如何基于数据分析给出运营建议？
副标题[/!--empirenews.page--]
有同学问：“如何基于数据分析提出运营建议”，今天我们拿个简单的题目来举例。这个题目陈老师之前讲过，有印象的同学应该还记得。再举一次，是因为每到招聘季都有人把它搬出来，而且有关它的大部分讲解，都是错的。 已知，下图是某个电商一周销售金额走势（具体数据都差不多，总之曲线长这样），问：数据反映什么问题，怎么提运营建议？
很多同学一看这个数据，本能的回答就是：最后两天低了，要搞高 问题就从这里开始…… 为什么不能写要搞高？因为如果面试官多问一句：你准备搞到多高？就能把“要搞高”三个字干废了，无论怎么后续怎么解释都解释不清（如下图）。
这就是：“说话的一张嘴，做事的跑断腿”的直观体验。 “要搞高”三个字说起来轻松，可做起来一堆问题：
所以说做数据分析的，要对业务常存敬畏之心，不然光空口白话，会被人笑话的。
真要提建议，当然得从第一个问题开始——为什么非要搞高是最初的判断，也是最重要的判断。判断错误会把整个方向带歪，搞得大家兴师动众劳而无功，所以一定要慎重。 第一个建议是要不要搞为什么不是低了要搞高？ 是因为很多业务都是周期性波动的，比如休闲类消费就是周末高，平时低；B2B交易就是工作日高，节假日低。 碰上小长假之类的，除了吃喝玩乐大部分其他交易都会停。所以得多看几周数据，看过往趋势。 有些商品交易有明显生命周期性，比如手机都是新上市的卖的好，过一段时间性能落后淘汰了就自然会差。 题目仅给了一张图什么条件都没说，所以有可能这是某个（或者某些类）商品的生命周期末尾，因此还得看具体品类。 我们还不知道，到底这一周交易的目标是多少，如果目标已达成，那即使低一点又有啥问题，所以还得看任务目标。 综上，想说：要搞高，前提是先判定这个数是低。这样就得先找标准。我们得综合趋势、品类生命周期、任务目标，综合下结论（如下图）
很多同学说，这一步看起来很简单呀，不就是把曲线拉长吗。实际上情况可能很复杂。请注意，简单是建立在：
如果情况1不成立：比如是阅读量、用户数这种过程指标，判定就变得复杂。 你得看这些过程指标的涨跌，和销售金额、毛利这种结果指标间有没有直接关系。如果是转化率这种比率型指标，就得先看是分子小了还是分母小了。 如果情况2不成立：往往意味着一种特定的业务行为。比如下边两种很常见的场景，在整体达标的前提下，内部结构发生了有趣的变化，这种变化到底是好还是坏，会不会眼前看着达标，后边几期数据就不达标，都有可能，这时候就得更深入的分析。
第二个建议是要搞多高如果经过判断有问题，真的要搞高，那第二步的判断就是：要搞多高？ 很多人会说：不是越高越好吗？ 显然不是！ 应该是：在投入一定的情况下，越高越好。 你的商品主管、用户运营、产品经理、网站开发在短期内的投入能力都是有限的，因此得定个合理的小目标。 如果上一步做的很扎实，那么这一步就非常好做：
当然，以上都得和具体品类结合。如果题目没讲清楚，可以根据自己的理解假设情况进行深入。不深入，越到细节讨论，可能性就越多，越难讲清楚。 第三个建议是谁来搞再往下建议，先定干活的人，再讲具体怎么干。注意，不同部门可以干的事是有区别的。
因此想提有用的建议，得先明确是提给谁的。 这里就需要拆解问题，落实到具体产品品类、用户等级上。 但在拆解之前注意：先区分是整体性问题，还是局部性问题：
第四到第N步建议再往下继续提建议，会涉及到具体怎么做。 请注意，“怎么做”是不能直接从数据层面推导的。比如在上例一中，我们看到了A产品销量下降是引发问题的关键，但是是选择C产品替代A，还是基于A重新做活动，还是全站导流呢？这里需要业务的专业判断。 数据可以做的分两种：
基于这两点，先判断整体策略方向：到底用什么手段，用多少投入。 之后才是细节：具体哪天上什么产品、优惠力度是多少、发券面向多少人…… 在更细节层面，比如券面额，活动形式上，可能还得配合一些ABtest才能得到最后结果。 这样层层深入，每一步都基于之前获得共识的判断，能非常有效的助力业务思考，也不容易被推翻。 既不是一上来抛个宏大的话题：“要搞高”，也不是一下踩到很细的细节：“老夫掐指一算，只要在2月5日派200张面额50满200减50全场通用的券，定可逢凶化吉扭亏为盈”。 这才是数据分析真正发挥作用的方法。 小结（编辑：好传媒网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
