“你只是羅列數字，你的分析建議是啥？”

“你有沒有提出對業務有用的建議，落地了沒有？”

很多人聽到上邊的質問就頭皮發麻。名為數據分析師，實則是SQL工具人，每天搓數卻沒有業務認可的產出，是數據人最怕的事。該如何從數據到業務落地？今天一文講清楚，同學們記得點個贊，慢慢看哦。

一、從數字到業務假設

首先，分析問題時，不能只停在數字表面。比如分析“業績下滑問題”，很多人習慣性的只看銷售收入數據，把收入拆成：客戶數*轉化率*客單價，再按地區/客群做個拆分就算完工了（如下圖）。

此時的分析是很淺的，即使看到了“老客戶消費率下滑”，也能只能寫一句：“要搞高”，不能指導任何業務動作。做分析，要先落實到具體的業務假設，比如：

• 客戶自己關門了！
• 客戶暫時淡季，旺季才有需求
• 客戶有需求，但對我司不滿意
• 客戶沒有不滿意，但是我司價格太貴
• ……

這樣具體的假設，能指向：解決客戶投訴/調整價格/提高服務等具體動作，至少到這一層，才讓數據和業務建立聯系。有人會說：我的銷售數據表里沒這些字段，咋辦！誰規定了做數據分析只能用一張表的……結合業務假設，綜合利用企業各種數據，也是數據分析的職責，具體的，往下看。

二、先解決明顯的問題

當假設很多的時候，根據數據詳細程度，列出解決問題的順序，是最重要的工作。問題明顯的，容易排查的，優先解決。從簡單到復雜，逐步解決問題。

比如在上例中，我司CRM系統有客戶回訪記錄，可直接查詢到：“客戶本月營業狀態”，那么直接把這個數據同銷售記錄關聯起來用。此時，可以做如下圖區分。

當數據指向一個可落地的業務動作時，就能停止拆分了。比如：

• 客戶自己停業了：我司無法做任何動作，行動中止
• 客戶當前淡季：我司暫不跟進，旺季到來前1~2周開始跟進

這兩條舉措都可以落地，此時可以停止拆分。

這里也可以做的更細，比如：不同客戶的旺季，時間節點不一樣。比如都是暑期旺季，游戲、旅行行業可能和學校放假有關，空調、冷飲可能和氣溫（小暑/大暑）有關，根據客戶歷史交易數據+今天氣象預報/學校放假時間，做個更細的拆分，提前提醒業務部門，也是OK的（如下圖）。

三、用測算做決策依據

類似的，可以進一步細分客戶情況。比如從客服系統里調客戶投訴記錄，查看：是否我司有問題，引發客戶投訴，進而導致客戶沒有付費。此時，我們可以進一步豐富我們的分析邏輯樹，逐步解決問題（如下圖）。

看到：“我司出現問題”，很有可能你會直觀的想到一條對策：“給客戶賠錢！”所有涉及價格/補貼/利潤的方案，都要做數據測算，避免盲目給優惠導致虧損。

此時可以從OMS系統調客戶歷史交易數據，計算：

• 客戶累計貢獻收入多少
• 客戶累計貢獻毛利多少
• 客戶使用服務/權益/補貼，折算費用

從而估算出客戶貢獻的利潤高低，進一步支持業務判斷：是否值得給客戶賠錢，吸引客戶復購。并且可以進一步做價格彈性模型（如下圖），支持業務做彈性測試，測測看不同方案的效果差異。

四、監控并排查新問題

理論上，我們可以持續拆分問題，直到各類問題都有明確的業務對策。這樣就實現了從數據到業務的落地。本文這里就不贅述后續拆分過程。

要強調的是：做問題拆分并不是分析的終點。在分清問題以后，可以設定監控指標，觀察問題結構的變化。有可能隨時間變化，問題的重點已經轉移，此時要更換策略。

比如在上例中，我們發現：剛開始的時候，業績不好主要問題是“客戶自身處于淡季”，此時說明我司存量客戶結構單一，集中在同一類行業，應努力擴展客戶。之后，主要問題變成了“競爭對手價格更低”，此時價格戰壓力很大，可能要考慮如何控成本，以應對價格戰（如下圖）

綜上可見：企業的數據分析工作，不是解數學題。不是先有一個考試卷子，寫清楚了所有條件，然后我們來答題。而是需要我們自己：

• 數據結合業務，思考業務問題
• 從多個系統，多個數據源找資料
• 設立排查順序，助力業務落地