8张图,看懂数据驱动业务的六个层次

本文转载自微信公众号「接地气学堂」,作者接地气的陈老师等。转载本文请联系接地气学堂公众号。

我们总说数据驱动业务,可平时看到的,却总是业务部门追着数据部门屁股要数据。哪里是驱动业务了,分明是被人牵着鼻子走啊!

很多同学都有类似的疑惑:到底数据分析对企业有什么用?我的数据用到什么地方去了。最关键的:如果数据都对企业没用,我的岗位还值钱吗?

数据当然会驱动业务,只是在不同的企业发挥作用的形式不一样。今天我们一起来看一下,数据驱动业务的六个层次。看看你们企业是哪一种。

1层次一:奴隶监工

数据驱动业务,最直接的形式就是给业务下KPI。你,今年销售要破千万!你,今年销售要破一个亿!类似的场景我们可能早就有耳闻。

下任务带数据,在中国已经有2000年历史了,古代的军令状就是最早的KPI指标承诺书。似乎带个数据,就显得这个命令格外有分量,就必须要完成。完成就是英雄,完不成就杀头,也显得格外地对业务有驱动力。

然而,下个KPI就能驱动,只是想象中的事。实际上,只是盲目地用数据下KPI,效果并不好。因为KPI指标到底怎么来的?为什么要做到这么多?每个人分配多少?完全没有一个标准。

因此很容易让下KPI变成一个假大空的事情。办事拍脑袋,承诺拍胸脯,出事拍大腿,结局拍屁股,也成为这种只有空洞KPI的企业的常态。

总之,没有分析过程支持的KPI,就是奴隶监控手中的鞭子。虽然看起来甩得啪啪作响,煞有威严,打得奴隶们不得不走。实际上却没有效率,常常沦为空谈。这是数据驱动业务的第一阶段。

2层次二:账房先生

当然,很快大家就发现空下KPI效果不好使。实际上,一个良好的KPI,是蹦一蹦可以摸得到的KPI,这样既考虑了实际能力,又有挑战性。于是人们开始考虑拆分KPI,寻找KPI的来源。还拿销售数据举例子:

如果是按团队销售的,就开始拆分:

总销售业绩=团队数*团队人数*人均产出 总销售业绩=团队1业绩+团队2业绩+…… 团队1业绩=张三业绩+李四业绩+……

如果是按门店销售的,就开始拆分:

总销售业绩=大区数*大区门店数*每门店产出数 总销售业绩=大区1业绩+大区2业绩+…… 大区1业绩=门店1业绩+门店2业绩+……

这种做法,极其类似地主家收租。地主家会雇一个账房先生。账房先生会先算一个总账,看看今年是丰年还是灾年,预计下地主老爷下边的50个农户总体能产出多少。如果遇到灾年,总收入不足,就建议地主老爷趁机多兼并一些土地,把农户总数做多,还能保住总收成。

在往下分配收租指标的时候,会考虑各个农户劳动力多寡,生产能力,分配一下收租数。让劳动力好的多交,差的少交。这样看起来一举两得,既不会逼死农民,又能多压榨些劳动成果。这是数据驱动业务的第二阶段,姑且叫他账房先生好了。

3层次三:事后诸葛

实际上,层次二仍然是知其然不知其所以然的阶段。因为到底业绩是怎么来的?是卖什么卖出来的?卖得好的业务员有什么诀窍?还是一无所知。到头来还是靠拍脑袋:你连续三年都做得好,今年也做得好吧。

然而这种假设不一定成立,只有真的洞察到业绩的来源,才能分析出到底能做到多少。还拿销售数据举例,在总销售业绩=大区数*大区门店数*每门店产出数的公式中,只有破解了每门店产出数到底是怎么来的,才能正确地估计,到底这个门店能做多少。

随着商业模式的进化与数据系统的强大,于是销售解析的公式开始越来越复杂。即使只有最简单的POS机订单,我们也能把门店业绩,拆成如下:

门店业绩=订单数*订单单价  门店业绩=订单数*(件单价*连带率)

这里,订单数意味着客流的好坏,件单价代表了产品档次,连带率意味着交叉销售水平。从这三个指标加上其他一些对比,就可以初步解读出:我们是要多做引流还是力推高端商品,是要考虑降价吸客还是推组合销售(具体解读过程太过复杂,单独有文章介绍)。

有了会员卡+电商平台以后,就可以进一步拆解指标:

门店业绩=(全体用户*付费比例*人均订单)*(件单价*连带率) 门店业绩=(全体用户*活跃率*付费比例*人均订单)*(件单价*连带率)

到这里,是不是分析公式,已经和目前电商常见的AARRR模型很像了。有了会员卡(会员ID)我们就可以区分用户等级,用户价值;有了网站,我们可以记录用户成交以前的活跃行为。

这使得我们可以深入解读“为什么用户会购买”,从而能极大地丰富对业绩来源的分析方式,从而合理地指导业务进行工作。除了调整商品价格,品类搭配以外,还多了更多针对用户需求的信息推送动作,而且使得业务行动越发科学。

到这一步,数据已经成为业务方的生意参谋。不仅仅是在一旁吆喝着:你要出业绩!而是能帮忙出谋划策:你做XX产品组合销售,针对XX客群做推送,可以更好地出业绩。这是数据驱动业务的第三阶段,这个阶段做得好的公司,业务部门会把数据分析师当作顾问和军师,真的认真听取他们的意见。

4层次四:前敌参谋

层次三写的内容很多,是因为大部分的分析方法,都是在层次三应用的,展开来写n篇文章都不够。

但是层次三仍有两个问题。问题一,分析过程太长,都是事后的结果,没法在过程中即使调整。问题二,军师嘛,都是说话给主公听的,前线的统军大将,不是“将在外军令有所不受“的骄兵悍将,就是“末将糊涂请主公明示”的虾兵蟹将,数据分析结果出不了市场部,前线难以应用。

更好的状态,当然是能上通下达。然而这需要技术与业务的双向支持。在技术上,需要有简单、易懂的BI工具。让一线方便,快速地看到实时数据;需要有强大的后台系统能支持实时计算,缩短数据反馈的时间,基于数据进行行动。

在业务上,要么有老板强力往下推动,形成数据化管理的氛围。要么需要数据部门自己有手段,在业务部门里培育出有使用数据习惯,会科学使用数据的人才,大家通力合作,这样才能实现真正的数据驱动。

要不然,辛苦做的BI,报表打开率不到10%。一线的不是平时不看数据,就是发现问题了喊着:“来个人工智能大数据分析一下吧”,这样还是无力推动业务。

5层次五:智能打手

除了直接买卖数据外。数据能自己创造业绩吗?当然可以,数据也可以代替销售们下场卖货!充当打手直接冲锋陷阵,斩获业绩。当然,这是有前提的。

第一:既然是打手,得能够直接打到人才行。因此不需要导购、业务员参与的B2C销售模式,就更容易发挥数据作用。比如电商网站、搜索网站的推荐系统,就能通过算法,提供有效信息给用户,提高成交率。

第二,打手想打出成绩,得能打得动痛点才行。在消费者对产品有鉴别力的行业更容易生效。类似医疗保健美容家装,这些存在巨大信息不对称,存在大量非理性消费的领域,销售、导购还是起着巨大作用。

第三,智能打手之所以智能而不是瞎打,得有大量数据支持。这意味着在推荐系统上线前需要有足够数量数据及足够数量的用户。这两点恰恰是很多平台的缺陷。有可能平台本身不是淘宝微信这种超级应用,用户少、数据记录少,就更难发挥作用。

同时凑成这三点相对困难。因此所谓精准营销,智能推荐,目前成功案例及可应用的范围均较少。但随着消费者本身使用移动互联网越来越多,阿里/腾讯开发部分数据及研究资源,未来类似的系统可以发挥更大作用。这是数据驱动业务第五阶段,也是最高级阶段。数据在这里直接就是生产力。

6层次六:大内密探

自有数据以后,数据就开始成为间谍们交易的筹码。数据驱动业绩自然也有了大内密探这种模式。

然而,数据的黑市交易始终被法律所禁止。所以大内密探型的数据驱动,开始转向一些可以公开采集的正当手段,比如财报分析,同业交流,市场调查,爬虫。通过收集竞争对手的信息,为我们设计战术提供支持。

但始终,大内密探们只是躲在暗影中的少数异类,这一类数据驱动业务也不是主流模式。

7谈不上驱动:家里老妈

家里老妈老是唠叨你:“回家先洗手才吃饭”“有女朋友了没?”“天冷了加条秋裤”……你听吗?当然不咋听,不但不听还嫌老妈唠叨呢。“我又不是小孩子”“邻居结婚关我屁事”。

有数据部门是这种状态吗,当然有;有数据分析师是这种角色吗,当然有。不信大家可以统计下自己发出的日周月报打开率,有多少能去到15%以上的。数据驱动业务?驱动个屁,这也是一个状态哈。

当然还有一个类型是车夫型,就是开篇讲的天天被业务方呼来喝去跑数据,跑完了还要嫌弃数据不准,提供太慢,分析不深的。但这种已经是被业务方吆喝着满地跑了,不在“数据驱动业务“的范畴内哈。

【编辑推荐】

C语言嵌入式高级编程视频课程第6期:数据存储与指针 ATL(二)-常用数据类型篇 黑客开发者更新 Lumia 950/XL 的 Windows 10 ARM 镜像:改进驱动程序,迄今最稳定版 Hadoop,大数据离不开它 数据中台与传统大数据平台有什么区别?终于有人讲明白了

 


posted @ 21-06-23 06:35  作者:admin  阅读量:

Powered by 2021欧洲杯押注 @2018 RSS地图 HTML地图