数据分析真有⽤！5个推动业务增长的实例
看过前⼀个系列连载，很多同学很忧虑的问我：“陈⽼师，能不能讲点数据分析怎么真⼑真帮企业挣钱的例⼦，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。做的好的销售总是居功⾃傲，做的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：
1. 先是⼩妹知道了置顶⼈⼈都能看到，就把⾃⼰的照⽚PS的各个像安吉拉宝贝⼉晒出来；
2. 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；
3. 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。怎么做数据分析
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。14年接这个项⽬的时候，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，急的团团转。
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。为啥不⼩品类呢？
于是，还是做关联分析，但是我们缩⼩了商品范畴，⼩品类、⾼⽑利的商品；我们也缩⼩了⽤户范畴，从存量⽤户⾥潜在⽤户体，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的深⼊⾻髓。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）
这个项⽬接的特别忐忑，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，但⾜以吓得俺瑟瑟发抖。
既然是预测的不准，那到底是预测多了还是预测少了？——我下意识的问了这个问题，却意外到了解答的钥匙。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，说的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。这样领导们看的很清楚，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的底掉。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，那就容易做的多，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）
这个清的太多了，现在已经成为营销运营类项⽬的常态。但最早在12年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。结果意外的发现排序最底的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，是投⼊：产出。如果硬拉动产出很难，能不能消减⽆效投⼊呢？当然可以。⽽且消减的空间往往很⼤。特别是互联⽹公司，烧钱做增长烧的不亦乐乎，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，我们可以轻易的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，那些是职业捞家，从⽽优化营销规则，提升效率。更重要的是，这是结结实实的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，并没有⽤的什么复杂的数据，但数据量少并不影响我们持续开展⼯作。
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，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。
O(∩_∩)O
更多分享，戳：
可能有同学会问，为啥举的都是销售和营销的例⼦，答：企业⾥看重的当然是钱，要么是收⼊，要么是成本，如果从⼀开始选题就选的跟这两个没关系，就真的输在起跑线上了，是很难驱动业绩的。
⾄于具体怎么操作，欢迎关注陈⽼师，持续追剧哦，本篇已经很长了。哈哈