編輯導語：結合數據分析，我們往往能更清晰地獲得問題反饋，進而推動問題解決，助推産品或項目的後續叠代優化。然而，你真的知道如何利用數據分析做好業務優化嗎？本篇文章裡，作者就該問題做了解答，一起來看一下吧。

“數據分析，要分析出具體業務優化點”是很多公司對數據分析師的要求，也是讓很多同學們頭大的問題。

怎麼從一個個數據指标裡，得出一個優化結論？今天結合一個具體問題場景，系統講一下該怎麼做。

問題場景：某在線教育機構，每周會開免費的直播，所有用戶預約後可以觀看直播。業務方期望通過直播能提升用戶的付費率。但執行了一段時間後，業務方開始糾結：到底直播報名後觀看率與觀看人數，對付費率有沒有用？畢竟開直播也有成本，為啥總感覺開的場次多了，轉化率似乎沒啥提升？？

問：如何分析該問題？直播業務優化點在哪裡？

一、常見錯誤做法

很多同學習慣于數據庫裡有啥字段就用啥，不區分場景，不打标簽，結果自然分析不出東西。比如本例，很有可能原始數據記錄，就是一個名叫XXX的直播，有XX人報名，有XX人觀看，沒了。不深入思考的話，很有可能傾向于：

1. 拿每日直播總觀看人數&每日銷量總數，做相關分析，看相關系數是多少；
2. 拿每一場直播的觀看人數&直播後購買的人，計算直播轉化率，然後畫一條折線圖；
3. 拿每一場看直播的人&報名了沒看直播的人，分兩組，計算購買率。

這樣能算出三個數字，但是下結論的時候，就很容易被業務挑戰：

1. 我發現直播人數和銷量相關系數0.76——所以呢！所以又怎麼樣？？？
2. 我發現最近三周直播轉化率在下降——廢話！我早知道了……
3. 我發現看了直播的購買率高出5%——廢話！肯定高呀，所以呢？

常見的質疑就是這麼來的。這些結論之所以都是廢話，是因為業務看了以後，真的不知道能幹啥。業務方期望聽到的優化建議，是：直播還能不能做！能做的話，做多少場？做啥話題？挂啥鍊接？不能做的話，我要怎麼解決銷售問題！這才是有用建議。

那麼，如何解決問題呢？

1. 第一步：理解業務場景

找業務優化點，第一步當然是回到業務本身。從教育業務本身來看：所有用戶一鍋炖的來開直播，就不是個很合适的行為。因為不同用戶的需求完全不一樣：

1. 新注冊用戶：對教育機構和課程都不熟悉，需要建立信任；
2. 已付費一次用戶：如果人家剛上2節，就催着買新課，肯定沒人買單；
3. 已付費n次用戶：用戶已經有了學習成績&學習進度，再推也是推進階課程。

總之，不同的人，在教育上需求天生有差異。

很多同學看到這裡，本能地會提出：分人群開展直播，效果就好啦！

這樣也會被噴哦，因為理解業務場景，僅僅是個開始。

2. 第二步：分析業務痛點

在提建議的時候，要避免提：“指标低了，要搞高”、“混播不好，建議分開”這一類聽着合理，實則無腦的建議。

為啥？因為人不是傻子。看到指标低了，肯定會想着搞高，有精力做分散場次，肯定會想着分開做。違反常識的做法，背後一般都有隐情。要進一步梳理，先找到業務痛點再說。

從表面上看，目前的問題是：直播帶來的轉化效果不明顯。

再深層次看，可能的問題是：直播一鍋炖，缺少分類指引。

再深層地看，為啥會一鍋炖，背後隐情，很可能是：

1. 有的話題，所有人都感興趣。比如職業發展、基礎技能等等，沒必要分。
2. 直播也有成本，需要時間&制作内容。但新人獲取的節奏不固定，如果針對新人做，排期很麻煩。
3. 老用戶的學習狀态并沒有單獨統計給組織直播的同事，導緻無法了解每個學習進度下，到底有多少人。
4. 拆分人群以後，可能某些人群人數很少，轉化率不足以支持單獨做一場直播。
5. 即使拆分，也不見得能提升轉化率，目前沒有數據證明這一點。

總之，所謂拆分，可能隻是看起來很美好，實操糾結點很多。

但是，這些具體的糾結點，對數據分析來說簡直是如獲至寶。分析的問題越具體，越容易得結論，分析的問題越模糊，才越難出結論。有了具體痛點，可以看：如何用數據解決問題。

3. 第三步：歸納分析邏輯

業務痛點可能是很分散的，用數據進行解決，需要的是分析邏輯。一個最簡單的構建邏輯的方法是：從大到小，從粗到細，先排除明顯可見的問題，再追細節。

本案例中，站在數據角度，可以将以上業務痛點，總結為三大類問題：

1. 現有直播，是否真的轉化率不行？僅限于特定主體不行，還是都不行？
2. 現有用戶，是否轉化率天生有差異？哪些能被直播突破，哪些不行？
3. 現有産品，是否都适合直播轉化，不同單價，是否有不同場景。

這三個問題能直接推導出具體優化建議。

但注意，這三個問題，可能是相互糾纏的，比如一場直播沒有帶貨成功，可能是直播本身不行，也可能是用戶沒需求，也可能是産品不匹配。此時需要構造分析邏輯。

從題目來看，業務方并沒有糾結用戶&産品，而是從直播切入。因此構造分析邏輯的時候，也應該從直播開始，先看排除直播本身沒有組織好的問題（如下圖）。

其次，在教育類産品中，直播話題天生和待銷售的産品有關系，但是和觀看用戶不一定有關系。特别是小白用戶，經常分不清自己真正要學哪一塊，随便看看的情況很普遍，因此第二層級可以分用戶，區分新注冊用戶/老用戶（如下圖）。

這樣建好了分析邏輯，可以填充數據了，但還是建議做一些準備工作。

4. 第四步：進行數據準備

為了描述業務狀況，經常需要使用大量的标簽，很有可能這些标簽并未事先準備好。因此需要做準備。

比如本案例中：

1. 直播的标簽（學習主題、講師水平、适用于群體、難度）；
2. 用戶标簽（新用戶/老用戶，新用戶的來源渠道，老用戶）；
3. 産品标簽（适合群體，價位，學習主題）。

這些都需要一一準備好，這樣後續分析才能有線索。

注意：很有可能業務方要分析結論要得很急，之前的基礎建設非常地差，根本沒有時間一一打标簽。此時就要提醒業務方：不打标簽的情況下，無法對問題深入分析。建議至少把一些特别重要的先打上，不然總是臨時抱佛腳，就總進步不了。

5. 第五步：輸出分析結論

有了以上所有準備，最後一步就是數據填充，根本就是水到渠成的事。而且這樣分析，能按圖索骥的找到問題最明顯的點，從而提出非常細緻的優化建議（如下圖，注意，由于篇幅限制，下圖沒有完整展示全部推演邏輯，有興趣的同學可以自己補全）。

在構建分析邏輯的時候，實際上每一類用戶對應的情況，已經是一個具體的業務優化點，隻不過數據是最終裁判。哪一類情況出現的多，就有限解決哪一類問題。并且，出現兩個因素相互糾纏的時候，也以看數據多少，選擇主要問題來解決。這正是數據分析有用之處。不然千頭萬續，無從下手。

二、小結

所以，深入業務場景，剝絲抽繭，層層論證，才能更好地得到優化點。注意：作為優化建議，一般都是從補缺的角度來提，但是補齊現有缺點，并不意味着就是最優解，很有可能有更好的點子。因此真的想提可落地的建議，不見得隻有本文一種方法（實際上，有三種基礎方法）。我們下一篇分享哦，敬請期待。

#專欄作家#

接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部