問題場景：

某零售公司，同時有線下門店和線上自營微商城，現在大老板要求運營部門“提升同時在兩個平臺下單用戶比例”。運營總監表示：“數據驅動業務，請數據小組給出清晰的指引”。你是這個公司的數據分析師，問：這時候該做啥事？

思考一分鐘

一、難點解析

你會不會這么干：

• 計算同時下單的用戶人數、占比、增長率
• 計算同時下單的用戶人均付費金額，付費頻次
• 對比同時下單的用戶VS單一渠道下單用戶購買產品top10
• 對比同時下單的用戶VS單一渠道下單用戶的性別，年齡，地區
• ……

做完以上事情，你是否有一種深深的無力感？

是滴，這就是數據驅動業務的最大難點：數據不能直接得出一個業務動作。同時下單用戶女性占比60%，單一渠道女性占比55%，所以同時下單的女性多出5%。

所以呢？所以要推女性？這思路也太白癡了吧！僅僅多了5個點而已，能說明什么！其他維度對比分析也是類似。可能最接近直接導出結論的，是看購買商品排名，哪個賣得多推哪個嘛。然而實際情況，很容易被業務噴得渣渣都不剩的（如下圖）。

很多同學做到這就就開始迷茫，于是上網找“頭騰阿公司的大神，可付費！”，搜《21天精通線上線下同時下單分析》pdf版等等病急亂投醫行為又冒出來了。

二、破題關鍵

破題的關鍵，在于：把業務動作和數據關聯起來。用數據論證判斷，在行動中收集數據，這樣才能讓數據和業務結合起來。比如眼前的任務，注意審題，老板只給了個方向：提升兩平臺同時下單人數，至于到底現在是多少，提升到多少？為什么要提升？一點信息都沒給。

所以這時候，第一位的任務是：清晰方向。還輪不到想具體方案的時候。而跟方案有關的判斷，首先是：到底要不要干。注意，老板沒有提具體數字，很可能他只是朦朧地感覺到應該這么說，因此“要干”“不干”兩個正反結論，都可以用數據驗證（如下圖）。

類似的，可以把整個決策過程中所有判斷，都列成待驗證假設的形式，這樣就能把“目前用戶占比20%，每月增長5萬，75%會持續同時下單”這種純數據羅列，轉換成：“目前有空間可以做，增速不高，有規律可循”這種對業務有意義的結論。這樣就能持續的利用數據往下推導了。同一個問題，也能從不同角度多方向論證，具體思路同學們可以自己細想。

假設目前的情況就是：“以線下門店下單為主，線上少，目前有空間可以做，增速不高，有規律可循”。下一步可以怎么做呢？

既然是有規律，就得看是什么規律。這里需要用到對比。注意，做對比和亂對比是兩碼事，不是說列出一堆柱子看哪根高就放哪根，而是要圍繞自己的分析假設來。比如用戶不到零售門店，反而去微商城下單的背后，可能有4種規律，因此可以分別找對應維度數據來驗證（如下圖）。

因為目前尚在探索方向階段，所以要盡可能把影響大方向判斷的細分問題，都提前梳理清楚，比如：

1、“同時下單”的標準具體是什么如何？

2、目前符合標準的人有多少？

3、符合標準的人在持續增加、減少、不變？

4、符合標準的人比不符合標準的人，在質量、行為上有何差異？

5、符合標準的人和不符合標準的人，是演化關系還是壓根兩群人？

6、為什么希望提高“同時下單”人群？

做完這些功課，再去和業務/老板溝通，比憨憨地問“為什么？”要有意義得多。很多憨逼直接去問一堆“為什么”，結果被人劈頭蓋臉噴回來：“要你何用！”“長腦子沒！”“分析了啥！”。

而有了功課，可以：

1、可以主動猜行動目的，猜對了立馬能讓大家覺得你很懂業務

2、可以主動提示驗證結果，不管成立/不成立，都說明你思考很細

3、可以主動引導方向，告訴大家有哪幾種規律可循，顯得分析能落地

總之，老板們最喜歡自己提個粗略想法，下屬做了一堆非常細致的工作。很多混得好的數據分析師，都是靠這種手段上位的，切記切記。

三、數據驅動業務的落地方法

然而光有方向還是不行的，很多業務喜歡喊：落地。那該咋落地呢？注意，在落地上，數據分析方法不能直接產生創意，更多是總結過往結果，測試創意效果。而業務方的行動可以直接產生創意，并不一定需要數據支持。

比如線上線下同時下單這事，如果業務方推出：線上下單門店周邊2公里內免費送貨服務，那很有可能線上訂單大漲。如果過去沒做過，或者做過但是沒有回收數據，那巧婦也難為無米之炊，怎么都分析不出來怎么干的。

對全新的方案，需要具體執行細節加測試，才能真正確認效果。比如周邊2公里內免費送貨服務，如果是全新的業務，需要業務方給出細案，才能做測試。

所以，在落地階段，最關鍵的問題是：

1、之前是否有做過相關動作？

2、如果做過，效果如何，投入產出比如何？

3、如果沒做過，是因為沒想過，還是想過覺得有障礙？障礙是什么？

4、同行是怎么做的，能打聽到的效果是什么？

5、是否已經有初步計劃，如果有，是什么？

同設定方向階段相同，這五個問題首先是數據分析師自己問自己的。所謂的對業務敏感，平時要多收集活動公告，版本更新信息，之后落地的思路就很清晰了。簡單地說，就是：已有大量行動情況下，做調優，優選最佳行動路線；尚無大量行動情況下，做測試，探索可行道路。

當然，很有可能你這么干了，你的業務還是喊“不具體！”，要求數據給出來的方案，具體到有幾個頁面，頁面幾個按鈕，頁面代碼怎么寫，活動海報怎么畫，是畫3筆還是5筆……

如果真的把這些業務工作都甩給數據，數據分析大可以直接建議：建議更換有能力做海報、做h5的業務。甚至可以結合招聘信息進一步分析：有這些能力的業務月薪也就8-12K，炒了現在這幫XX更劃算，謝謝。

四、小結

當然，執行階段，數據也能做監測，也能診斷問題。在復盤階段，也能總結經驗。這些都是能做的驅動動作。

之所以著重強調策劃階段與設計階段，是因為“數據驅動業務”在這兩個階段范的錯誤最多。常常是：

1、策劃階段，數據分析師閉門造車，不結合業務，不分清目標，盲目指望“超牛逼模型”“全國統一模板”能理清問題。

2、設計階段，業務部門盲目甩鍋，啥都依賴數據，沒主見沒想法，恨不得數據把自己的工作全干了，不然就喊：不具體。