不落地!”

二、数据落地,只需四步

第一步:理清业务流程

要想知道建议落地,首先得懂业务流程,不在以「数学」的方式看数据。理清业务流程的主干,搞懂数据是如何产生的,受哪些流程影响,抽丝剥茧的一步一步拆解,才能明白数据背后的故事,脱离假大空。

从以上案例来看,我们可以从消费侧、平台侧、服务侧这三个层面拆解业务主干。

拆解完业务主干之后,我们发现,如果需要提高单位时间工单完成量的话,至少受到三个层面上的影响:

  1. 消费者的需求是否旺盛;
  2. 平台分配机制是否合理;
  3. 服务者接单数量是否饱和。

那么第一层级需要解决的问题可以总结为:

当理清了业务流程之后,评判的维度也清晰起来了。建立了分析方向的雏形。

接下来就是找到判定问题的标准,明确问题的第一个背景:需要搞定的是什么类型的问题?

第二步:判断问题类型

由于这种家政服务是非常有地域性、季节性的,并且在特殊节点具备非常强的流动性。

比如,在正月期间,大部分一二线城市的家政服务人员都回乡去了,导致下沉市场服务供大于求,而一二线无人接单。

又或者是准备进入夏天了,空调维修的订单量激增,而会修空调的师傅没有跟上,导致工单完结的效率变低。

所以,在判断消费者和服务者的「多或者少」的问题的时候,还需要弄清楚是哪种背景下的问题:

  • 系统性问题(一直很低要提高);
  • 持续性问题(持续降低要稳盘);
  • 季节性问题(经常出现要优化);
  • 突发性问题(突然变化要弥补)。

系统性问题和持续性问题,一般都是需要总部出马进行解决的,不管是制定策略还是优化结构,大部分情况都是只有总部有能力解决。

而季节性问题和突发性问题,是有可能会下放到具体问题严重的大区去直接执行的。

比如季节性问题,可能需要做数据预测,判断今年夏天修空调的消费者数量可能在哪个区间,然后大区内去解决服务方的问题。而持续性问题则很可能是整体的市场风向变化,需要迭代产品方向,走出第二曲线。

所以,接下来就需要明确问题的第二个背景:谁来搞定这些问题?

第三步:理清工作流程

在不同的工作环节上,可能涉及到的部门梳理出来。如:

在大的部门下面,又有不同的小的部门解决垂直型的问题。而营销部门和运营部门基本都会有大区的分配,每个大区间又存在着差异化。

以营销侧为例,针对不同的岗位,又有「战略级、战术级、战斗级」不同的思考方式:

  • 总部营销:不同层级的客户带来的平均价值是什么,应该往哪几个方向发力更有可能达成目标?
  • 大区经理:我的大区内企业、个人的工单占比是多少,价值客户的分布在哪里,我如何调配先有资源?
  • 营销小组:我派多少人哪里搞推广、搞多久、什么时候搞能拉来多少客户?

同时To B和To C的思路又存在差异。如:

拆解到这一步,就完成了定性分析。

我们可以发现「提高单位时间工单完成量」只是一个指标,确定了问题在哪个部门、哪个层级,才能的将问题的解决方案具象化。

如:

  • 公司的完成单量整体上比较低,是系统性问题,是前端需求量较少导致的。那么解决问题的部门很有可能指派到营销总部。这时的建议就需要往引流策略上思考:做To B还是做To C?历史高价值的客户分布在哪些渠道?当前能否参考历史经验扩大?先有的资源需要投入多少,预计多长周期完成优化?
  • 公司的整体完成单量还可以,只是某几个大区季节性问题比较明显,到了正月没人接单了。那么解决问题的部门基本就是大区经理内部解决。这时的建议就要往服务运营商思考:如何判断大区内供需结构?是需要临时改变机构接单的距离范围,还是要多签本地机构和个人师傅?个人师傅可能分布在哪个片区?新增的服务人员达到多少可以完成?

可以看到的是,针对于总部的「大型策略」的优化建议,其实很难通过一两次分析得出具体的建议,而更多的是需要设计实验,来进一步确定方向。至于实验如何设计,我们这里就先不过多赘述。

而针对具体执行部门的建议就会相对清晰,只需要理清业务流程,找到供需优化的方案即可。

那么,完成了具体的定性分析之后,最后一步,就是提出数据化的定量的建议,帮助执行部门制定执行计划。

第四步:数据化的表达

将口语化的表达转化为数据化的表达,是数据分析人员非常重要的能力。

所有的可执行的建议,都是需要经过计算的:

通过精确计算后的数据建议,远比「优化」、「多搞」这些无法量化的词汇更容易让人接受。

听汇报的人也更容易依据这些数据来制定具体的工作策略。在工作中,锻炼自己「用数据说话」的能力对数据落地非常重要。

三、小结

在工作场景中,想要把数据建议落地,一定要对企业的业务模式、管理模式有了解。才能站到不同的业务方的视角为他们提供可执行、可落地的建议。

每一次分析,都需要经历这四个流程:

  • 找到业务主干,明确问题在哪;
  • 判断问题类型,明确解决方向;
  • 弄懂工作流程,学习可以怎么做;
  • 定性后再精确的测算,学会数据化表达。

不要再一遇到问题就这么说:

  • 指标低了,所以要搞高;
  • 客户少了,所以要多搞引流;
  • 客户多了,所以要多搞点师傅服务。

也不要再跟策略总部说,某某大区要多搞B端客户,跟大区经理说优化匹配监督机制。因为你说的确实有道理,但是人家做!不!了!那不是人家的工作内容!

数据建议的落地既是数据的落地,也是工作流的落地,跟正确的人说正确的话,数据分析才能不断赋能业务,提高生产力。

专栏作家

汪浩,公众号:只说人话的汪Sir,人人都是产品经理专栏作家。资深数据分析师,曾服务于上百家企业,对电商、社交、游戏、零售及泛互联网均有数据经验。

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 Unsplash,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. 目前还没评论,等你发挥!