用5个推动业务增长的实例说说数据分析的作用
共 4412字，需浏览 9分钟
·
2021-07-10 01:23
本质上看，想拉动业绩增长，要达到两点：
● 业绩真的在增长
● 所有人认为业绩是我们在拉动增长
标准定好，下边带大家看5个经典例子
1
销售团队效益提升（业务员收入提升）
曾经有一个销售团队提升的项目，目标是提升销售团队业绩。大家知道，和销售部门打交道，最难的不是数据分析过程，而是这帮大爷很难沟通。
做得好的销售总是居功自傲，做得不好的人员素质太差，你跟他讲数据分析丫根本听不懂，也听不进去。那怎么影响他们呢？
对数据分析不感兴趣，对收入感不感兴趣？——从这个角度切入，我设计了一个战术：先找HR拿了销售团队的人员名单和收入情况，然后做了一个分类。先把Top20%的人踢出去，然后只看剩下的弱鸡们。分析的思路，不是如何帮弱鸡们成为Top20%的高手，而是如何帮弱鸡们达到一个小目标：一年6个月以上月薪6000。
这就像给差生补课，如果一开始就教他如何考100分，丫从心理上就抗拒：那些考100分的都是怪物，与我何干。但如果一开始教他：你考到60分就不挨打了。他就会很有动力去学习。
分析结果出来，销售部领导们看了两眼直放光。所有人立刻表示分析这个思路好，要立即执行。结果团队平均水平大幅度提升，总业绩自然出来了，更关键的是：所有人都认可这是分析的成绩。
这个例子第一个讲，是因为它体现了两个数据驱动业绩的基本思路：
● 从业务部门感兴趣的角度，先引起足够重视
● 帮助业务从0做到60，优先解决最大多数的问题
● 后续很多案例，都是在这个基础上的延伸和扩展。
2
门店效益提升（大家都来看美女）
曾经有一个门店效益提升的项目，看起来和实例1差不多，但面临的问题不一样。
解决一个人的问题，比解决一个门店的问题要简单。一个业务员只要话术、知识点、行动力到位，怎么着都能及格。
但门店考虑进销存，考虑不同产品布局，考虑因素更复杂。而且，门店总有理由：我们这个店的位置不好，情况很特殊，不能一概而论。还动不动冲着我们咆哮“你开过几年店！”。
怎么办呢？
如果我说不服他，邻居家的孩子能不能说服他呢？——从这个角度切入，我设计了一个战术：先建立一套标准的门店数据考核指标。之后，对每个大区经理下边的门店排名，排出1,2,3以后，如果哪个门店的导购小妹当日业绩大区第一，就直接把小妹的头像在BI里置顶给所有人看，大区经理亲自发红包表示嘉奖。
于是引发了一系列连锁反应：
● 先是小妹知道了置顶人人都能看到，就把自己的照片PS得像安吉拉宝贝儿晒出来；
● 其次是大家为了看美女，天天都打开BI看报表，解决了报表打开率问题；
● 再往后，所有店长都在问：她是怎么做到的？于是查看这个小妹所在门店的产品销售结构，促销参与率，会员到店率等指标。
为了体现是数据分析的作用，我专门把这些数据隐藏起来，做个大按钮：猜猜她咋做。非得让店长们点击才能看，结果这个按钮的点击率从0%迅速增长到70%。大家一致表示这个数据才好用的，简直是业绩增长百宝箱。
这里又有两个数据驱动业绩的基本思路：
● 借力打力，利用数据树立标杆，让业务更容易信服。
● 使用率是第一指标，有使用率才有重视度，有重视度才能产效益。
实际上失败BI项目，大部分死在这两点。一般的BI系统，每日报表打开率只有10%左右，根本没有被充分用起来。业绩指标好与坏，是数据分析师自己拍脑袋拍出来的，没有和一线情况结合。导致推出一线后根本没人例会，该怎么做怎么做。最后BI沦为一个空架子，业务部门要取数的时候，还是下单跑sql。
3
商品销量提升（背后的秘密）
这个是很常规的，电商提出的提升商品销量的需求，只不过实现目标的方法很鸡贼。接这个项目的时候，推荐系统还没有今天这么多花样。某公司数据部花大力气做了这个功能，却没有实现“啤酒与尿布”一样的效果，急得团团转。
问题就出在啤酒与尿布上！如果真是两个销量好的大品类相互关联，怎么体现是“数据”的作用呢？——回顾一下，我们开头说的定义：既要真的见效，又得让大家认为是数据做的。真找啤酒与尿布这种大品类，费尽力气涨个2%，5%，还要和别人争论这到底是数据做出来的还是自然波动。为啥不找小品类呢？
于是，还是做关联分析，但是我们缩小了商品范畴，找小品类、高毛利的商品；我们也缩小了用户范畴，从存量用户里找潜在用户群体，尽可能一网下去多捞一些用户，让活动声势做大。
小品类日常销售额低，一做活动就能看到效果。而且小品类库存多，即使没有增加额外利润，清库存本身也是大功一件。高毛利意味着补贴力度相对大一些，重赏之下必有勇夫。结果一打一个准，连续清了数个品类的库存，引起领导的关注和认可。
当然，时过境迁，这个年代已经没人再质疑做推荐系统这件事。大家已经被人工智能阿尔法大狗子洗脑洗得深入骨髓。可这种思路仍然有效。去平均化，在任何年代都不过时。
4
精准预测销量（大幅降低库存）
这个项目接得特别忐忑，因为听客户说，之前他们已经炒了5个内部的数据挖掘工程师了。因此每次销量预测都差一大截，惹得老板龙颜大怒。虽然不知道这事是真是假，但足以吓得人瑟瑟发抖。
既然是预测得不准，那到底是预测多了还是预测少了？——我下意识地问了这个问题，却意外找到了解答的钥匙。原来每次模型预测值都偏大，导致库存积压，老板才会不满。但如果给的预测值偏小，业务部门就会跳起来说预测太少了，影响销量。可实际上，影响销量根本就没有发生过，从来都是数据挖掘工程师为业务部门备货太多背黑锅。
原来如此啊，那办法有了。因为预测的是总销量，而业务部门理论上可以分批备货的。所以调整了一个重要环节：把预测值拆成上线4周，8周，12周的三个值。这样给到业务的建议，就是预备货XX万，第一次增补XX万。
名义上，说得是时间越长预测越不准，所以要拆分时间。实际上，缩小了第一次备货的预测值。把业务部门喜欢一次性备货太多的问题暴露出来。这样领导们看得很清楚，到底是谁的问题，再也没有怪过预测了。
这个做法其实很投机，可包含了一个重要理念：提高精度与降低错误，是一个问题的两面，选择哪一面考核分析结果至关重要。比如销量预测，很多商品毛利也就5%，意味着模型预测的精度至少得95%以上，不然还是会因为预测不准导致赔得底掉。如果一味苛责销量预测的准确度达到99.9999%势必会导致过拟合问题，训练的模型也很脆弱。
但如果是“通过销量预测，降低库存风险”，那就容易做得多，因为根本不存在0积压的商品。一积压就要花动辄数百万经费销存货，那把过量的库存砍下来10%，20%，已经为公司省了数十万成本。也是大功一件。
在评价模型效果的时候，结合商业上目的考量，既能有利业务，又不用逼死自己。
5
清理薅羊毛用户（好钢用在刀刃上）
这个听得太多了，现在已经成为营销运营类项目的常态。但最早在传统行业接到类似需求的时候却很困难。当时是一个商旅住宿类企业做会员卡项目。公司刚上CRM，基础数据一塌糊涂，只有简单的会员卡和消费数据。业务方也没抱啥指望。
死马当活马医，我们对用户先做个十分位看看。结果意外地发现排序最底的20%的用户，居然平均客单价比正常水平低了一大截，低到客户市场部都费解：我们从来没有这么便宜的房间啊！
结果抽样一查，是一帮标准的羊毛党。于是顺势清理各种优惠券规则，定义真正核心用户，把经费都投到核心用户身上。光靠清理，多出来20%费用，有钱了，当然出成绩。
类似的操作，之后做了很多，比如帮银行积分商城清理套积分，帮电商清理套券的，等等这些做法其实很简单，可包含了一个重要理念：投入产出比。
投入产出比，是投入/产出。如果硬拉动产出很难，能不能削减无效投入呢？当然可以。而且削减的空间往往很大。特别是互联网公司，烧钱做增长烧得不亦乐乎，往往是钱烧完了就死，这个问题就更有价值了。
通过数据分析，我们可以轻易地通过消费频次和消费习惯，区分出来那些“无券不至”的用户，区分出哪些是偶尔薅羊毛，哪些是职业捞家，从而优化营销规则，提升效率。
更重要的是，这是结结实实地给公司省出一大笔营销费用，比啥都实在。需要注意的是，启动这个问题的探索，并没有用什么复杂的数据，但数据量少并不影响我们持续开展工作。
6
小结
以上是五个我常讲的经典案例。至于更常规的，比如：
● 做关联规则提升交叉销售机会
● 做推荐算法增加用户购买几率
● 做标杆分析提升销售团队绩效
● 做渠道分析优化广告投放
● 做LR模型提升外呼响应
● 做用户分群筛选核心用户
这些太过基础，有空可以慢慢分享。其实数据驱动业务增长，只要业务部门态度配合，数据分析不大吹大擂，老板目标值不过分膨胀，是很容易实现的。
有心的同学也发现了，上边分享的五个例子，都是在业务方不怎么配合，数据分析师企图正面突破问题无果的情况下，采用的特殊办法。
所以陈老师开场才会说，这些都是奇门遁甲，不是光明大道。可举这五个例子的意义也在此：数据分析师不是大学教授，数据分析师要在企业里做出成绩，靠的不是自己闭门造车，而是充分深入一线，合理的定义问题，勾起合作方的兴趣，找到合作方的真正需求，一步步推动，甚至曲线救国来实现。
即使环境再艰难，我们也有办法。不要对自己丧失信心，毕竟最艰苦的时代已经熬过来了。现在要做的，可能更多是教育大家：数据分析不是保健品，数据分析不是一运行代码就能从电脑里吐钞票。