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