編輯導語：不同等級的數據分析師對“複雜”一詞的看法不一樣，那理解的意思也會有所偏差；那怎麼能快速并且正确的get到領導和客戶的點呢？本文用數據分析的方式巧妙的解釋了這個問題。

很多同學表示：從0到1的文章很多，可面對複雜問題，該怎麼搭建數據分析思路呢？

首先，“複雜”一詞在不同等級的數據分析師裡含義不同。對小白而言，領導傳達命令的時候，有“模型”倆字的就是複雜問題，一聽“模型”，新人就開始狂翻《西瓜書》《統計學習》《機器學習》誓要與“模型”血戰300回合。

而有經驗的同學都知道，企業裡真正複雜的才不是這些。

來看個具體例子：

場景——電商行業（紙質書、視頻光盤等商品為主），客服領導對物流領導意見非常大，認為物流問題影響了客戶滿意度；但物流領導表示：所有發貨不及時，發貨過程中包裝破損等問題已經被處理了，怎麼可能還有物流問題。現在有一份分析需求，要求：建立全面、細緻的客戶滿意度評估指标體系。

一、什麼是真正的複雜問題

問題1：收到這個需求，你會百度哪個關鍵詞？

1. 評估指标
2. 客戶滿意度指标
3. 客服客戶滿意度指标
4. 物流客戶滿意度指标

很多新人一看這種問題就覺得：簡單。不就是建個評估指标嗎，這種文章網上一天能見8篇。而且“客戶滿意度”這個詞我也熟悉，又不是私域流量，精準畫像這種玄乎詞。于是開始百度上邊四個關鍵字，找一個看起來可行的就開始幹了。

可關鍵問題是：眼前的問題，是大家不知道客戶滿意度怎麼考核嗎？

不是！眼前的問題是客服跟物流倆部門幹上了！這才是大問題。

所謂“客戶滿意度”隻是兩邊幹架的一個由頭。如果“客戶滿意度”的标準不能讓兩邊共識，那不管書本上是怎麼定義的，隻要你甩出來，都會被其中一方噴到死。這才是第一大難題。

所以這一題根本就不該選。第一步要幹的事，是先了解具體不滿的點在哪裡。

又有新人表示：既然是客服對物流不滿，那客服記錄用戶來電裡，有“客戶投訴”這一項，直接把這個指标拿出來不就完了（如下圖）

這就涉及到第二個難題：客戶滿意度，是個含義豐富，但采集數據非常難的指标。

• 到底啥算滿意？
• 客戶不滿意是不是就一定投訴？
• 是不是客戶滿意了就不會投訴？

都不一定！特别是涉及物流問題：

• 可能客戶假裝發脾氣，隻是為了讓客服處理速度快一點。
• 也可能客戶悶聲不響，但是最後退貨！退貨！退貨！
• 更有可能客戶撥打的是咨詢/建議，但是發脾氣：為啥還不發貨！

隻靠一個字段：投訴，是無法真實反映情況的。

比如客服領導給出來的“客戶不滿意”是以下場景

這又涉及第三個問題：如何在各種龐雜數據裡，真正識别出客戶投訴/非投訴。

如果按客戶領導的說法，得把所有客戶來電都轉文字記錄 關鍵詞過濾一遍才能識别情況。可顯然這麼幹太費時費力，得找個簡單的處理辦法。

然而這又涉及到第四個問題：客服的工作流程得調整。

不調工作流程，依然會有大量真真假假的投訴混雜在其他來電裡，後續還是沒法跟蹤，客服依然會無休無止的抱怨，物流依然不知道自己錯在哪。然而，調流程這事，又涉及業務部門能不能、肯不肯、想不想的問題。

這時候如果有個人冒出來，說：“你們做數據的不是會人工智能大數據嗎，就不能我們照常幹，你們Duang一下就分析的一清二楚嗎。肯定是你能力不行”……是不是你也想打爆他的狗頭了。

部門利益有沖突

指标含義不清楚

原始數據内容亂

相關流程要改動

這些才是老鳥眼中真正難解決的問題。然而這也是企業真實的經營場景，那種數據完美，含義清晰，靜靜躺在excel表裡等着被建模的事，隻存在于網上文章裡。現實就是各種利益糾葛，數據混雜，流程不清，咋弄呢？？？

二、如何建立分析思路

總結下本次的問題。表面上看，是：客服反饋物流問題多，客戶滿意度低。

可往深入看，客服與物流對客戶滿意度口徑不統一，導緻無法解決問題。

再往深入看，客戶的很多問題并非物流引起，卻都怪到物流頭上，客服自己沒有做區分，而是一股腦打上門來。

這種場面下，有三種解決思路：

第一：中立判官

如果得到了更高層授權，或者兩個部門能平心靜氣談，希望數據部門站在中間當判官，可以用這種思路。這時候可以圍繞客服反饋的客戶不滿意問題，逐級梳理，把哪些是真問題，哪些是假抱怨一層層剝清楚：

第二：故作小白

如果兩個部門打的不可開交，鐵了心要吵架的話，可以用這個思路。數據部門好像一隻人畜無傷的小白兔，表示：“你看我們也不懂物流業務，也不懂客服業務，如果有需要區分哪些來電是不滿意的，可以業務給具體的區分規則，我們按規則去提取數據”。

是滴，讓兩家自己吵架，定清楚了到底什麼算不滿意、從哪裡、依照什麼标準提數，數據部門就當個跑數機。并且隻給數據，不給判斷。這樣是看着很慫，但是能在部門混戰裡先保護好自己。

第三：解決問題

注意，客戶總是想多占點好處，所以客戶真真假假的抱怨是避免不了的。但物流提高配送能力卻是結結實實要花錢的。就像所有的老闆都說要提高客戶滿意度，可你問他花100個億來提高滿意度——十有八九就不同意了。

所以站在解決問題的角度，第一步并非建立客戶滿意度指标，而是先定義物流的服務原則，比如最長發貨時間是多久，比如發貨破損率控制在多少等等。

有了這個标準，第二步就能推動客服，在應對客戶投訴的時候，先區分有沒有違背服務原則。

如果有就是物流執行沒到位，轉物流處理；如果沒有，就得靠客服努力，或者安撫客戶，或者向客戶解釋原則。這樣大家都能在有限的成本内，最大化解決問題。

如果用問題解決思路，需要的分析就不1個建立客戶滿意度指标體系，而是3個相互配合的分析

1. 依據物流原則，目前執行不到位的客戶情況分析
2. 基于物流原則，客戶真實不滿意、假不滿意的分析
3. 基于現有客服安撫方式，客戶真/假不滿意最終處理情況分析

分析的複雜度大大提高。實際上，解決問題導向的分析邏輯都很複雜，并且依賴于數據分析師的業務處理能力。

小結

你會發現：

• 一般網絡文章裡的數據分析思路都是中立判官式的，作者都喜歡把自己當成最大的老闆，指點江山，真他媽爽。

• 一般現實工作中，都是故作小白的搞法。“請業務自己想清楚”“我就是個跑數據的，我啥也不懂”——到頭來經常被人罵“沒有用”“你分析了啥”。

• 一般老闆們解決問題的時候，會用問題解決型思路；可丢給數據分析師的，是三份獨立的取數表，跑數的同學還是不知道在幹啥。

其實三種做法，單獨看都沒錯，難的不是做某一種方法，而是審時度勢，結合真實的問題點，系統數據現狀，處理問題的決心，選擇一個貼合實際的做法。這就要求數據分析師們，如果真想參與解決問題的話，就得從問題溝通、開會、聊天就開始觀察情勢，構建思路，而不是像開篇那樣，上來抓個關鍵詞就百度走起了。

#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