数据分析如何落地

[qq201457794]

对于不少产品经理来说，掌握数据分析的核心能力并不在于了解丰富的模型和方法论，而是能敏锐的发现数据并且从中找出潜在规律。

数据落地的常见错误：很多同学一看到问题，就说：老师，这题我会！工单=需求数*转化率吗，既然要提高完成工单件数，那要做的就是，把需求数和转化率两个指标：搞高！所以数据落地的方式，就是：一要多签厂商客户，二要多签企业客户，三要做大个人流量，四要提高客服效率，五要加强上门管理，六要提升师傅技能。

想落地第一步，就是停止在数据层面：坐而论数，就数论数。数据到底从哪个业务流程里来，又受哪个流程影响，得先理清楚。业务层的梳理，一般由粗到细，剥洋葱般层层深入。比如本案例中，虽然涉及业务的角色很多，但以客服收到线索为界限，可以划分为：需求/供给量大部分。

第二步：树立判断标准。这是寻找判断标准的工作，建立标准工作后，还得跟各部门共识，才能达成一致认可。这一步很重要，很多同学之所以难以落地，从第一步就是：只有数字，没有判断。或者判断条件不严谨，导致后边一深入，发现有很多业务上定义模糊，相互扯皮的地方。

第三步：从短期到长期。注意：时间拖长，可能有季节性变化。比如特定设备在夏季/冬季使用频率高，更容易出故障。因此基于一个月份建立标准后，可以看一整年的情况，进一步锁定问题。

第四步，找重点、抓重点。整体情况确定以后，再看局部问题。比如在第一阶段，锁定了问题来自：供给端，就是供给不够，那么该怎么进一步分析呢？

首先，业务有三条线，三条线谁是重点，要先区分出来。因为厂商/企业这种toB类客户和toC类个人用户，是根本两个发展思路，不仅当前在工单总数中占比不同，而且对未来发展重要性也不同，很有可能toB才是公司生命线。
在不同重要性影响下，即使当前数据相同，对未来发展的判断也可能是不同的，要先做判断，再往下细看。

第六步，从局部到细节。最后，售后服务是分2个环节执行的，到底是客服派单慢，还是售后执行差，再分出来。
这个分解最为复杂。因为客服派单派不出去，很有可能是因为该区域/该大客户服务团队的工作已经饱和了，或者是因为节假日等正常原因，或者是因为在等零件调货等客观原因，所以不拿到接到单以后的服务团队/配套情况/节假情况等明细数据，很难说清楚到底是派单员的问题，还是服务的问题。
在考虑落地方案的时候，越细节的问题，越放在后边解决。因为很有可能落到特别细的细节以后，你会发现根本没有数据……手头有啥数据就用啥，这也是分析的基本原则。