数据分析，怎么做才能“可执行”

很多同学在工作和面试时都遇到一个要求&＃xff1a;数据的分析要给出“可执行”的建议。“可执行”这仨字难倒了好多人。怎么才算可执行&＃xff1f;我要给销售一个可执行的建议&＃xff0c;所以我要自己去卖几百万的货&＃xff1f;我要给内容运营一个可执行的建议&＃xff0c;所以我要建议她在标题里“震惊&＃xff01;”“沸腾&＃xff01;”一下&＃xff1f;我平时就会写&＃xff1a;“活跃率低了&＃xff0c;要搞高”&＃xff0c;该咋办呀&＃xff01;以上种种问题&＃xff0c;今天系统解答一下。

什么叫可执行

很多做数据的新人&＃xff0c;喜欢写&＃xff1a;活跃率低了&＃xff0c;建议搞高。这就是典型的“不可执行”的建议。“搞”是一个动词&＃xff0c;光秃秃一个动词丢出来&＃xff0c;别人铁定问&＃xff1a;谁来搞&＃xff1f;要搞谁&＃xff1f;在哪搞&＃xff1f;怎么搞&＃xff1f;搞多少&＃xff1f;……一连串连珠炮似的问题。

面对这种疑问&＃xff0c;没有经验的同学会直接被突突晕掉。可有经验的同学知道&＃xff0c;这里是有套路的&＃xff0c;就是5w2h方法&＃xff0c;按这个思路梳理需求&＃xff0c;就很容易整明白&＃xff1a;到底要具体到哪些细节&＃xff08;如下图&＃xff09;

然而梳理完成后&＃xff0c;又有一个新问题&＃xff1a;怎么从数据里推导出这些细节呢&＃xff1f;这里要结合具体的例子来讲。我们就举在线教育的例子&＃xff0c;假设你是一个在线教育机构数据分析师&＃xff0c;虽然全世界都在吹“在线教育2020年要火”可眼前就是光见花钱圈用户&＃xff0c;收入不见提升。领导要求你分析出“可执行”的建议了&＃xff01;咋办&＃xff1f;咱可以这么做。

▌第一步&＃xff1a;清晰宏观方向  

虽然具体的方案千差万别。但是归根溯源&＃xff0c;都跟俩个东西有关&＃xff1a;

• 时间紧迫性&＃xff1a;需要用多久解决问题

• 资源丰富性&＃xff1a;到底有多少投入

两者对干货方法的影响&＃xff0c;如下图所示。

所以想让自己的建议可行&＃xff0c;首先得保证宏观上的判断正确&＃xff1a;

• 这个事是多大的事&＃xff0c;要搞到什么程度才算结束&＃xff08;why&＃xff09;

• 这个事是不是现在要搞&＃xff0c;能预留多久解决&＃xff1f;&＃xff08;when&＃xff09;

把这两个定下来&＃xff0c;后边就能调配资源&＃xff0c;才能谈细节

我们给的场景是&＃xff1a;光见花钱圈用户&＃xff0c;收入不见提升。到底用户增长&＃xff0c;收入增长情况如何&＃xff1f;通过趋势分析法&＃xff0c;可以进行初步判断&＃xff0c;比如下边两种场景&＃xff0c;对应的问题严重性&＃xff0c;紧迫性就不一样。

经过趋势判断&＃43;目标计算&＃xff0c;我们可以得出一个大致范围。比如&＃xff1a;

• 如目前趋势持续3个月&＃xff0c;年度销售目标将无法达成

• 想达成目标&＃xff0c;以下三个月必须扭转局面

• 需要把人均付费做到1000以上

• 需要至少拉动20000个付费用户

有个这个测算&＃xff0c;我们就对宏观形势有了判断&＃xff0c;可以争取资源&＃xff0c;锁定工作范围。

注意&＃xff1a;很多做数据的同学&＃xff0c;在这一步会很纠结。越是做数据的&＃xff0c;越想用一个精细的模型来论证未来走势。经常做项目的人完全不这么干&＃xff0c;他们反而倾向于简单的加减乘除算账&＃xff0c;语言表达也很简单直接&＃xff1a;“现在一个月就500万上下&＃xff0c;不做到1000万任务完不成&＃xff01;&＃xff01;&＃xff01;”

这是因为&＃xff0c;这里测算是为了争取资源&＃xff0c;需要领导们认同。因此&＃xff1a;越复杂的方法&＃xff0c;反而越容易误导决策&＃xff0c;越容易让人们把精力放在“数字算的对不对”而不是“这个事到底该不该做”上。越简单的推算&＃xff0c;反而越容易让不同知识背景、能力层次、认知水平的领导们达成共识。最终推动事情往下做。

所以如果做数据的同学们真想做可执行的建议&＃xff0c;一定要控制自己的纠结程度。牢记&＃xff1a;“说服别人才是第一目的&＃xff0c;达成共识才是最终结果”&＃xff0c;千万别自己陷进细节出不来了。

▌第二步&＃xff1a;落实作战范围   

明确了方向&＃xff0c;锁定资源以后&＃xff0c;可以具体讨论该怎么干活。这就涉及&＃xff1a;

• 谁来干&＃xff1f;&＃xff08;who&＃xff09;

• 哪里干&＃xff1f;&＃xff08;where&＃xff09;

• 干谁&＃xff1f;&＃xff08;what&＃xff09;

这三个问题。

真想让项目落地&＃xff0c;选中责任人是最重要一环。责任不清楚&＃xff0c;事情没人理。做数据分析的同学们往往缺少这个责任意识&＃xff0c;只是泛泛建议&＃xff1a;“要推高客单价产品&＃xff0c;要加强付费刺激&＃xff0c;要做多活跃用户”。这种建议当然不够落地了。比如“做多活跃用户”&＃xff0c;既可以让渠道多拉一些优质客源&＃xff0c;也能让运营多做一些拉活跃活动&＃xff0c;还能让商品管理出一些吸引力商品&＃xff0c;几乎人人工作都和它有关。人人负责就等于人人不负责&＃xff0c;所以泛泛而言是无法落地的。

这里有三个问题&＃xff0c;在实际解决时候反而没那么复杂&＃xff0c;因为企业的组织架构往往和任务是捆绑的。往往锁定了where或者what的同时就把who一起搞掂了。所以熟悉组织架构&＃xff0c;了解每个部门对应哪个环节&＃xff0c;哪个群体进行工作&＃xff0c;非常必要。

在线教育机构&＃xff0c;可能组织架构与任务对应如下图&＃xff1a;

因此&＃xff0c;对分析而言&＃xff0c;这里最要的是&＃xff1a;找到关键问题症结&＃xff0c;集中发力。比如原问题&＃xff1a;光见用户多&＃xff0c;不见收入涨。可以衍生出若干假设&＃xff1a;

1. 投放问题&＃xff1a;用户本身质量不高&＃xff0c;对课程没有需求

2. 推广流程问题&＃xff1a;推广环节多&＃xff08;比如先拉群&＃xff0c;听直播再推付费课&＃xff09;&＃xff0c;效率低

3. 运营问题&＃xff1a;学生复购低&＃xff0c;原本推出来引流的课程无转化

4. 课程质量问题&＃xff1a;课程吸引力低&＃xff0c;竞争力差

之后分别寻找数据&＃xff0c;验证假设推导出核心问题。

注意&＃xff1a;这是数据分析师最能发挥作用的地方&＃xff0c;没有之一。因为一般业务部门讨论这些问题的时候&＃xff0c;都会陷入本位主义&＃xff0c;大家相互指责&＃xff0c;都想证明自己没问题。或者大家争抢资源&＃xff0c;都想证明自己的环节最重要。特别在在线教育&＃xff0c;这种串行业务逻辑&＃xff0c;上下游争吵更激烈。数据分析师作为第三方角色&＃xff0c;可以输出更有说服力的答案。

▌第三步&＃xff1a;锁定执行细节    

假设在第二步分析中&＃xff0c;我们明确了&＃xff1a;

• 首要问题内容产出不佳&＃xff0c;对用户吸引力不够

• 次要问题是投放力度不足&＃xff0c;需要增加投入

• 产品本身和竞品差异不大&＃xff0c;不怕竞争

那么在第三步&＃xff0c;可以聚焦解决“如何设计优秀内容&＃xff0c;做好投放”上了。这样分析建议离落地只差最后一步&＃xff1a;建议以何种形式做。

大量数据分析同学都倒在了这一步。往往大家一听“如何做”就怕了。“我是真不会写文案啊&＃xff01;”其实完全不需要大家自己写。站在数据分析角度&＃xff0c;关注的不是某个具体idea&＃xff0c;而是哪个套路更管用。所谓&＃xff1a;方向不对&＃xff0c;努力白费。结合数据&＃xff0c;找到更好的套路&＃xff0c;才是数据分析的作用方式。

想找套路&＃xff0c;就要先研究套路。这里需要数据分析师对常用的业务套路所有了解。比如在线课程&＃xff0c;是有常用推广方式的&＃xff1a;

有了分类以后&＃xff0c;我们可以对每个分类推广效果做分析&＃xff0c;找到&＃xff1a;

1. VS自身&＃xff0c;哪个类型推广更容易达成效果

2. VS行业&＃xff0c;哪个类型与同业差异最大

3. VS时间&＃xff0c;哪个类型可以持续用

这样在最后给建议的时候&＃xff0c;可以给的非常精准&＃xff1a;我们是XX类做的太少&＃xff0c;需要加大力度到XX水平就能达成目标。比起空口说“要多做内容引流”&＃xff0c;我们在开头已经计算过具体还欠多少业绩&＃xff0c;因此完全可以根据每一类引流ROI&＃xff0c;推算出花多少钱&＃xff0c;达成多少效果。已经给足了时间和经费&＃xff0c;后续想再做创意也有了空间。

小结

纵观整个过程&＃xff0c;大家会发现通过数据分析解决可执行问题&＃xff0c;是一种从上自下层层递进的方法。先确保方向正确&＃xff0c;再落实到具体责任人&＃xff0c;再具体到对象&＃xff0c;再看具体操作大类的投入产出&＃xff0c;至于最后的创意&＃xff0c;能有就有&＃xff0c;没有拉倒。反正给足了时间、费用&＃xff0c;只要做到平均水平&＃xff0c;也能交差。颇有一种“只要开好了分矿&＃xff0c;你平A过去就赢了”的感觉。

当然&＃xff0c;这种层层递进的逻辑方法&＃xff0c;也是数据分析的短板。从经验上看&＃xff0c;数据分析师做的方案往往倾向于保守&＃xff0c;往往缺少创意&＃xff0c;这些都是太过理性的后遗症。而实际上商业成功往往不是理性的结果。天才的创意、勇猛的胆识、无敌的运气、过人的机智、诱人的魅力、不可挑战的权力&＃xff0c;可能都是成功的因素。

然而&＃xff0c;数据分析的独特吸引力也在这里。你会发现创意、机智、魅力是天生的&＃xff0c;权力、运气可遇不可求的&＃xff0c;胆识加在蠢人身上就是灾难。唯独数据分析能力是可以通过学习、训练、实验、记录来不断提升的。所以基于数据提可行性建议&＃xff0c;可能不会被采纳&＃xff0c;但只会越来越被重视。经济大潮来了&＃xff0c;怎么都能成功&＃xff0c;现在水势不明的时候&＃xff0c;就是数据方法大放异彩了。与大家共勉。 

往期精选&＃xff1a;

• 你使用过哪些数据分析的方法&＃xff1f;

• 用户细分&＃xff0c;该怎么分才最见效果数据分析&＃xff0c;怎么做才能驱动业务&＃xff08;生活教学版&＃xff09;

• 用户流失&＃xff0c;该怎么分析&＃xff1f;

• 用户画像&＃xff0c;该怎么分析&＃xff1f;
  

想了解更多数据分析在商业中的具体应用&＃xff0c;做“可执行”的数据分析&＃xff0c;购买《商业分析全攻略》视频课程&＃xff0c;加入陈老师学员群&＃xff0c;可全面系统学习商业分析的方法、思路和工具&＃xff0c;并在遇到实际难题时获得陈老师一对一指导&＃xff0c;点击左下方“阅读原文”了解课程。

扫描关注&＃xff0c;更多超棒分析思路及职场经验分享