[[396551]]

本文轉載自微信公眾號「接地氣學堂」，作者接地氣的陳老師  。轉載本文請聯系接地氣學堂公眾號。

很多同學很憂慮地問我：“陳老師，能不能講點數據分析怎么真刀真槍幫企業掙錢的例子，給我們一些信心”。今天我們就來講這個。

出于正本清源的目的，之前我們分享的是數據分析如何體系化服務業務，這才是數據分析的真正用處。但如果真的問我，有沒有奇門遁甲的手段，直接拉動業績增長?

當然有!

本質上看，想拉動業績增長，要達到兩點：

• 業績真的在增長
• 所有人認為業績是我們在拉動增長

標準定好，下邊帶大家看5個經典例子

1銷售團隊效益提升(業務員收入提升)

曾經有一個銷售團隊提升的項目，目標是提升銷售團隊業績。大家知道，和銷售部門打交道，最難的不是數據分析過程，而是這幫大爺很難溝通。

做得好的銷售總是居功自傲，做得不好的人員素質太差，你跟他講數據分析丫根本聽不懂，也聽不進去。那怎么影響他們呢?

對數據分析不感興趣，對收入感不感興趣?——從這個角度切入，我設計了一個戰術：先找HR拿了銷售團隊的人員名單和收入情況，然后做了一個分類。先把Top20%的人踢出去，然后只看剩下的弱雞們。分析的思路，不是如何幫弱雞們成為Top20%的高手，而是如何幫弱雞們達到一個小目標：一年6個月以上月薪6000。

這就像給差生補課，如果一開始就教他如何考100分，丫從心理上就抗拒：那些考100分的都是怪物，與我何干。但如果一開始教他：你考到60分就不挨打了。他就會很有動力去學習。

分析結果出來，銷售部領導們看了兩眼直放光。所有人立刻表示分析這個思路好，要立即執行。結果團隊平均水平大幅度提升，總業績自然出來了，更關鍵的是：所有人都認可這是分析的成績。

這個例子第一個講，是因為它體現了兩個數據驅動業績的基本思路：

• 從業務部門感興趣的角度，先引起足夠重視
• 幫助業務從0做到60，優先解決最大多數的問題
• 后續很多案例，都是在這個基礎上的延伸和擴展。

2門店效益提升(大家都來看美女)

曾經有一個門店效益提升的項目，看起來和實例1差不多，但面臨的問題不一樣。

解決一個人的問題，比解決一個門店的問題要簡單。一個業務員只要話術、知識點、行動力到位，怎么著都能及格。

但門店考慮進銷存，考慮不同產品布局，考慮因素更復雜。而且，門店總有理由：我們這個店的位置不好，情況很特殊，不能一概而論。還動不動沖著我們咆哮“你開過幾年店!”。

怎么辦呢?

如果我說不服他，鄰居家的孩子能不能說服他呢?——從這個角度切入，我設計了一個戰術：先建立一套標準的門店數據考核指標。之后，對每個大區經理下邊的門店排名，排出1,2,3以后，如果哪個門店的導購小妹當日業績大區第一，就直接把小妹的頭像在BI里置頂給所有人看，大區經理親自發紅包表示嘉獎。

于是引發了一系列連鎖反應：

• 先是小妹知道了置頂人人都能看到，就把自己的照片PS得像安吉拉寶貝兒曬出來;
• 其次是大家為了看美女，天天都打開BI看報表，解決了報表打開率問題;
• 再往后，所有店長都在問：她是怎么做到的?于是查看這個小妹所在門店的產品銷售結構，促銷參與率，會員到店率等指標。

為了體現是數據分析的作用，我專門把這些數據隱藏起來，做個大按鈕：猜猜她咋做。非得讓店長們點擊才能看，結果這個按鈕的點擊率從0%迅速增長到70%。大家一致表示這個數據才好用的，簡直是業績增長百寶箱。

這里又有兩個數據驅動業績的基本思路：

• 借力打力，利用數據樹立標桿，讓業務更容易信服。
• 使用率是第一指標，有使用率才有重視度，有重視度才能產效益。

實際上失敗BI項目，大部分死在這兩點。一般的BI系統，每日報表打開率只有10%左右，根本沒有被充分用起來。業績指標好與壞，是數據分析師自己拍腦袋拍出來的，沒有和一線情況結合。導致推出一線后根本沒人例會，該怎么做怎么做。最后BI淪為一個空架子，業務部門要取數的時候，還是下單跑sql。

3商品銷量提升(背后的秘密)

這個是很常規的，電商提出的提升商品銷量的需求，只不過實現目標的方法很雞賊。接這個項目的時候，推薦系統還沒有今天這么多花樣。某公司數據部花大力氣做了這個功能，卻沒有實現“啤酒與尿布”一樣的效果，急得團團轉。

問題就出在啤酒與尿布上!如果真是兩個銷量好的大品類相互關聯，怎么體現是“數據”的作用呢?——回顧一下，我們開頭說的定義：既要真的見效，又得讓大家認為是數據做的。真找啤酒與尿布這種大品類，費盡力氣漲個2%，5%，還要和別人爭論這到底是數據做出來的還是自然波動。為啥不找小品類呢?

于是，還是做關聯分析，但是我們縮小了商品范疇，找小品類、高毛利的商品;我們也縮小了用戶范疇，從存量用戶里找潛在用戶群體，盡可能一網下去多撈一些用戶，讓活動聲勢做大。

小品類日常銷售額低，一做活動就能看到效果。而且小品類庫存多，即使沒有增加額外利潤，清庫存本身也是大功一件。高毛利意味著補貼力度相對大一些，重賞之下必有勇夫。結果一打一個準，連續清了數個品類的庫存，引起領導的關注和認可。

當然，時過境遷，這個年代已經沒人再質疑做推薦系統這件事。大家已經被人工智能阿爾法大狗子洗腦洗得深入骨髓?？蛇@種思路仍然有效。去平均化，在任何年代都不過時。

4精準預測銷量(大幅降低庫存)

這個項目接得特別忐忑，因為聽客戶說，之前他們已經炒了5個內部的數據挖掘工程師了。因此每次銷量預測都差一大截，惹得老板龍顏大怒。雖然不知道這事是真是假，但足以嚇得人瑟瑟發抖。

既然是預測得不準，那到底是預測多了還是預測少了?——我下意識地問了這個問題，卻意外找到了解答的鑰匙。原來每次模型預測值都偏大，導致庫存積壓，老板才會不滿。但如果給的預測值偏小，業務部門就會跳起來說預測太少了，影響銷量?？蓪嶋H上，影響銷量根本就沒有發生過，從來都是數據挖掘工程師為業務部門備貨太多背黑鍋。

原來如此啊，那辦法有了。因為預測的是總銷量，而業務部門理論上可以分批備貨的。所以調整了一個重要環節：把預測值拆成上線4周，8周，12周的三個值。這樣給到業務的建議，就是預備貨XX萬，第一次增補XX萬。

名義上，說得是時間越長預測越不準，所以要拆分時間。實際上，縮小了第一次備貨的預測值。把業務部門喜歡一次性備貨太多的問題暴露出來。這樣領導們看得很清楚，到底是誰的問題，再也沒有怪過預測了。

這個做法其實很投機，可包含了一個重要理念：提高精度與降低錯誤，是一個問題的兩面，選擇哪一面考核分析結果至關重要。比如銷量預測，很多商品毛利也就5%，意味著模型預測的精度至少得95%以上，不然還是會因為預測不準導致賠得底掉。如果一味苛責銷量預測的準確度達到99.9999%勢必會導致過擬合問題，訓練的模型也很脆弱。

但如果是“通過銷量預測，降低庫存風險”，那就容易做得多，因為根本不存在0積壓的商品。一積壓就要花動輒數百萬經費銷存貨，那把過量的庫存砍下來10%，20%，已經為公司省了數十萬成本。也是大功一件。

在評價模型效果的時候，結合商業上目的考量，既能有利業務，又不用逼死自己。

5清理薅羊毛用戶(好鋼用在刀刃上)

這個聽得太多了，現在已經成為營銷運營類項目的常態。但最早在傳統行業接到類似需求的時候卻很困難。當時是一個商旅住宿類企業做會員卡項目。公司剛上CRM，基礎數據一塌糊涂，只有簡單的會員卡和消費數據。業務方也沒抱啥指望。

死馬當活馬醫，我們對用戶先做個十分位看看。結果意外地發現排序最底的20%的用戶，居然平均客單價比正常水平低了一大截，低到客戶市場部都費解：我們從來沒有這么便宜的房間啊!

結果抽樣一查，是一幫標準的羊毛黨。于是順勢清理各種優惠券規則，定義真正核心用戶，把經費都投到核心用戶身上。光靠清理，多出來20%費用，有錢了，當然出成績。

類似的操作，之后做了很多，比如幫銀行積分商城清理套積分，幫電商清理套券的，等等這些做法其實很簡單，可包含了一個重要理念：投入產出比。

投入產出比，是投入/產出。如果硬拉動產出很難，能不能削減無效投入呢?當然可以。而且削減的空間往往很大。特別是互聯網公司，燒錢做增長燒得不亦樂乎，往往是錢燒完了就死，這個問題就更有價值了。

通過數據分析，我們可以輕易地通過消費頻次和消費習慣，區分出來那些“無券不至”的用戶，區分出哪些是偶爾薅羊毛，哪些是職業撈家，從而優化營銷規則，提升效率。

更重要的是，這是結結實實地給公司省出一大筆營銷費用，比啥都實在。需要注意的是，啟動這個問題的探索，并沒有用什么復雜的數據，但數據量少并不影響我們持續開展工作。

6小結

以上是五個我常講的經典案例。至于更常規的，比如：

• 做關聯規則提升交叉銷售機會
• 做推薦算法增加用戶購買幾率
• 做標桿分析提升銷售團隊績效
• 做渠道分析優化廣告投放
• 做LR模型提升外呼響應
• 做用戶分群篩選核心用戶

這些太過基礎，有空可以慢慢分享。其實數據驅動業務增長，只要業務部門態度配合，數據分析不大吹大擂，老板目標值不過分膨脹，是很容易實現的。

有心的同學也發現了，上邊分享的五個例子，都是在業務方不怎么配合，數據分析師企圖正面突破問題無果的情況下，采用的特殊辦法。

所以陳老師開場才會說，這些都是奇門遁甲，不是光明大道?？膳e這五個例子的意義也在此：數據分析師不是大學教授，數據分析師要在企業里做出成績，靠的不是自己閉門造車，而是充分深入一線，合理的定義問題，勾起合作方的興趣，找到合作方的真正需求，一步步推動，甚至曲線救國來實現。

即使環境再艱難，我們也有辦法。不要對自己喪失信心，畢竟最艱苦的時代已經熬過來了?，F在要做的，可能更多是教育大家：數據分析不是保健品，數據分析不是一運行代碼就能從電腦里吐鈔票。