数据分析不落地？典型案例教会你！

数据从业者们经常会陷入这种窘境：一方面抱怨长期做底层的脏活儿累活儿，驱动业务的机会太少一方面真到了要给业务献言献策的时候，又被吐槽分析出一堆已知事实没啥实际帮助。

很多文章都会选取一些理想化的小案例来拆解分析，与大多数时候我们面临的局面不符。有鉴于此，古牧君这回找一个如假包换的例子，从理论到实践、从抽象到具象：

我们要“拯救”的产品，是一款离职了也不放过你的产品。简单说，员工在职的时候公司会开发很多不同的APP，负责他们从入职培训、到学习成长、到保险产品售卖等离职了，想要走完离职流程，也必须下载安装公司的一款APP。对，就是这么流氓，就是这么困难，就是这么现实。

虽然这款APP很流氓，但哪儿有那么多挑肥拣瘦的余地。于是这款APP中就出现了上图红框里的那么一个对话机器人：它的核心任务就是充当一个，教会离职员工如何兼职售卖公司的泛金融产品，自己挣取佣金的同时、也替公司创造剩余价值。嗯，今天我们的主角，就是这个机器人了

为了达成上述目标，这个智能销售教练集成了3个功能点：

（1）以为主干交互方式，承载智能销售教练中“教练”的身份，在一问一答中教会你如何在线上卖泛金融产品

（2）提供丰富的，供你转发给微信好友、或分享到朋友圈。当今社会普遍对保险认同感较低，需要有大量内容素材帮助客户建立对保险的科学认知，以及通过客户对内容的互动反馈，了解客户的意愿与偏好，更好的服务客户

（3）对接泛金融线上，包含保险、理财、生活3个领域的多款产品，方便你自选一款进行代销，并最终返还佣金

我们总结下，这是一款的AI产品。就是说，它不直接面向广大消费者，而是公司开发好之后，通过这款产品教会代理人群体（Agency），再经由代理人群体去经营C端消费者。。

交代完背景，我们该面对困难了：就这款产品吧，可以用百废待兴来形容。因为上述的那个智能销售教练，也是临危受命刚刚上线不久，之前那款APP一直就是一个仓储大超市状态，货是不少但就是没服务员告诉你该怎么挑选怎么买卖。老板们希望这个智能销售教练能作为中控角色，盘活整个APP。然而智能销售教练上线后，DAU表现平平，并没有达到力挽狂澜的效果。产品团队开始焦虑，老板们蓄势待发......

面对这么一个局面，数据分析人员的了：别整那些四平八稳的DAU趋势分析、异动分析和什么当前活跃用户画像分析了，先解决当务之急吧！

老板们对智能销售教练的期待貌似是无限的，这可不是一件让人能安稳睡觉的好事儿。我们必须要合理预估出这个产品在中短期的规模上限，有理有据的管控好老板们的预期，否则就是挖大坑埋自己。

向上管理只是一个方面，更重要的还是做实事儿，想想怎么才能提升智能销售教练的DAU和MAU。既不能拖太久，也不能搞竭泽而渔的小伎俩，要让产品进入。

聚焦了目标之后，需要进一步思考战略方向：活跃用户到底从哪儿找？摆在面前其实就两条路：

要么充分内部挖潜，想想怎么接住这些离职员工的流量，毕竟也是十万量级的，而且人家都是接触过保险销售的，上手快些。

要么就外部搜罗，想想花钱打广告啥的，毕竟外部流量的盘子比离职员工要大太多了。但缺点就是人不好找，而且需要花钱，不可控因素也比较多。

两厢权衡下来，还是选择熟悉可控的内部挖潜。进一步，虽然这个APP的用户行为数据很稀疏，但他们离职之前作为公司的员工，数据还是丰富可用的。

既然锁定了内部挖潜，做好离职员工的承接，而且眼下这个APP的数据也稀疏、凌乱，就要好好利用下他们离职前的数据。其实这个逻辑也很顺滑：

离职后提供的智能销售教练，核心功能是智能客服+内容素材转发+线上商品售卖，正好～员工们在职的时候，公司提供的那么多款APP中，就有3款APP能跟上述3个功能完美一一对应上。我们可以通过他们离职前半年，在这3款APP上的表现，来精准的刻画出智能销售教练的潜在用户画像。

锁定到离职前的这3款APP之后，就可以进一步分别统计3个指标：离职前半年平均每月向机器人提问次数、离职前半年平均每月转发内容到微信的次数、离职前半年平均每月线上售卖出商品的件数。

而且通过分布图（脱敏处理示例数据），我们还能大概定位出每个指标的分界点，用这个分界点将用户的表现简单划分出好与坏，以此作为后续用户分层的判断标准。

简化一些来看，在3个指标上表现均高于分界点的，可以划归为高优用户，这些用户是智能销售教练应该极力去争取激活并留下的用户，因为他们离职前就已经相对比较熟悉产品的3个核心功能操作了。

相反的，3个指标均低于分界点的，肯定就是低优用户了。坦白说这些员工在职的时候表现毫无斗志，大概率就是怎么也没法激活的了。这类用户也是规模最大的，比较符合普遍规律......

介于中间档位的那群用户，也是需要认真对待的，毕竟他们体量相对较大，而且在部分方向还是“有救”的。但这群用户也相对比较复杂，需要结合他们各自的擅长，设计不同的承接策略

综合上面的分析过程，我们就可以量化的得到高、中、低3个优先级的用户群定义方法，其中高优+中等是我们必须努力争取的，他们的数量比例以每个季度来看，是相对恒定的（假设是a%和b%）

同时，我们通过分析也掌握了员工离职的季节性规律，基本每个季度的首月，会因为业绩不达标有较大规模的清退，其他月份基本都是主动离职，数量相对较小。

如果以季度为单位，每个季度离职的员工基本稳定在N，假设只依赖内部挖潜，且所有用户被销售教练激活后都能留存下来，那么每过一个季度，用户规模都会增加N*（a%+b%），可以用此来预估中短期用户规模的上限。

不仅规模预估的目标解决了，用3个指标给用户划分优先级的方法同样可以沉淀成为用户标签。这样每一个员工离职时，我们都能获知对智能销售教练而言这个员工的优先级，以及他相对更能接受哪个功能（人机对话、转发内容、售卖产品），并以此有的放矢、投其所好的激活留存他。

虽然大框架已经搭好了，但能做的细节还很多。比如可以分析用户来到APP之后的高频点击行为，和进入智能销售教练之后的高频提问，来设计功能入口位置的冒泡引导语，快速高效的引导用户如何解决问题。

还可以像前面分析的那样，根据用户在离职前的特长，设计不同的新手引导流程和沉默引导话术。比如一个员工离职前比较熟练通过线上转发分享一些文章，来打造自己的专业形象，激发客户对保险的需求。那针对这类员工，当他进入到智能销售教练后，可以在新手引导流程和长时间沉默引导话术的设计中，突出产品拥有大量优质内容素材、以及可每天精选内容推荐给你供你无脑转发，以此快速唤醒离职员工对智能销售教练的兴趣。

到此为止，我们就算是初步完成了一个还算落地的复杂数据分析项目了。复盘下，一个好的分析项目，最重要的就是先把问题分析清楚，搞清楚背景是什么，以及这次分析的目标是什么？：分析的内容不解渴，自然无人问津。

进一步，数据分析在很多时候，就像我们这个例子，SQL+EXCEL+PPT就完全可以搞定。而能不能深入业务，找到场景之间的关联，数据之间的联系，才是关键。黑猫白猫，能抓到耗子才是好猫。

最后，要让分析落地，往往都必须要争取多方信任合作。报告完成之后，，四处游说兜售自己的方案。需要让产品和运营认同这个方案，需要让具体执行的研发同学理解你的思路，最终还要追踪策略落地之后的效果。

一个成功的分析项目，往往只是部门里长期数据驱动业务的合作开端，抓住这个机会就能事半功倍，让分析人员做个体面的打工人。

以上，就是古牧君脱敏处理后，分享的数据驱动业务的真实复杂案例了。

-END-