数据分析真有用!5个推动业务增长的实例

大数据 数据分析
很多同学很忧虑地问我:“陈老师,能不能讲点数据分析怎么真刀真枪帮企业挣钱的例子,给我们一些信心”。

 [[396551]]

本文转载自微信公众号「接地气学堂」,作者接地气的陈老师  。转载本文请联系接地气学堂公众号。

很多同学很忧虑地问我:“陈老师,能不能讲点数据分析怎么真刀真枪帮企业挣钱的例子,给我们一些信心”。今天我们就来讲这个。

出于正本清源的目的,之前我们分享的是数据分析如何体系化服务业务,这才是数据分析的真正用处。但如果真的问我,有没有奇门遁甲的手段,直接拉动业绩增长?

当然有!

本质上看,想拉动业绩增长,要达到两点:

  • 业绩真的在增长
  • 所有人认为业绩是我们在拉动增长

标准定好,下边带大家看5个经典例子

1销售团队效益提升(业务员收入提升)

曾经有一个销售团队提升的项目,目标是提升销售团队业绩。大家知道,和销售部门打交道,最难的不是数据分析过程,而是这帮大爷很难沟通。

做得好的销售总是居功自傲,做得不好的人员素质太差,你跟他讲数据分析丫根本听不懂,也听不进去。那怎么影响他们呢?

对数据分析不感兴趣,对收入感不感兴趣?——从这个角度切入,我设计了一个战术:先找HR拿了销售团队的人员名单和收入情况,然后做了一个分类。先把Top20%的人踢出去,然后只看剩下的弱鸡们。分析的思路,不是如何帮弱鸡们成为Top20%的高手,而是如何帮弱鸡们达到一个小目标:一年6个月以上月薪6000。

这就像给差生补课,如果一开始就教他如何考100分,丫从心理上就抗拒:那些考100分的都是怪物,与我何干。但如果一开始教他:你考到60分就不挨打了。他就会很有动力去学习。

分析结果出来,销售部领导们看了两眼直放光。所有人立刻表示分析这个思路好,要立即执行。结果团队平均水平大幅度提升,总业绩自然出来了,更关键的是:所有人都认可这是分析的成绩。

这个例子第一个讲,是因为它体现了两个数据驱动业绩的基本思路:

  • 从业务部门感兴趣的角度,先引起足够重视
  • 帮助业务从0做到60,优先解决最大多数的问题
  • 后续很多案例,都是在这个基础上的延伸和扩展。

2门店效益提升(大家都来看美女)

曾经有一个门店效益提升的项目,看起来和实例1差不多,但面临的问题不一样。

解决一个人的问题,比解决一个门店的问题要简单。一个业务员只要话术、知识点、行动力到位,怎么着都能及格。

但门店考虑进销存,考虑不同产品布局,考虑因素更复杂。而且,门店总有理由:我们这个店的位置不好,情况很特殊,不能一概而论。还动不动冲着我们咆哮“你开过几年店!”。

怎么办呢?

如果我说不服他,邻居家的孩子能不能说服他呢?——从这个角度切入,我设计了一个战术:先建立一套标准的门店数据考核指标。之后,对每个大区经理下边的门店排名,排出1,2,3以后,如果哪个门店的导购小妹当日业绩大区第一,就直接把小妹的头像在BI里置顶给所有人看,大区经理亲自发红包表示嘉奖。

于是引发了一系列连锁反应:

  • 先是小妹知道了置顶人人都能看到,就把自己的照片PS得像安吉拉宝贝儿晒出来;
  • 其次是大家为了看美女,天天都打开BI看报表,解决了报表打开率问题;
  • 再往后,所有店长都在问:她是怎么做到的?于是查看这个小妹所在门店的产品销售结构,促销参与率,会员到店率等指标。

为了体现是数据分析的作用,我专门把这些数据隐藏起来,做个大按钮:猜猜她咋做。非得让店长们点击才能看,结果这个按钮的点击率从0%迅速增长到70%。大家一致表示这个数据才好用的,简直是业绩增长百宝箱。

这里又有两个数据驱动业绩的基本思路:

  • 借力打力,利用数据树立标杆,让业务更容易信服。
  • 使用率是第一指标,有使用率才有重视度,有重视度才能产效益。

实际上失败BI项目,大部分死在这两点。一般的BI系统,每日报表打开率只有10%左右,根本没有被充分用起来。业绩指标好与坏,是数据分析师自己拍脑袋拍出来的,没有和一线情况结合。导致推出一线后根本没人例会,该怎么做怎么做。最后BI沦为一个空架子,业务部门要取数的时候,还是下单跑sql。

3商品销量提升(背后的秘密)

这个是很常规的,电商提出的提升商品销量的需求,只不过实现目标的方法很鸡贼。接这个项目的时候,推荐系统还没有今天这么多花样。某公司数据部花大力气做了这个功能,却没有实现“啤酒与尿布”一样的效果,急得团团转。

问题就出在啤酒与尿布上!如果真是两个销量好的大品类相互关联,怎么体现是“数据”的作用呢?——回顾一下,我们开头说的定义:既要真的见效,又得让大家认为是数据做的。真找啤酒与尿布这种大品类,费尽力气涨个2%,5%,还要和别人争论这到底是数据做出来的还是自然波动。为啥不找小品类呢?

于是,还是做关联分析,但是我们缩小了商品范畴,找小品类、高毛利的商品;我们也缩小了用户范畴,从存量用户里找潜在用户群体,尽可能一网下去多捞一些用户,让活动声势做大。

小品类日常销售额低,一做活动就能看到效果。而且小品类库存多,即使没有增加额外利润,清库存本身也是大功一件。高毛利意味着补贴力度相对大一些,重赏之下必有勇夫。结果一打一个准,连续清了数个品类的库存,引起领导的关注和认可。

当然,时过境迁,这个年代已经没人再质疑做推荐系统这件事。大家已经被人工智能阿尔法大狗子洗脑洗得深入骨髓。可这种思路仍然有效。去平均化,在任何年代都不过时。

4精准预测销量(大幅降低库存)

这个项目接得特别忐忑,因为听客户说,之前他们已经炒了5个内部的数据挖掘工程师了。因此每次销量预测都差一大截,惹得老板龙颜大怒。虽然不知道这事是真是假,但足以吓得人瑟瑟发抖。

既然是预测得不准,那到底是预测多了还是预测少了?——我下意识地问了这个问题,却意外找到了解答的钥匙。原来每次模型预测值都偏大,导致库存积压,老板才会不满。但如果给的预测值偏小,业务部门就会跳起来说预测太少了,影响销量。可实际上,影响销量根本就没有发生过,从来都是数据挖掘工程师为业务部门备货太多背黑锅。

原来如此啊,那办法有了。因为预测的是总销量,而业务部门理论上可以分批备货的。所以调整了一个重要环节:把预测值拆成上线4周,8周,12周的三个值。这样给到业务的建议,就是预备货XX万,第一次增补XX万。

名义上,说得是时间越长预测越不准,所以要拆分时间。实际上,缩小了第一次备货的预测值。把业务部门喜欢一次性备货太多的问题暴露出来。这样领导们看得很清楚,到底是谁的问题,再也没有怪过预测了。

这个做法其实很投机,可包含了一个重要理念:提高精度与降低错误,是一个问题的两面,选择哪一面考核分析结果至关重要。比如销量预测,很多商品毛利也就5%,意味着模型预测的精度至少得95%以上,不然还是会因为预测不准导致赔得底掉。如果一味苛责销量预测的准确度达到99.9999%势必会导致过拟合问题,训练的模型也很脆弱。

但如果是“通过销量预测,降低库存风险”,那就容易做得多,因为根本不存在0积压的商品。一积压就要花动辄数百万经费销存货,那把过量的库存砍下来10%,20%,已经为公司省了数十万成本。也是大功一件。

在评价模型效果的时候,结合商业上目的考量,既能有利业务,又不用逼死自己。

5清理薅羊毛用户(好钢用在刀刃上)

这个听得太多了,现在已经成为营销运营类项目的常态。但最早在传统行业接到类似需求的时候却很困难。当时是一个商旅住宿类企业做会员卡项目。公司刚上CRM,基础数据一塌糊涂,只有简单的会员卡和消费数据。业务方也没抱啥指望。

死马当活马医,我们对用户先做个十分位看看。结果意外地发现排序最底的20%的用户,居然平均客单价比正常水平低了一大截,低到客户市场部都费解:我们从来没有这么便宜的房间啊!

结果抽样一查,是一帮标准的羊毛党。于是顺势清理各种优惠券规则,定义真正核心用户,把经费都投到核心用户身上。光靠清理,多出来20%费用,有钱了,当然出成绩。

类似的操作,之后做了很多,比如帮银行积分商城清理套积分,帮电商清理套券的,等等这些做法其实很简单,可包含了一个重要理念:投入产出比。

投入产出比,是投入/产出。如果硬拉动产出很难,能不能削减无效投入呢?当然可以。而且削减的空间往往很大。特别是互联网公司,烧钱做增长烧得不亦乐乎,往往是钱烧完了就死,这个问题就更有价值了。

通过数据分析,我们可以轻易地通过消费频次和消费习惯,区分出来那些“无券不至”的用户,区分出哪些是偶尔薅羊毛,哪些是职业捞家,从而优化营销规则,提升效率。

更重要的是,这是结结实实地给公司省出一大笔营销费用,比啥都实在。需要注意的是,启动这个问题的探索,并没有用什么复杂的数据,但数据量少并不影响我们持续开展工作。

6小结

以上是五个我常讲的经典案例。至于更常规的,比如:

  • 做关联规则提升交叉销售机会
  • 做推荐算法增加用户购买几率
  • 做标杆分析提升销售团队绩效
  • 做渠道分析优化广告投放
  • 做LR模型提升外呼响应
  • 做用户分群筛选核心用户

这些太过基础,有空可以慢慢分享。其实数据驱动业务增长,只要业务部门态度配合,数据分析不大吹大擂,老板目标值不过分膨胀,是很容易实现的。

有心的同学也发现了,上边分享的五个例子,都是在业务方不怎么配合,数据分析师企图正面突破问题无果的情况下,采用的特殊办法。

所以陈老师开场才会说,这些都是奇门遁甲,不是光明大道。可举这五个例子的意义也在此:数据分析师不是大学教授,数据分析师要在企业里做出成绩,靠的不是自己闭门造车,而是充分深入一线,合理的定义问题,勾起合作方的兴趣,找到合作方的真正需求,一步步推动,甚至曲线救国来实现。

即使环境再艰难,我们也有办法。不要对自己丧失信心,毕竟最艰苦的时代已经熬过来了。现在要做的,可能更多是教育大家:数据分析不是保健品,数据分析不是一运行代码就能从电脑里吐钞票。

 

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2022-05-11 11:33:53

数据分析业绩业务

2012-10-22 20:34:05

统一通信托管协作静态桥

2020-08-06 11:13:17

数据分析数据大数据

2021-04-19 14:18:17

数据分析互联网运营大数据

2019-11-11 22:42:51

数据分析企业管理数据

2020-07-14 08:48:07

数据分析技术IT

2017-05-02 17:22:05

数据

2019-04-22 15:40:33

2019-09-12 09:21:06

数据分析游戏行业游戏设计

2022-04-02 11:47:11

数据分析业务岗位

2021-10-28 19:22:35

数据分析

2022-08-16 11:33:43

数据分析业务数据

2012-08-09 13:49:25

George FiscCAExpo

2020-09-16 10:16:54

数据分析量化大数据

2013-07-05 09:30:07

大数据旅游业革命

2023-09-27 11:05:55

2021-06-07 11:42:41

数据分析业务

2020-08-18 10:26:34

云计算IT技术

2021-05-28 11:18:01

云计算云计算产业云应用

2021-02-22 17:29:41

体系数据分析模块
点赞
收藏

51CTO技术栈公众号