很多數據分析師做了數據分析，但還是無法落地，好的數據分析師能夠深層次地理解業務，把控産品運營全流程，實現真正的落地。那麼，該如何做落地分析？作者總結了數據分析落地全流程，希望對你有所幫助。

“你做的數據分析，一點都不落地！”

“除了寫數字，能不能有落地建議！”

“看了數，所以呢？要幹啥？”

這一類抱怨，經常在辦公室響起，讓做數據的同學很郁悶。到底咋做算落地？今天通過一個例子，系統講解一下。

問題場景：某大型售後連鎖服務商，同時承接廠商、企業、個人的服務需求，由客服接需求以後生成工單，分配給自營的服務點或外包的服務商，上門完成服務。

現在已定下，北極星指标是：實際完成工單件數，問：如何做進一步落地分析。

很多同學一看到問題，就說：老師，這題我會！工單=需求數*轉化率嘛，既然要提高完成工單件數，那要做的就是，把需求數和轉化率兩個指标：

搞高！

所以數據落地的方式，就是：

• 要多簽廠商客戶
• 要多簽企業客戶
• 要做大個人流量
• 要提高客服效率
• 要加強上門管理
• 要提升師傅技能

你看，這建議多具體，多落地……

額……

首先，這麼說确實沒錯，确實這些指标要搞高，确實這六條都是建議，問題是：這些都是正确的廢話，即使不做數據分析師，大家也“早就知道了”，那肯定要搞高呀，還能搞低不成。

從數據推導業務落地行動，核心是：輕重緩急。通過數據分析找到哪裡是重點，哪些是輔助，這才是數據計算的價值。如果不加計算，那人人都知道這也要加強，那也要加強。

想落地第一步，就是停止在數據層面坐而論數，就數論數。數據到底從哪個業務流程裡來，又受哪個流程影響，得先理清楚。業務層的梳理，一般由粗到細，剝洋蔥般層層深入。比如本案例中，雖然涉及業務的角色很多，但以客服收到線索為界限，可以劃分為：需求/供給（如下圖）。

目标是提高完成工單數量，第一級要做的輕重緩急判斷，就是：需求/供給是否匹配。

僅看單個月份/整體供需情況，可能有三個狀态：

第一級判斷，決定了後續落地方向：

• 需求≥供給，提升供給能力
• 需求=供給，持續觀察/降低供給成本
• 需求≤供給，發展客戶，擴大需求

這就是V1.0的落地建議。注意，真實建議不會給得這麼口語化，而是經過計算的：

這一步看起來簡單，其實也暗藏玄機：怎麼判斷到底哪頭大？

判斷标準，絕不是讓老闆拍個腦袋那麼簡單。需求≤供給相對容易觀察，比如售後師傅人均工單數少、平均工資低、人員流失多等等。

但需求≥供給，很有可能是沒有數據記錄的。比如個人客戶打電話進來，結果約不到師傅；企業客戶打電話進來，要排隊很久才能修理，但是因為簽的是年度合同，所以一時半會不會翻臉。

這些情況都使得評估供給能力存在困難，數據不真實情況。等企業客戶流失的時候才反應過來，已經太晚了。

因此，樹立标準最好單獨做分析。比如廠商/企業客戶，需要匹配合同簽約時服務條款（比如接單24小時内處理完畢）；對個人客戶，需要看客戶發起需求後完成率，并且從完成率中，剔除客戶原因（詢價後嫌貴、上門找不到人、随口問問等情況）才能算出來相對準确的數字。

這是尋找判斷标準的工作，建立标準工作後，還得跟各部門共識，才能達成一緻認可。

這一步很重要，很多同學之所以難以落地，從第一步就是：隻有數字，沒有判斷。或者判斷條件不嚴謹，導緻後邊一深入，發現有很多業務上定義模糊，相互扯皮的地方。這樣自然落不下去（如下圖）

注意：時間拖長，可能有季節性變化。比如特定設備在夏季/冬季使用頻率高，更容易出故障。因此基于一個月份建立标準後，可以看一整年的情況，進一步鎖定問題。

比如整體情況是：需求≥供給，但是：

• 偶爾性（1、2個月）
• 經常性（連續發生大于3個月）
• 持續性（新上/臨近報廢）
• 季節性（特定季節發生）

對應的輕重緩急也是不同的，能引導出的落地建議也不同（如下圖）

整體情況确定以後，再看局部問題。比如在第一階段，鎖定了問題來自：供給端，就是供給不夠，那麼該怎麼進一步分析呢？

首先，業務有三條線，三條線誰是重點，要先區分出來。因為廠商/企業這種toB類客戶和toC類個人用戶，是根本兩個發展思路，不僅當前在工單總數中占比不同，而且對未來發展重要性也不同，很有可能toB才是公司生命線。

在不同重要性影響下，即使當前數據相同，對未來發展的判斷也可能是不同的，要先做判斷，再往下細看（如下圖）

其次，售後服務是分區域交付的，因此哪個區域特别嚴重，哪個區域例外，再分出來。這個相對容易理解，每個區域的客戶需求，門店/師傅配置都不同，很可能邊遠地區還是二次外包出去的，因此鎖定問題點，也有助于：抓大放小，先解決問題突出的地區。

這裡又有策略上差異：如果真看到某個地區需求特别旺盛，且都是外包在做，很有可能會選擇“更換掉外包，自己設一個服務點”而不是“該外包需保持業績發展趨勢”。

在落地上，從來都不是哪個指标好了就保持，也不是哪個差了就改進的，很有可能有第三選擇。

最後，售後服務是分2個環節執行的，到底是客服派單慢，還是售後執行差，再分出來。

這個分解最為複雜。因為客服派單派不出去，很有可能是因為該區域/該大客戶服務團隊的工作已經飽和了，或者是因為節假日等正常原因，或者是因為在等零件調貨等客觀原因，所以不拿到接到單以後的服務團隊/配套情況/節假情況等明細數據，很難說清楚到底是派單員的問題，還是服務的問題。

在考慮落地方案的時候，越細節的問題，越放在後邊解決。因為很有可能落到特别細的細節以後，你會發現根本沒有數據……手頭有啥數據就用啥，這也是分析的基本原則。

面對細節數據缺失，可以用管理手段配合數據建設。比如要求客服在首次接單且售後無異常的情況下，接單30分鐘内完成分配，有異常就人工反饋标注。

還可以提前對各地區配件數庫存進行檢查，提前标注缺貨标簽，這樣分析的時候，能區分哪些因為等配件而延遲。還可以要求服務師傅上門前/服務完成後進行系統打卡登記，這樣統計師傅在崗情況，從而反推是否師傅已飽和。

注意，這些管理手段本身對業績也是有幫助的。可以提前發現配套問題，可以監控一線行為獎勵多勞多得，可以及時發現有增長潛力的地區。

所以，用這些業務上利益點做誘餌，是可以推動管理手段落地的，進而達到采集數據的目的，從而一舉兩得。如果沒有好的管理手段，很有可能數據都采集不上來，自然也無法落地。如果沒有業務上利益點，即使高層強力介入，強行把軟件推下去，業務不配合、亂填一通，數據還是一塌糊塗。

想把數據落地，就是這樣一步步從粗到細，剔除各種異常，擊中要害，最後靠和管理手段結合落地。

而不是簡單地：

也更不是出一套“神威無敵大将軍模型”就能搞掂的。比如有的同學一看：诶呀！有客服派單！立馬條件反射般：我們效仿滴滴/美團，建立人工智能派單模型。

那個，這是售後業務耶，機器的損壞率可不會像打車/外賣一樣天天持續，需求就那麼多。且上門還牽扯配件問題，哪裡能随便亂套。所以想做的細，就得深入業務流程，耐着性子剝洋蔥。

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 Pexels，基于CC0協議。

該文觀點僅代表作者本人，人人都是産品經理平台僅提供信息存儲空間服務。

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!