做資料分析,如何給業務提

每逢要針對具體問題提建議的時候,很多人就慫了,提不出有見解性的建議。那麼究竟該怎麼針對業務問題提出一個解決建議?本文針對一個具體問題進行分析,四步帶你提出有效的業務建議。

做資料分析,如何給業務提

很多同學都討厭當工具人,然鵝每次遇到要提建議的時候就慫了,除了“指標降了,要搞高”,不知道還能說啥。今天拿個具體問題,給大家詳細介紹下:如何從資料得出可行的建議。

問題場景:某網際網路垂直電商企業,運營的老闆表示:A商品最近銷量挺好,想提高一下價格,以提升該類產品的整體利潤。現在作為資料分析師,你接到了這個需求,問:該如何做?

01 問題解析

首先,同學們要注意:這裡有幾個問題?

如果是業務部門聽到這種命令,本能反應是:“這裡有一個問題,老闆想提價,我要怎麼提價。”但資料分析師收到這種需求,就不是這麼解讀的。因為資料分析師首先要保證的是:領導決策建立在正確的事實之上,其次才是保證決策建議的可行性。

對資料分析師而言,這裡有兩個問題:

問題一:老闆口中的“最近銷量挺好”,到底是不是個事實

問題二:在問題一成立的前提下,思考如何落地

02 解題第一步:確認事實

在現實中,很多商業感覺並非建立在事實之上。此時、此刻,銷量是不是真的很好,是需要進一步驗證的。

並且這個任務最適合資料分析來做,業務部門捕捉商機,可能依賴的是自己的經驗、判斷、嗅覺,而資料分析捕捉商機,一定是靠資料說話。

要驗證問題一,需要排除的假設是:

不是真的好(僅僅比其他品類多了一點點)

是真的好,但不是現在好(這個資訊過時了)

是現在好,但屬於暫時/季節性/偶然性好(預計不持久)

是現在好,穩定的好,但已有資源投入(沒有漲價空間)

整個邏輯用MECE法歸納如下圖:

做資料分析,如何給業務提

很多新手資料分析師會忽略這一步。實際上,這一步非常體現資料分析師的價值。老闆只是隨口一說,資料分析師就把各種可能性一一排除,對老闆來說體驗非常好。顯得資料分析的工作做得很深入。實際上,何時漲價是有固定套路的,一般參照產品生命週期(如下圖):

做資料分析,如何給業務提

如果A品類生命週期走勢明顯優於過往同款,可漲;

如果處於生命週期的早期(上市期、成長期)可漲;

如果A品類處於供不應求狀態(庫存週轉快、銷量好)可漲;

反之,如果A處於生命週期後期、庫存仍有富餘、表現平平,則不應考慮漲價。可考慮搭售、滿減等手段。

03 解題第二步:區分經驗與測試

如果確認了第一步,可以做第二步工作:確定分析方向。第二步要先確認一點:過往有沒有做過類似調價?如果有,則基於上次類似調價場景,分析本次調價預計影響與可行性。如果沒有,就沒有歷史資料參考,則需要設計一個數據實驗,驗證方案可行性。這一點很能體現資料分析與業務的思路區別。如果換了業務,可能透過與客戶溝通、對使用者的洞察、對商品的理解,能直接作出判斷。但資料分析思考問題,一定是從資料出發。如果有歷史資料,就基於歷史資料分析。如果沒有,就先做測試,收集資料再分析。

當然,實際落地的時候,兩者可以結合。比如業務先提一個漲價方案,資料分析分兩步論證:

事前論證:這個方案沒有致命傷

事後論證:這個方案可以透過XX實驗驗證這樣就能推動方案落地了。

04 解題第三步:事前論證

事前論證分兩種情況:

在有做過調價情況下,總結歷史經驗,給出建議

在沒有做過調價情況下,給出可以調價的範疇,避免踩雷方案要落地,需要時間、地點、人物、起因、經過、結果六要素齊全。

因此在覆盤歷史經驗的時候,要做細一點,上次調價的六要素,要分析齊全(如下圖)。

做資料分析,如何給業務提

在避免踩雷的時候,主要是利用資料剔除一些明顯不合理的設想。理論上,消費者都不傻,調價會導致銷量下降;銷量下降又會導致庫存增加,週轉時間變長;週轉時間變長,又會增加商品過氣的風險,可能進一步影響銷量。雖然沒有資料證明,但業務方在做方案的時候,得思考到這些點。

典型的不合理設想,比如:

漲價設定太高,甚至達到了更高檔商品價位

銷量沒有調整,預設漲價不會影響銷量

銷量預計太多,沒有考慮銷量下降導致庫存增加

這些明顯BUG,大部分來自無經驗情況下,業務方過於樂觀地拍腦袋。作為資料分析師,理應對這種樂觀的YY提預警,至少讓他們意識到問題。

05 解題第四步:事後論證

如果沒有歷史資料積累,則要設計資料實驗,驗證效果。注意:資料實驗的設計,一定需要業務方的參與。因為漲價本身是個業務動作,有明漲/暗漲兩種基本方式。

明漲:直接調價

暗漲:透過推升級版、plus版、減少優惠券投放等形式,暗中調價

這些手段可能產生的效果是不同的。如果是明漲,則可以直接測試所有使用者對價格敏感度。如果是暗漲,意味著只有一部分使用者會響應漲價,需要做使用者分群,觀察部分使用者的反應(如下圖):

做資料分析,如何給業務提

理論上講,暗漲更容易讓使用者感情上接受,畢竟明漲顯得太割韭菜了,頗有囤積居奇之感。但實際操作上,暗漲需要做新的營銷方案,很有可能新方案做砸了,導致漲價策略失敗,業務方會承擔責任。

所以業務方會傾向於明漲,並且要求資料分析師給出預測:到底漲多少,ROI最大化。這裡一定要給業務方講清楚:沒有歷史資料,則無法分析,一定要做測試。不要試圖用拍腦袋/其他拐彎抹角的方法迴避這個問題。價格彈性一定是測試出來的,沒有測試就下結論,策略失敗的風險就是資料分析師自己背……

06 小結

綜上可以看出,一個簡單的漲價,需要大量的、細緻的分析,具體到各種場景。

很多新手不考慮這麼多場景,只是拿一個近一週/一個月銷量,然後開始拍腦袋:“可能漲價以後會減少銷量吧……”這麼粗糙地工作,很容易被領導各種diss,諸如:

“考慮和其他品類差異沒有?”

“會不會只是短期效果?”

“有沒有證據證明真的能漲價?”

資料分析師會很委屈地說:“那你也沒提呀”

此刻領導再懟一句:“你就不多想想!”

這麼一來一回,信任就蕩然無存了。

我們常說:資料分析師就是企業的軍師,你看小說裡,主公問軍師意見,軍師都有上中下三策,上策裡還要分上上策、上中策、上下策。工作做得非常細緻,場景思考得很全面,這才是一個合格的軍師應達到的標準,以上,與大家共勉。

專欄作家

接地氣的陳老師,微信公眾號:接地氣學堂,人人都是產品經理專欄作家。資深諮詢顧問,在網際網路,金融,快消,零售,耐用,美容等15個行業有豐富資料相關經驗。

本文原創釋出於人人都是產品經理。未經許可,禁止轉載。

題圖來自 Pexels,基於CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供資訊儲存空間服務。

頂部