5个步骤，用数据分析优化业务
共 2931字，需浏览 6分钟
·
2022-05-24 09:47
“数据分析，要分析出具体业务优化点”是很多公司对数据分析师的要求，也是让很多同学们头大的问题。
怎么从一个个数据指标里，得出一个优化结论？今天结合一个具体问题场景，系统讲一下该怎么做。
问：如何分析该问题？直播业务优化点在哪里？
很多同学习惯于数据库里有啥字段就用啥，不区分场景，不打标签，结果自然分析不出东西。比如本例，很有可能原始数据记录，就是一个名叫XXX的直播，有XX人报名，有XX人观看，没了。不深入思考的话，很有可能倾向于：
这样能算出三个数字，但是下结论的时候，就很容易被业务挑战：
常见的质疑就是这么来的。这些结论之所以都是废话，是因为业务看了以后，真的不知道能干啥。业务方期望听到的优化建议，是：直播还能不能做！能做的话，做多少场？做啥话题？挂啥链接？不能做的话，我要怎么解决销售问题！这才是有用建议。
那么，如何解决问题呢？
▌第一步：理解业务场景
找业务优化点，第一步当然是回到业务本身。从教育业务本身来看：所有用户一锅炖的来开直播，就不是个很合适的行为。因为不同用户的需求完全不一样：
总之，不同的人，在教育上需求天生有差异。
很多同学看到这里，本能地会提出：分人群开展直播，效果就好啦！
这样也会被喷哦，因为理解业务场景，仅仅是个开始。
▌第二步：分析业务痛点
在提建议的时候，要避免提：“指标低了，要搞高”、“混播不好，建议分开”这一类听着合理，实则无脑的建议。
为啥？因为人不是傻子。看到指标低了，肯定会想着搞高，有精力做分散场次，肯定会想着分开做。违反常识的做法，背后一般都有隐情。要进一步梳理，先找到业务痛点再说。
从表面上看，目前的问题是：直播带来的转化效果不明显。
再深层次看，可能的问题是：直播一锅炖，缺少分类指引。
再深层地看，为啥会一锅炖，背后隐情，很可能是：
总之，所谓拆分，可能只是看起来很美好，实操纠结点很多。
但是，这些具体的纠结点，对数据分析来说简直是如获至宝。分析的问题越具体，越容易得结论，分析的问题越模糊，才越难出结论。有了具体痛点，可以看：如何用数据解决问题。
▌第三步：归纳分析逻辑
业务痛点可能是很分散的，用数据进行解决，需要的是分析逻辑。一个最简单的构建逻辑的方法是：从大到小，从粗到细，先排除明显可见的问题，再追细节。
本案例中，站在数据角度，可以将以上业务痛点，总结为三大类问题：
这三个问题能直接推导出具体优化建议。
但注意，这三个问题，可能是相互纠缠的，比如一场直播没有带货成功，可能是直播本身不行，也可能是用户没需求，也可能是产品不匹配。此时需要构造分析逻辑。
从题目来看，业务方并没有纠结用户&产品，而是从直播切入。因此构造分析逻辑的时候，也应该从直播开始，先看排除直播本身没有组织好的问题（如下图）。
其次，在教育类产品中，直播话题天生和待销售的产品有关系，但是和观看用户不一定有关系。特别是小白用户，经常分不清自己真正要学哪一块，随便看看的情况很普遍，因此第二层级可以分用户，区分新注册用户/老用户（如下图）。
这样建好了分析逻辑，可以填充数据了，但还是建议做一些准备工作。
▌第四步：进行数据准备
为了描述业务状况，经常需要使用大量的标签，很有可能这些标签并未事先准备好。因此需要做准备。
比如本案例中：
这些都需要一一准备好，这样后续分析才能有线索。
注意：很有可能业务方要分析结论要得很急，之前的基础建设非常地差，根本没有时间一一打标签。此时就要提醒业务方：不打标签的情况下，无法对问题深入分析。建议至少把一些特别重要的先打上，不然总是临时抱佛脚，就总进步不了。
▌第五步：输出分析结论
有了以上所有准备，最后一步就是数据填充，根本就是水到渠成的事。而且这样分析，能按图索骥的找到问题最明显的点，从而提出非常细致的优化建议（如下图，注意，由于篇幅限制，下图没有完整展示全部推演逻辑，有兴趣的同学可以自己补全）。
在构建分析逻辑的时候，实际上每一类用户对应的情况，已经是一个具体的业务优化点，只不过数据是最终裁判。哪一类情况出现的多，就有限解决哪一类问题。并且，出现两个因素相互纠缠的时候，也以看数据多少，选择主要问题来解决。这正是数据分析有用之处。不然千头万续，无从下手。
所以，深入业务场景，剥丝抽茧，层层论证，才能更好地得到优化点。注意：作为优化建议，一般都是从补缺的角度来提，但是补齐现有缺点，并不意味着就是最优解，很有可能有更好的点子。因此真的想提可落地的建议，不见得只有本文一种方法（实际上，有三种基础方法）。
知识星球历史已上传相关资料概览：
报告已同步至知识星球，需要源文件请公众号后台回复：报告
报告仅做分享交流，文章开头已注明来源，如有侵权，请联系删除；