经常有同学在工作中抱怨，感觉“做的分析没有啥业务价值，报表丢出去了也没回应”。到底怎么做才能让数据分析体现价值，今天结合一个具体场景，详细讲解一下。据相关报道，获客平台在很大一部分程度上引领着市场行情的变化。http://www.bailian-ai.com/
问题场景某同学入职一个会员中心，雄心勃勃地想建立“数据驱动业务”机制，为此，规划了一堆：
建立全链路数据指标体系，反应运营情况建设3000个会员标签，丰富会员画像建立RFM模型，对会员分层建立预测模型，针对会员购买行为进行预测建议推荐模型，针对会员购买商品进行推荐规划交上去，却被一顿批斗：“你这做的有啥业务价值！”该同学非常不理解，不是一提及用户分析，就是用户画像、RFM、分层、推荐，难道还有啥神秘力量我不知道为啥这些东西会被喷“没价值”呢
从“什么算价值”说起这个问题，得从“什么算数据分析的价值”说起。如果我们是乙方，是数据产品、咨询，那么我们可以提前做一堆工具，比如BI、数据模型、CDP等等，然后卖给甲方。这个算是数据分析价值的直接体现了。
但换个场景，我们现在是甲方的，数据是直接服务业务的。此时数据分析的价值，就是由“到底帮助了业务多少”来定义的。如果：
我们给的数据，业务已经看得到了我们做的预测，业务根本不需要我们做的分类，业务压根看不懂我们做的画像，业务找不到地方用那就是没价值呀。这个和“大家做的都是这些分析”一点关系没有，只要我们的业务用不上，丫就是不会被认可。
因此，想要提升数据分析的价值感，就不能“拿着锤子找钉子”，先轮出一堆“用户画像、RFM、关联推荐、行为预测”的大锤，然后看哪里能锤一下，而是看：“到底我们的业务需要什么”。
注意！业务需要什么，也不是直接问问了事，因为很有可能：他们需要你算命。
拆解业务问题如果你直接去问业务：“你想要什么”，很有可能你会听到：
我想100%精确预测下个月商品销量我想100%准确知道用户流失原因我想100%准确预测活动参与人数我想100%准确判断用户想要什么比较后还有可能跟你客气一句：“100%做不到，98%也行，咱不纠结”。如果真拿这个需求来做，那铁定做不出来。为啥?因为商品销量、用户流失、用户需求，这些都是经过业务手段影响后的综合性结果。比如用户本来不想买，结果业务派了券，用户想买了。此时得先知道：业务会不会派券，会派多大额度的券，才能预测结果。
这意味着即使可以建模预测，也得先知道：“业务手段是什么”。这显然和业务需求不符，这帮人还等着我们100%精准预测出来，然后看着预测结果做行动呢。所以不要直接生吞业务需求，而是拆解业务需求，找到可以做的发力点。
比如“100%准确知道用户流失原因”，多问一句：知道以后又能如何
有些用户贡献很低，他流失了，真的值得挽回吗有些用户对我司产品没需求了，我们真的会改进产品吗有些用户需求和我司存量用户相冲，我们真的要讨好这些人有些用户就是来薅羊毛的，我们真的要节制满足他们5、……结合业务场景，往下拆解需求。就会发现：大部分情况下，业务能做的事情是非常有限的。特别是短期内拉升某些指标，可能可用的手段，就是派券发信息，没了。而长期内的改进，又是和业务整体规划密切相关的。因此聚焦到业务可以做的事情上，就能保证数据一定能被业务用起来。
这里有个常见的务求，就是拆解需求，不按业务可做的事拆解。而是单纯在数据层面绕来绕去。比如分析用户流失情况，就把所有的流失用户单捞出来，然后丢一大堆性别、年龄、过往消费……等等描述性统计结果。这样看似给的数据多，可依然和业务行动是脱节的，业务看完依然很迷茫，依然会反问“所以呢所以我能做什么”
寻找业务盲点拆解完问题后，可以进一步寻找业务盲区。找到业务盲区，对提升数据分析的价值感非常有用。因为业务并非对数据一窍不通，特别是和他们KPI相关的数据，一般盯得非常紧。如果丢出来的数据是他们早就知道的，那铁定落得一句：“我早知道了，你分析的有啥用”的吐槽。
所以：
业务不知道什么业务不确定什么业务想测试什么是比较能体现数据分析价值的地方比如流失用户问题，很有可能业务方每个月在固定投惠券，然后已经掌握了很多基础数据，比如：
每月有多少用户处于流失状态每月派多少召回用户的券每月从多少渠道发推送每个渠道转化率，召回率这时候，如果再把这些数据讲一遍，哪怕打着“建立完善指标体系”的旗号，依然会被喷“我早知道了”。所以基于现有数据，可以往下切：哪些是大家额外想知道的。
在这里，是否修改现有规则，是个关键问题。如果不修改，就基于现有的推送渠道，推送文案，推送券类型，做排列组合。找到转化率比较高的方式。如果要修改规则，就看业务上能做的事情是啥比如提高面额，修改推送信息时间点，修改推送方式（比如基于用户裂变），更换推送内容（比如不推券，推个爆款）。
是否要修改，是和业务紧密有关的。因为很多时候业务是没有权限动策略的，策略是老板已经定死了的，只能做小修小补。而有时候，业务又很想修改策略，这时候就需要大量数据支持，需要先了解：业务想往哪个方向改。
比如业务方很想往：加大券力度方向调整。此时数据分析的思路，就是：1、找到哪些人群容易被券召回2、区分出这些人群中有价值的部分3、核算过往人群消费，给券力度提建议原则上，有消费力的人才值得大力度召回，这些细分数据，是业务方向老板要资源的时候需要特别强调，以打消老板顾虑的。给到这个级别的数据，就能极大支持业务动作，体现数据价值。
注意，这里做的分析内容，还是：
区分用户过往消费，核算用户价值区分用户对抵用券领取使用敏感性，打“抵用券偏好”标签区分用户对推送信息响应率，找高响应群体但是清晰了：“这是业务特别需要的数据”以后，这些数据给出去，就能得到大家的认可。而不是不分青红皂白，先做个RFM（分段规则还没和业务确认）然后扔出去，业务看得一脸懵逼：所以呢所以我可以干啥做好经验积累
还有一个很重要的，数据分析可以主动做的事，就是围绕目标，积累经验。业务部门处于本位考虑，经常是各自为各自项目摇旗呐喊，容易忽视不同项目之间交叉作用。比如用户流失问题，很有可能流失的用户本身是某些商品的粉丝，本身是季节性购物需求，他不会响应会员中心盲目派的券，而会响应商品部门推送的活动。
此时数据部门，可以主动收集各部门活动，以用户为单位，展示各类活动影响用户全景，这种全景式的数据，业务站在自己部门很少看得到，很容易引发业务思考。因此特别建议数据部门，主动收集各类业务动作，围绕同一个业务目标综合起来。这也是体现价值的方法。
小结综上可见，数据分析要基于业务，为业务服务，并不是一句空话，而是结合具体的业务场景与业务需求，具体讨论业务可行范围，拆解业务问题，逐一解答才能现。 |
