有同学问：“如何基于数据分析提出运营建议”，今天我们拿个简单的题目来举例。这个题目陈老师之前讲过，有印象的同学应该还记得。再举一次，是因为每到招聘季都有人把它搬出来，而且有关它的大部分讲解，都是错的。事实上营销系统越来越受到广大客户的欢迎，市场表现力也逐渐提升。http://www.bailian-ai.com/
已知，下图是某个电商一周销售金额走势(具体数据都差不多，总之曲线长这样)，问：数据反映什么问题，怎么提运营建议。
很多同学一看这个数据，本能的回答就是：比较后两天低了，要搞高
问题就从这里开始！
1为什么不能写要搞高因为如果面试官多问一句：你准备搞到多高?就能把“要搞高”个字干废了。论怎么后续怎么解释都解释不清(如下图)：
这就是：“说话的一张嘴，做事的跑断腿”的直观体验。“要搞高”个字说起来轻松，可做起来一堆问题：
为什么非要搞高?要搞到多高才算高?市场搞高还是销售搞高?用什么型号的产品搞高?啥时候开始搞到啥时候?所以说做数据分析的，要对业务常存敬畏之心，不然光空口白话，会被人笑话的。
真要提建议，当然得从首个问题开始。为什么非要搞高是比较初的判断，也是比较重要的判断。判断错误会把整个方向带歪，搞得大家兴师动众劳而功，所以一定要慎重。
2首个建议是要不要搞为什么不是低了要搞高，是因为很多业务都是周期性波动的，比如休闲类消费就是周末高，平时低;B2B交易就是工作日高，节假日低。碰上小长假之类的，除了吃喝玩乐大部分其他交易都会停。所以得多看几周数据，看过往趋势。
有些商品交易有明显生命周期性，比如手机都是新上市的卖的好，过一段时间性能落后淘汰了就自然会差。题目仅给了一张图什么条件都没说，所以有可能这是某个(或者某些类)商品的生命周期末尾，因此还得看具体品类。
我们还不知道，到底这一周交易的目标是多少，如果目标已达成，那即使低一点又有啥问题，所以还得看任务目标。
综上，想说：要搞高，前提是先判定这个数是低。这样就得先找标准。我们得综合趋势、品类生命周期、任务目标，综合下结论(如下图)：
很多同学说，这一步看起来很简单呀，不就是把曲线拉长吗。际上情况可能很复杂。请注意，简单是建立在两个情况上的：
销售金额是个很直观的、数值型的、结果性指标，高就是好，低就是不好。上边举例的种情况，都是严格符合趋势，且前后走势一致。如果情况1不成立：比如是阅读量、用户数这种过程指标，判定就变得复杂。你得看这些过程指标的涨跌，和销售金额，毛利这种结果指标间有没有直接关系。如果是转化率这种比率型指标，就得先看是分子小了还是分母小了。
如果情况2不成立，往往意味着一种特定的业务行为。比如下边两种很常见的场景，在整体达标的前提下，内部结构发生了有趣的变化，这种变化到底是好还是坏，会不会眼前看着达标，后边几期数据就不达标，都有可能，这时候就得更深入的分析。
3第二个建议是要搞多高如果经过判断有问题，真的要搞高，那第二步的判断就是：要搞多高。很多人会说：不是越高越好吗?显然不是!应该是：在投入一定的情况下，越高越好。你的商品主管、用户运营、产品经理、开发在短期内的投入能力都是有限的，因此得定个合理的小目标。
如果上一步做的很扎，那么这一步就非常好做：
参考标准1：KPI。可以计算做多多少才能补齐KPI参考标准2：自然周期。可以计算看多做多少才能让业绩曲线保持过往周期性运转，至少止住持续下跌的态势。参考标准3：生命周期。可以看按目前生命周期，预计商品还有多少周销量，再看要做多少才能赶上节奏，避免后期积压。当然，以上都得和具体品类结合。如果题目没讲清楚，可以根据自己的理解假设情况进行深入。不深入，越到细节讨论，可能性就越多，越难讲清楚。
4第个建议是谁来搞再往下建议，先定干活的人，再讲具体怎么干。注意，不同部门可以干的事是有区别的。
流量运营：为全站引流，分配流量商品运营：商品选款、上下架、补货活动运营：促销活动、宣传活动用户运营：给制定用户发券产品经理：调整购买路径因此想提有用的建议，得先明确是提给谁的。这里就需要拆解问题，落到具体产品品类、用户等级上。但在拆解之前注意：先区分是整体性问题，还是局部性问题。如果是整体性问题，比如整体上流量不足，竞争对手争抢用户太厉害，产品线整体老化，这时候就得出杀招，考虑整体流量，出爆款。要是只是个别产品的问题，可以再具体考虑。因此看结构性变化，就是个重要的参考数值。
5第四到第N步建议再往下继续提建议，会涉及到具体怎么做。请注意，“怎么做”是不能直接从数据层面推导的。比如在上例一中，我们看到了A产品销量下降是引发问题的关键，但是，是选择C产品替代A，还是基于A重新做活动，还是全站导流。这里需要业务的专业判断。
数据可以做的分两种：
首，上次出现类似情况，是如何处理的，比较后效果如何
第二，常规措施，促销、新品、用户活动，大概投入产出多少
基于这两点，先判断整体策略方向：到底用什么手段，用多少投入。之后才是细节：具体哪天上什么产品，惠力度是多少，发券面向多少人……在更细节层面，比如券面额，活动形式上，可能还得配合一些AB才能得到比较后结果。
这样层层深入，每一步都基于之前获得共识的判断，能非常有效的助力业务思考，也不容易被推翻。既不是一上来抛个宏大的话题：“要搞高”，也不是一下踩到很细的细节：“老夫掐指一算，只要在2月5日派200张面额50满200减50全场通用的券，定可逢凶化吉扭亏为盈”。这才是数据分析真正发挥作用的方法。
6小结很多同学觉得提建议很难，总觉得提的不够细，其主要是思考的不够细导致的。如果一上来只有一根曲线，没有走势分析，没有结构分析，没有标杆，肯定建议也细不下去。甚至连“要不要搞高”这么简单地建议都会提的毫依据，很容易被挑战。
运营、产品、销售、营销做事情都是很具体的52。
应对什么问题面对什么人在什么时间什么渠道以何种形式用什么力度得什么效果这里每一个点其摊开来都是数据分析可以解释，验证的话题。但是如果直接插入这些细节，就会陷入：“为什么非得是A不是B”的各种论战里法脱身。
因此我们建议用剥洋葱的方法：
从比较简单的：“是不是”搞起先问是不是这个问题再问是多大的问题再问是哪里搞出来的问题再问能怎么整这个问题再问这次可以选哪个手段 |
