3.3 操盘手不得不学会的业务分析流程

基本流程：明确问题和背景 >> 问题拆解与搭建模型 >> 提出假设 >> 收集和清洗数据 >> 确定具体问题 >> 给出解决方案 >> 方案可视化汇报 >> （跟进方案执行效果）。

来想象这样一个场景：你是一家品牌公司的数据分析师，主要负责天猫版块的数据分析。2022年12月月初，天猫的老大找到了你，表示：11月销售不达预期，降了很多，希望能找出原因。

（......省去需求优先级与排期......）

接下来就要开始干活了！

1）明确问题和背景

「11月销售不达预期」，不达谁的预期，与谁做比较，是和竞品相比，还是和我们的目标相比？询问得知是与目标做对比，那么目标是怎么制定的？是直接拍脑袋还是什么方法呢。询问得知是直接拍脑袋。

这样的话，可以把问题进一步明确：某品牌公司天猫渠道11月实际退后销售额为1.6亿元，目标为2亿元，达成率80%，而2亿元老板是如何拍出来的，暂时不可知。2）问题拆解与搭建模型

就目前的信息而言，并不清楚这个退后销售额是否正常，还是说真的有部分运营动作没有做到位。所以说这个问题要拆解成两个子问题：

1. 退后销售额是否正常？
2. 如果退后销售额不正常，哪个运营动作出现了问题，如何优化？

「此处会发现我会从第一步开始分析，这很重要，业务的表达并不清晰，需要从源头重新定义和思考问题」

拆解清楚问题之后，需要针对这两个问题给出合适的模型。这一块一般比较依赖于行业经验。

先看到问题一：

一般会与大盘/竞品/自身去年同期的同比增速作对比进行判断。

比如说，大盘、竞品同比都在降，且比我们降的更厉害，那么反倒说明，我们的运营动作做的好，而不是做的不好。行业整体在降，一定是由于某些比运营动作影响更大的驱动因素在影响，很有可能是我们解决不了的。

然后看到问题二：

天猫整个渠道的销售额，一般先按照店铺的维度拆解一层，然后判断店铺的达成率和同比增速，然后再拆解到业务漏斗，即退后销售额 = 流量 * 转化率 * 客单价 * （1-退款率）。

（ 实际情况会比这个复杂，要看该品牌在天猫运营动作的类型，比如有些公司对直通车的依赖性很强，那么大概率会重点分析直通车，再比如说有些品牌属于快消品，那么很可能要按照新老客的维度进行拆解，而这些东西一是依赖于业务经验，二是多与业务人员沟通交流）3）收集和清洗数据

把问题进行一层层拆解之后，就需要根据拆解后的子问题进行数据的收集。品牌型公司的数据一般都在生意参谋、数据银行、策略中心这三个平台上，部分数据可能要第三方外部采买。

......省去一大堆数据采集和清洗的细节......

注意：取数也要提前做好规划，都需要取哪些数据，这些数据都是怎么定义的，取数的时候有哪些注意事项，以避免取错数据。我如何验证我取出来的数据是正常的、没问题的。

（这一版块的工作琐碎无聊，但很重要，取错数据了很可能导致自己的结论完全错误）

4）确定具体问题

根据第三步的数据对子问题的假设依次进行验证，以判断哪一个环节出现了问题。

（经验丰富的数据分析师，能很快明确问题，并能快速对问题拆解，同时对可能哪一块出现问题有比较清晰的判断）

5）给出解决方案

确定问题之后就需要给出具体的方案/策略，比如转化率出现问题，那么如何优化商品头图和详情页。

（方案层，数据分析师一般会结合竞品的头图数据给出优化建议，比如哪一家竞品的数据表现好，可以借鉴它这种方式，如果缺少竞品，会给出A/B测试的具体建议。与此同时，如果有用户研究部门，还有可能针对该问题采访几个典型用户，询问他们的想法和反馈）

6）方案可视化汇报

这一步非常重要，自己有了很多的成果，一定要展示出来。而且数据分析师对接的人员一般是领导、各业务部门老大，所以一定要重视自己的汇报。

7）跟进方案执行效果

最好自己去主动定期跟进下自己的方案，这样自己也可以知道实际执行的情况，对业务的感知度可以更深。数据分析师不做具体业务，如果一直停留在通过数据做分析的层面上，很有可能做出的方案好看不好用，所以一定一定要近距离接触业务观察业务分析业务。

4、三个数据分析的应用举例

4.1 如何搭建数据指标体系监控业务？

就像给人做体检一样，数据指标体系就是给企业的体检清单。用一项项数据指标，来盘点企业的经营现状，定位业务问题，驱动业务发展。

1）什么是指标体系？

就像体验报告一样，指标体系是为了通过数据说清楚企业经营现状如何，比如收入版块，每个月的收入如何、毛利率如何、净利率如何；再比如交付版块，快速配送周期如何，仓储周转效率如何，用户满意度如何。

简而言之，指标体系可以把企业分成几个版块，然后围绕该版块的核心目标进行指标拆解，基于这一套指标体系来评估该版块的经营现状。

这里要注意，指标体系不是说有了几个零散的指标就可以，它一定是成体系的。比如天猫运营部，指标体系就可以拆解成：销售额 = 流量 * 转化率 * 客单价 * (1-退款率)。

2）指标体系有什么用？

a）全面诊断经营现状

就像体检报告一样，会把人的健康状况分为若干方面，然后逐个版块地分析人的健康状况。企业也是如此，通过数据指标体系，将企业的经营现状分为若干方面，用一个个指标体系来诊断。

比如说，很多新品牌公司很注重短期的销售情况，市场费用大多数是为了刺激短期的销售而准备，那么站在长期的角度来看，品牌心智现在如何，用户对品牌的认知是什么样的，这些也许不清楚。此时就需要通过一些数据指标来对品牌的健康度进行监测（具体是什么样的指标、怎么监测，在本文中不做讨论）。

b）快速定位业务问题

指标体系完全形成之后，会定期（日/周/月/季度/年）对企业经营现状进行监控。由于指标体系已经搭建形成，当发现异常值时，比如销售额同比下滑30%，我们可以根据指标体系的逻辑快速定位到问题，到底是什么原因造成了销售额下滑，进而解决问题。

c）有效驱动业务发展

有了数据指标体系，我们对自己的经营现状有了较全面的理解，接下来就可以依据这些数据做出决策。比如推广投放，依据之前的数据，如果投放1000w，roi在4左右，如果投放2000w，roi在3.6左右，依据这样的数据经验，就可以对当前投放多少费用有较清晰的认知，而不是完全依赖于经验。

3）如何构建指标体系？

指标体系有两大类：基于公司全局，基于各个部门。

a）基于公司全局

往往会围绕销售目标展开，比如围绕收入。老板看数的逻辑和各业务部门老大看书的逻辑稍有不同，大多数情况下需要做深入分析的场景较少，更多的是看收入及达成率，费用及使用率，有的还会看毛利率、净利率情况，如果不及预期，常规操作是直接找到对应的负责人，让负责人解决。

当然，依据不同公司的经营现状和经营特点，也会对其他类型的关注，比如如果市场部花费占比非常大，那么这一块老板一定会管控起来；再比如如果退款率持续很高，这一块老板也有可能做管控。这些就要依据公司实际情况进行分析和判断。但有一点，收入、费用这两大头老板是一定一定会看的，毕竟与钱有关。

b）基于各个部门

部门往往会有它最终要达成的KPI，KPI就是该部门的一级指标，销售部门往往是收入相关的。

就拿品牌公司的天猫部门来举例。

1. 找到部门的一级指标

对于品牌公司的天猫部门，考核大多会围绕销售额展开（依据企业经营阶段，也有可能把毛利率纳入考核；这里要注意销售额和收入的区别，销售额是业务口径下的，往往指退前销售额，收入大多是财务口径下的，往往指实际收到了多少钱）。

所以说一级指标就是销售额，至于是退前的还是退后的，依据实际情况而定。比如说，当前就是要销售额，那么很可能定退前，再比如说，京东自营这种退款率只能找行业小二获取，而退款率相对稳定，就会定退前的。

2. 对一级指标进行加法拆解，明确子指标（二级指标/三级指标）

知道一级指标是销售额之后，接下来可能会拆解到各个版块，一般会有两种拆解思路：

• 按照品类线：总销售额 = 品类A销售额 + 品类B销售额 + ...
• 按照组织单元：总销售额 = 组织A销售额 + 组织B销售额 + ...（这种往往是按照流量来源拆解的，比如天猫的流量可以分为站内、站外，站内就是直通车引力魔方等在app内获取流量的，站外就是通过抖音等外部app获取流量的）
• 按流量：

看到这一部门，会发现天猫老大此时类似于老板，将目标拆解到各个业务单元，给他们定KPI，管控他们的完成情况。而这些，其实都是结果型指标，专门对结果进行管控的。这里重点看的是销售额、达成率、费比。

3. 对子指标进行乘法拆解，明确过程指标

如果只是看结果指标，会发现只知道不好，但不清楚接下来如何改进、如何制定运营策略。此时就需要讲结果指标拆解成一个个的过程指标。拆解思路往往是一个大漏斗。

比如对于天猫站内而言，站内总销售额 = 流量 * 转化率 * 客单价 * （1-退款率）。流量、转化率、客单价、退款率就是相关的过程指标。当销售额出现问题时，我可以对这几个过程指标进行分析，判断哪个子指标出了问题。

比如转化率出了问题，那么我就要思考头图、落地页这些设计是否到位了。再比如流量出现了问题，那么我就要思考是免费流量减少了还是付费流量减少了，还是什么原因。

所以会发现，对于过程指标而言，当发现问题之后，是可以指导业务动作的。

P.S. 实际天猫的业务场景会比这个复杂的多，这里进行了高度概括，仅供理解指标体系。

4. 确定各个指标的判断标准

对于数据而言，一定要明确一点：数据指标一定要有标准（对比的对象），否则它只能是一个个孤零零的数字，无法判断好与坏。

一般情况下，可以有这样几个数据作为标准：目标、同比、环比、行业平均值。

4.2 如何用数据分析解决业务问题？

2020年刚开始做初中数学直播公开课的时候，遇到一个问题：转化率很低，只有1%-2%。按照我们对竞品（如高途、猿辅导）的分析，他们的9元课转化率最低也有3个点，一般是在5-10个点。

业务流程：APP上报名免费公开课 >> 加辅导微信进私域 >> 邀请入群 >> 定时听课 >> 社群跟进转化 >> 付费 / 流失

后来通过业务分析的方法提升了转化率，基本在3%-5%之间，提升了2-3倍。解决这个问题还是有一些章法可循的，主要用到了几个模型：「分析与解决问题五步法」、「竞品分析」、「数据分析」、「知愿能」。

整体的分析思路用的是「分析与解决问题五步法」，这里着重讲一下，可迁移的地方非常多。

分析与解决问题五步法

• 定义问题：要弄清楚解决的真问题是什么，为什么是个问题，为什么一定要解决，不解决会怎样
• 给出匹配的分析模型：不同的问题有对应的匹配模型，转化率问题一般是个漏斗模型，当然要结合自己的数据现状做分析，尤其是这种涉及到跨平台的
• 提出假设：根据数据、业务经验、竞品分析，猜猜可能是哪儿出了问题
• 验证假设：依托于数据、业务经验、竞品分析，进行假设论证
• 给出行动方案：给出具体的、可执行的解决方案

【步骤一：定义问题】

我们遇到了一个问题是，xxxx，转化率过低（当然我们的公开课是免费的，理论上转化率确实会低一些，但不至于如此低，肯定是有部分环节出了问题）。

【步骤二：给出匹配的分析模型】

拿到这个问题，首先弄清楚，转化率这个数据是怎么来的。

转化率 = 付费用户数 / 报名用户数，从业务链路上看，这中间又经历了若干个环节：报名>>加到私域>>入群>>听直播>>社群销售/一对一咨询>>购课。

【步骤三：提出假设】

拿到这条链路之后，并不太好做分析，当时有很多数据不全，比如加到私域的用户数，再比如社群销售的用户数，一对一咨询的用户数。

此时，我换了一种思路，我拉了最近3场付费用户的行为数据，然后分析他们的行为表现。由于分析的是付费用户，数量可控，可以手工算出来多少加到私域，多少入群，分别是通过什么样的方式报课。

这时，我发现了一个很有意思的现象：付费用户中，上过免费直播课的用户是没上过免费直播课的5倍。也就是说：如果用户上过免费直播课，那么他报名的概率将会大大提升。

【步骤四：验证假设】

然后，我要进一步确定这个结论是否合理：我把近三个月相关的上课数据全部拉出来，发现这个结论成立。

接下来，我还要继续验证。

从业务逻辑上，分析这个问题：为什么用户上过直播课，更愿意报名？

我们的用户大多数都是十八线小城市的，一两千的客单价对他们而言是一个重决策的属性，并非说报就报，是需要深思熟虑的。对于课程产品而言，除了价格，还要考虑什么？课程、服务。课程这个核心的产品如果没有体验过，报名确实很难。

同时，竞品的很多行为也可以解释通了，看明白了他们的一些操作：

1）当时进入高途APP，会直接有一个弹窗报名9元课，同时增加了很多其他入口（也就是说它要把流量都聚到直播课）；

2）直播开始前，高途会疯狂地发短信提醒上课，再后来甚至增加了一对一打电话（这个人力成本应该还是挺高的）。

这下，问题就给定位出来了：报名的用户中，上直播课的用户数过少，进而导致我们的转化池子很小，没有上过直播课的用户转化成本极高。

【步骤五：给出解决方案】

接下来的核心是制定策略，怎么样才能让报名用户更多的上直播课呢？

理论上，用户下载了我们的app，并且去报名了（免费课），说明他还是有意向听课的。可是，为什么报名了课程却不听？哪里出了问题。（有个细节是，用户报名的门槛极低，免费报名，这也是整个转化模型的潜在问题）

此时就要用到一个很重要的用户行为分析模型：知-愿-能。

1）知：用户是否知道要上课？

2）愿：在那个时间段，用户是否有意愿上这个课？

3）能：用户是否有能力上课，比如路径是否清晰、明确？

围绕这三个问题，开始展开更加深入的分析。当时对竞品的研究还是比较透彻的，所以我们把自己当前的运营动作和竞品的运营动作做了一张表格进行对比。

这下解决方案就非常明确了，接下来的一个月就是围绕这些问题进行一个个整改的阶段，再后来，转化率提升了不少，稳定在3%-5%。