經常有同學在工作中抱怨，感覺“做的分析沒有啥業(yè)務價值，報表丟出去了也沒回應”。到底怎么做才能讓數據分析體現(xiàn)價值，今天結合一個具體場景，詳細講解一下。

問題場景

某同學入職一個公司會員中心，雄心勃勃地想建立“數據驅動業(yè)務”機制，為此，規(guī)劃了一堆：

• 建立全鏈路數據指標體系，反應運營情況
• 建設3000個會員標簽，豐富會員畫像
• 建立RFM模型，對會員分層
• 建立預測模型，針對會員購買行為進行預測
• 建議推薦模型，針對會員購買商品進行推薦

規(guī)劃交上去，卻被領導一頓批斗：“你這做的有啥業(yè)務價值？！”該同學非常不理解，不是一提及用戶分析，就是用戶畫像、RFM、分層、推薦，難道還有啥神秘力量我不知道？為啥這些東西會被噴“沒價值”呢？？？？

從“什么算價值”說起

這個問題，得從“什么算數據分析的價值”說起。如果我們是乙方公司，是數據產品、咨詢公司，那么我們可以提前做一堆工具，比如BI、數據模型、CDP等等，然后賣給甲方。這個算是數據分析價值的直接體現(xiàn)了。

但換個場景，我們現(xiàn)在是甲方公司的，數據是直接服務業(yè)務的。此時數據分析的價值，就是由“到底幫助了業(yè)務多少”來定義的。如果：

• 我們給的數據，業(yè)務已經看得到了
• 我們做的預測，業(yè)務根本不需要
• 我們做的分類，業(yè)務壓根看不懂
• 我們做的畫像，業(yè)務找不到地方用

那就是沒價值呀。這個和“大家做的都是這些分析”一點關系沒有，只要我們公司的業(yè)務用不上，丫就是不會被認可。

因此，想要提升數據分析的價值感，就不能“拿著錘子找釘子”，先輪出一堆“用戶畫像、RFM、關聯(lián)推薦、行為預測”的大錘，然后看哪里能錘一下，而是看：“到底我們的業(yè)務需要什么”。

注意！業(yè)務需要什么，也不是直接問問了事，因為很有可能：他們需要你算命。

拆解業(yè)務問題

如果你直接去問業(yè)務：“你想要什么”，很有可能你會聽到：

• 我想100%精確預測下個月商品銷量
• 我想100%準確知道用戶流失原因
• 我想100%準確預測活動參與人數
• 我想100%準確判斷用戶想要什么最后還有可能跟你客氣一句：“100%做不到，98%也行，咱不糾結”。

如果真拿這個需求來做，那鐵定做不出來。為啥?因為商品銷量、用戶流失、用戶需求，這些都是經過業(yè)務手段影響后的綜合性結果。比如用戶本來不想買，結果業(yè)務派了券，用戶想買了。此時得先知道：業(yè)務會不會派券，會派多大額度的券，才能預測結果。

這意味著即使可以建模預測，也得先知道：“業(yè)務手段是什么”。這顯然和業(yè)務需求不符，這幫人還等著我們100%精準預測出來，然后看著預測結果做行動呢。所以不要直接生吞業(yè)務需求，而是拆解業(yè)務需求，找到可以做的發(fā)力點。

比如“100%準確知道用戶流失原因”，多問一句：知道以后又能如何？

• 有些用戶貢獻很低，他流失了，真的值得挽回嗎？
• 有些用戶對我司產品沒需求了，我們真的會改進產品嗎？
• 有些用戶需求和我司存量用戶相沖，我們真的要討好這些人？
• 有些用戶就是來薅羊毛的，我們真的要無節(jié)制滿足他們？5、……

結合業(yè)務場景，往下拆解需求。就會發(fā)現(xiàn)：大部分情況下，業(yè)務能做的事情是非常有限的。特別是短期內拉升某些指標，可能可用的手段，就是派券/發(fā)信息，沒了。而長期內的改進，又是和業(yè)務整體規(guī)劃密切相關的。因此聚焦到業(yè)務可以做的事情上，就能保證數據一定能被業(yè)務用起來。

這里有個常見的務求，就是拆解需求，不按業(yè)務可做的事拆解。而是單純在數據層面繞來繞去。比如分析用戶流失情況，就把所有的流失用戶名單撈出來，然后丟一大堆性別、年齡、過往消費……等等描述性統(tǒng)計結果。這樣看似給的數據多，可依然和業(yè)務行動是脫節(jié)的，業(yè)務看完依然很迷茫，依然會反問“所以呢？所以我能做什么？”

尋找業(yè)務盲點

拆解完問題后，可以進一步尋找業(yè)務盲區(qū)。找到業(yè)務盲區(qū)，對提升數據分析的價值感非常有用。因為業(yè)務并非對數據一竅不通，特別是和他們KPI相關的數據，一般盯得非常緊。如果丟出來的數據是他們早就知道的，那鐵定落得一句：“我早知道了，你分析的有啥用”的吐槽。

所以：

• 業(yè)務不知道什么
• 業(yè)務不確定什么
• 業(yè)務想測試什么是最能體現(xiàn)數據分析價值的地方

比如流失用戶問題，很有可能業(yè)務方每個月在固定投優(yōu)惠券，然后已經掌握了很多基礎數據，比如：

• 每月有多少用戶處于流失狀態(tài)
• 每月派多少召回用戶的券
• 每月從多少渠道發(fā)推送
• 每個渠道轉化率，召回率

這時候，如果再把這些數據講一遍，哪怕打著“建立完善指標體系”的旗號，依然會被噴“我早知道了”。所以基于現(xiàn)有數據，可以往下切：哪些是大家額外想知道的。

在這里，是否修改現(xiàn)有規(guī)則，是個關鍵問題。如果不修改，就基于現(xiàn)有的推送渠道，推送文案，推送券類型，做排列組合。找到轉化率最高的方式。如果要修改規(guī)則，就看業(yè)務上能做的事情是啥？比如提高面額，修改推送信息時間點，修改推送方式（比如基于用戶裂變），更換推送內容（比如不推券，推個爆款）。

是否要修改，是和業(yè)務緊密有關的。因為很多時候業(yè)務是沒有權限動策略的，策略是老板已經定死了的，只能做小修小補。而有時候，業(yè)務又很想修改策略，這時候就需要大量數據支持，需要先了解：業(yè)務想往哪個方向改。

比如業(yè)務方很想往：加大券力度方向調整。此時數據分析的思路，就是：1、找到哪些人群容易被券召回2、區(qū)分出這些人群中有價值的部分3、核算過往人群消費，給券力度提建議原則上，有消費力的人才值得大力度召回，這些細分數據，是業(yè)務方向老板要資源的時候需要特別強調，以打消老板顧慮的。給到這個級別的數據，就能極大支持業(yè)務動作，體現(xiàn)數據價值。

注意，這里做的分析內容，還是：

• 區(qū)分用戶過往消費，核算用戶價值
• 區(qū)分用戶對抵用券領取/使用敏感性，打“抵用券偏好”標簽
• 區(qū)分用戶對推送信息響應率，找高響應群體

但是清晰了：“這是業(yè)務特別需要的數據”以后，這些數據給出去，就能得到大家的認可。而不是不分青紅皂白，先做個RFM（分段規(guī)則還沒和業(yè)務確認）然后扔出去，業(yè)務看得一臉懵逼：所以呢？所以我可以干啥？？？做好經驗積累

還有一個很重要的，數據分析可以主動做的事，就是圍繞目標，積累經驗。業(yè)務部門處于本位考慮，經常是各自為各自項目搖旗吶喊，容易忽視不同項目之間交叉作用。比如用戶流失問題，很有可能流失的用戶本身是某些商品的粉絲，本身是季節(jié)性購物需求，他不會響應會員中心盲目派的券，而會響應商品部門推送的活動。

此時數據部門，可以主動收集各部門活動，以用戶為單位，展示各類活動影響用戶全景，這種全景式的數據，業(yè)務站在自己部門很少看得到，很容易引發(fā)業(yè)務思考。因此特別建議數據部門，主動收集各類業(yè)務動作，圍繞同一個業(yè)務目標綜合起來。這也是體現(xiàn)價值的方法。

小結

綜上可見，數據分析要基于業(yè)務，為業(yè)務服務，并不是一句空話，而是結合具體的業(yè)務場景與業(yè)務需求，具體討論業(yè)務可行范圍，拆解業(yè)務問題，逐一解答才能實現(xiàn)。