商业数据分析--思路总结

一、概念

什么是商业 B2B/B2C/B2B2C/C2B/B2VC

什么是商业运作供应链-产品/服务-销售渠道-（营销/风控）-用户-售后客服->财务表现+数据表现

商业运作组织有哪些？ 前线（销售/渠道/业务）-中台管理（市场/运营/公关）-后台支持（客服/供应链/开发）-战略决策（总办）

它们关心什么？前线（卖货收钱）-中台（品牌客户产品线助力营销）-后台（供应质量服务）-战略决策（往哪走走多远走多快）

解决商业问题的能力？ 权力-魅力-创造力-协调力-执行力-数据分析能力

什么是商业分析？ 用数据分析方法，解决产品、销售、运营、营销等数据问题。

解读商业数据的步骤？ 找标准-做判断-业务含义-初步假设-预测走势-追踪标准-迭代假设-结论

开展商业分析的步骤？清晰主体-明确概念-确定时间-了解原因-明确标准-审核现状-深入分析-输出结论

怎么深入分析？ 梳理问题-明确标准-整体趋势-初步假设-关联业务-深入细节-迭代假设-总结结论

理解商业模式的关键？ 业务模式-四大角色（产品/渠道/用户/运营）-部门-KPI

什么是商业决策？ 战略类->战术类->创意类->执行类->支撑类

策略类决策流程？ 方向->目标->内外部条件->关键行动->执行人->作战计划（数据要求高，关键是决定轻重缓急、先后顺序）

创意类决策流程？ 目标->需求洞察->市场评估->原型设计->上线测试->效果评估->优化调整（数据要求中，关键是创造力）

**执行类决策流程？**目标->任务分解->人力物力配置->技巧培训->干->结果评估（数据要求低，关键是执行力）

支撑类决策流程？ 服务需求->任务计算->人力物力配置->技巧培训->干->记过评估（数据要求低，关键是执行力）

判断流程？ 定方向->定目标->定责任人->定方案->定计划->执行，出问题后，从后往前研究

统计学方法只是工具，不是目的：是多少->描述性统计；是什么->描述性统计、分组对比、方差分析；为什么->分组对比、相关分析、回归分析、决策树；会怎样->时间序列、回归分析、神经网络、回归树；又如何->层级分析、因子分析、神经网络、聚类、决策树

数据分析的作用 是多少->用数据描述现状（量化）；是什么->用数据标准判断好坏（标准）；为什么->用数据找出问题原因（定位问题容易，找出真实原因难）；会怎样->用数据预测未来趋势（信息越多越容易）；又如何->用数据做综合评价（决策层最需要，现状、标准、预测都做好才能评估好）

数据分析不能解决什么？ 想不想（主观意愿问题是个人的事情）、能不能（客观限制问题需要研究政策而不是分析数据）、会不会（业务能力问题缺什么补什么，怎么销售怎么运营问销售问运营）

怎么办？ 可以将问题进行转化：想不想->用数据支持/否定支撑想法的理由；能不能->用数据预测可能性；会不会->用数据量化过往行为，找标杆

商业分析输出成果有哪些？ 取数-报表-专题分析-数据产品-数据模型

二、思维-分析商业问题的思路

数据指标是
用数据表示的指数、规格、标准

怎么制定指标？
确定数据产生环节、确定数据产生系统还是人工记录、确定计算方式（指标包括：数据来源、时间范围、计算公式）交据采集的方式？人工来集（容户满意度、客户体验）、半人工采集（销售保单、库存出单表）、系统采集（系统订单）人工采集主观污染概率大

看不懂指标怎么办？
看指标是什么业务动作产生的，指标背后是具体业务动作与含义

指标类别？
过程指标和结果指标（越接近终极结果，含义越清晰），正向（与结果指标正相关，如商品毛利）、负向（负相关，如成本）、无偏向（无必然联系，如活跃率，不一定是越高收入越高）

如何进一步读懂数据？
计算增长率（发展趋势），计算分解指标后的组成指标的结构（确定重点），计算两相关指标的比值（看是否有相关关系）

什么是指标体系？
解释一个问题需要的多个指标（杜邦分析法），指标间有关系（并行-如加减关系，串行-如购买漏斗）

怎么判断数据好坏？
找标准，数据+标准=判断

标准要符合什么条件？
容易识别、界限清晰、区分度高

如何找标准？
趋势法、对标对比确定、自带标准（增长率、结构分析法（毛利率、成本率）、投产比）

如何找结论？
梳理指标->构建指标体系->找标准->单维度判断->综合判断->结论

看趋势怎么下结论？
找数据背后的驱动因素（周期性因素、周中周末因素、业务因素等）

分析维度和指标变多怎么办？
先梳理商业模式，确认业务流程，然后运用分析方法进行分析

分析方法有哪些？
漏斗分析法，但会产生更多指标，如多个渠道如何评价好坏，可以引入整体水平做参考；结构分析法，如投入结构与产出结构进行对比，可以判断ROI、效率，结构是否可以改变、流程是否可以优化、流量是否可以增加

分析完怎么提建议？
先了解现状、清晰问题目标、探索可行空间、推算ROI、提供渠道评级和流程数据、提出具体业务动作建议

什么叫单维度分类？
在某个维度上进行范围切割，如年龄段

什么是两维度分类？
就是矩阵法或分组对比法，即列联表

什么是商业含义标签？
虽然只有时间，但是可以根据场景分为工作日休息日、上下班高峰期等，赋予数据商业标签，因此要利用社会生活常识进行分析，才能给出更多建议

分析时要按什么顺序？ 先看宏观再看细节

多维度、多时间下怎么提建议？
从大到小、从尾（结果）到头（供给需求）->观测整体形态、再联系具体时间；多个信息结合才能更深入理解问题

高级分析方法是什么？
构建分析思路的基本方法：先解析题目，确定需要我们解决什么问题（常见问题：是多少、是什么、为什么、会怎样、又如何、想不想、能不能、会不会），然后找到常规方法（家人、要钱、优化流程），然后拆分成单维度进行分析（涉及部门越少越容易落地）

销售分析基本原理是什么？
一是加人加客（因为销售不能定价），但是新员工能力不足，新客源质量参差，因此要监控转化率；
二是提高转化率，提高客源质量，提高销售能力

用户分析基本原理是什么？
找优质用户（需求强烈，价格不敏感，买了还买），不同渠道挖掘，但是要考虑渠道增长瓶颈

促销分析基本原理是什么？
以利润换数量（薄利多销），但是要预防薄利不多销情况，促销可以提高用户购买积极性（转化率）、提高用户数量、但是减低了客单价；分为全员促销和精准营销；精准营销需要条件（封闭的信息渠道、即时响应、个人参与，更适合互联网应用内开展，APP、会员券）；促销敏感型人群

综合性策略建议的基本原理是什么？
如果预测了四种方案，按投产比挑选；基于此还可以提综合性方案（可同步执行的融合性方案）

如何梳理问题现状？
5w2h分析方法，标准的核心是共识
在这里插入图片描述

如何找原因？
构建分析逻辑（逻辑树法），将假设归类，形成判断逻辑（如内部问题or外部问题），排除顺序（从宏观到微观、从外到内、从大到小），找到支撑/否定假设的数据

如何分析宏观因素？
趋势分析法，宏观因素影响巨大（pest，特别是p和t），数据表现有断崖式下跌和温没式下跌（缓慢）；时间发生顺序非常重要，如果是在数据下跌滞后，可能还有其它因素；从局部看应该大家都下跌，如果不是，则宏观因素不是唯一或最重要的因素，找到不下跌的对象进行学习研究

多因素下如何解析内部原因？
外部因素的挑战在于难以量化其对内部的影响，因此主要从粗粒度的方向来判断，也拒绝用宏观因素作为借口；内部的挑战主要是因素相互叠加。通过单维度观测，看群体间的差异（用户、促销、渠道）；要看整体发展趋势。

什么是假设检验与趋势预测？
分组做测试，但是测试效果是哪一方带来的效果？解决办法：不纠结一个点的效果，而是看整体目标是什么。假设越简单，越容易验证清楚。进一步解决方法：从大到小，确认测试输出（排除法）。第三步：设定目标。第四部：观察结果，推动决策。

综合性汇报的方法是什么？
首先回答是多少、是什么；然后回答为什么；第三回答又如何（打算什么方向）；第四回答会怎样（怎么做）

最高级的分析是什么？
是体系化作战。最好的商业分析是简单的（目标确定、方法清晰、结果明确）；要掌握每次行动后的变化；要找到合适的标准来源（推翻难度高：KPI考核法、老板期望法、整体目标分解法，推翻难度低：环比趋势法（季节因素）、走势分析法（会反弹）、同比趋势法（今年都差）、同类相比法（城市结构不同），推翻难度中：投入反推法（城市成本不同）、投入产出比法（整体成本提高））

整体总结：看什么指标：什么维度细分；什么时间周期观测：树立什么标准；做出判断后怎么行动：记录哪些关键结果；常见的问题原因积累。

三、工具篇-分析商业问题的六种工具

内部数据如何分析？
内部数据是非常有限的，目前问题的原因可能有周期性波动（看趋势线）、行业问题（行业研究）、竞品问题（竞品研究）、用户问题（用户调研）、产品问题（看产品用户的饱和度）

怎么寻找问题原因？
一般可以从内部、外部、态度、行为等方向进行研究；内部行为（数据报表、专题分析、数据模型），外部行为（行业研究、定性定量研究），内部态度（定性访谈定量调研）一六大工具

什么是数据报表？
报表的基本要素是指标、维度（时间等），常见趋势（生命周期、自然周期、突发事件）：用途是监控情况、发现问题、简单分析，看是计划内（正常变化、检查过程）还是计划外（持续观察、解决问题）

什么是专题分析？
专题分析往往是一问一答的形式（问题是什么以及针对问题回答），题目往往是“行业+业务名+分析内容”，常见的三种形式：无假设（定位问题找假设），有假设但不确定（论证先验假设），有确定的假设（直接验证真伪）

什么是定性访谈？
就是有目的有规矩地问问题，是快速找到原因、快速形成思路的最好办法。分为内部访谈（掌握内部动向、数据背后的真实情况、驱动业绩的真正原因）和外部访谈（掌握竞品动向、找到参考样本、掌握用户需求、找到痛点场景、找到解决灵感）；访谈步骤：了解数据->明确对象->设计问题->回收反馈->建立假设->验证假设

怎么做好用户访谈？
访谈前先做好用户分群（控制分群数量，8类是极限）、贴好标签，按照标签建立假设，保证每个群体有代表性人物（经验数据表明每群人数3-9人即可）；设计问题时候开始以一个具体事件入手，不提概念（如你玩过xx游戏没有），然后深入问题（先讲事实再讲感受最后讲评价）；回收反馈时尽量多打标签（如果没有年龄标签，可以考虑通过渠道识别）；建立假设（通过人群标签建立假设，按照标签进行验证，比如年龄大的用户比年轻用户更可能在xx关卡失败，渠道来源一般为xx）；数据验证，用数据情况验证假设是否正确，访谈的用户是个案还是大多数情况。

用户访谈注意事项：
不把自己当用户、不把想象当用户、不随便捞个人当用户：不做数据分析就去问，没有做分类，把所有人当成一类用户；提问不具体，不统一名词，不具象化形容词；提问预设立场，诱导回答；听到什么信什么，不做验证；验证不拆标签，数据一锅炖。

如何通过访谈收集竞品信息？
如店铺分布、产品、活动等素材，最终分析竞品对我们的影响；研究目的：竟品是不是最大影响？
步骤：建立假设->收集信息->业务判断->验证假设（证伪更容易）。本质上不是关注产品，而是要关注用户需求。更广泛的宏观影响因素，用排除法证伪，找到短期内逆势的标杆。

什么是定量分析？
定量问卷《市场研究方法实务》，目前埋点数据可以取代很多定量问卷的用途；问卷本身的问题：样本数不够、代表性不够、抽样维度不够。所以要做问卷，先与想看结果的人一起谈好方案。用户有可能乱填。执行问题，填的人样本有偏，不能代表真实总体情况。

什么时候用问卷？
问卷更适合在采集不到数据的场景：用户（潜在用户、竞品用户、流失用户、潜水用户）、产品（概念收集、新产品测试、改版测试）、渠道（线下商品铺货、线下门店陈列、线下销售执行、服务流程监督）。问卷不适合用于探索性分析（用内部数据做较好）。能用系统数据不用调研数据、能用产品测试不做调研。一般只有没数据的传统零售企业大量依赖问卷。调研问卷更多是拿来背书用的。

什么是行业研究？
行业研究难度大，主要考虑的是如何利用行业研究报告数据。行业研究一般是政府机关、第三方机构、券商等发布的，有关整体行业发展情况信息。行业研究最核心问题：数据来源（一是自上而下，把行业里企业数据加总：二是自下而上抽样调研、反推整体情况）；弊端（自上而下可能造假，未上市难以统计；自下而上可能抽样数据量小，反推可能过于夸张、幸存者偏差）。

常见行业数据发布者的数据来源是什么？
国家统计局：汇总大规模企业，中小企业抽样统计；券商：上市企业用财报，未上市凭经验估算；BAT：汇总自己产品的数据，补充调研数据：第三方机构：大企业财报汇总，从自己的样本库里抽样。

行业数据的价值是什么？
对整体趋势的判断。做行业基础情况的了解（用户、政策、环境）；做整体发展趋势的判断（发展空间，速度）；做竞争关系的了解。参考意义大于实战价值。一般只有大型垄断企业、大型金融机构有精力自己做行研（一方面有能力搞到内部数据，另一方面本身对政策敏感）。如果内部数据分析不出来，也不用指望行业研究能解决问题。

什么是数据模型？
逻辑模型（PEST，SWOT），经营分析模型（杜邦分析法拆解指标），查询模型（RFM，AARRR，按固定逻辑从数据库查询指标），算法模型（时间序列-基于统计原理计算，机器学习-真正的算法模型）

算法模型类别有哪些？
有监督（预测（回归，神经网络）、分类（决策树，相似度）、二元响应（逻辑回归）），无监督（分类（K均值聚类），关联关系（关联分析））；
模型的最大用处不是分析，而是替代人工劳动，替代大量重复劳动（图像识别：安防、医疗影像、自动驾驶；语义识别：智能客服、自动翻译；推荐系统、搜索系统、风险等级评估等等）。

特点：特征多、评估标准客观、人工判断未必比机器准。

如何应用算法模型到商业分析上？
局限非常大，商业分析的特点是数据少、评估标准不确定、结果受人影响大。本质上商业发展是人做出来的，不是算出来的。

算法模型有哪些应用场景？
有监督：预测/分类-业绩预测，逻辑回归-外呼/短信/推送响应/风险评分卡；
无监督：分类/关联关系-找分类的感觉；统计方法：相关（相关系数/回归分析）-需进一步验证因果关系，时间序列-需假设业务保持不变

如何正确使用模型？
事前：探索性分析，比如用户聚类，商品聚类，找业务规律
事中：人力无能为力/已经尽力的条件下，再做优化（人力管控足够的情况下）
事后：总结经验，形成固定套路。如时间序列预测业绩，客服外呼响应模型。

六种工具的适用场景是什么？
1、报表更适合发现问题；2、专题分析“专”在一问一答；3、模型适合特殊场景，固化经验；4、访谈适合深度分析，但要结合数据验证得到支持，否则是个案；5、定量分析不好用，除非特别缺数据，人力资源耗费不必建模低；6、行业研究基本少用，一般是已有结论后用来背书。

常见的工作开展方法是什么？
一是由表及里：报表发现问题，进行定性分析，然后开展专题分析，利用行业报告和定量分析辅助，输出结论，通过模型固化经验。
二是由内而外：定性发现问题，分别通过报表和专题分析进行验证，可能还要行业报告和定量分析，伪命题则持续监控，真命题则深入分析，用模型固化经验。

商业分析的要点是什么？
掌握真实情况，将所有内外部信息用数据表现出来。

影响分析的铁三角：
时间、成本、质量

如何利用工具分析？
利用报表监控过程，不要干等专题分析，在具体场景下谈模型，把数据融入定性访谈中，收集定量问卷和行业研究但不依赖于此。透过数据看本质。

四、套路篇-常用商业分析指标与分析套路

什么是商业分析体系？

就是企业的导航：锁定目标->提供多种方案->提供合理预测->及时跟踪行程->用上就忘不了。

目标：用数据量化目标，验证目标可行性；现状：数据量化现状，发现问题/机会点；

战术：数据指导战术设计，促成目标；预测：预测走势，选择合适战术；

监控：监控执行进度，发现问题；

复盘：数据总结、沉淀经验，指导后续工作。

传统企业如何设计？

杜邦分析法拆解，基于眼前和长远，风险和收益来设计整体战略。基于行为分析、基于特征（固定属性）分析、基于模型分析。

互联网企业如何设计？

AARRR。重要的是增长率和发展态势（我明天能挣钱）。中介模式就是供需匹配成功率。明确核心指标（北极星指标），明确方向（增长or收益）。活跃指标、付费指标等。

经营分析的含义？

对经营状况宏观指标进行的分析。关注的是：目标、趋势、策略、责任、结果。核心是轻急缓重、大小多少。关键点：部门KPI。

销售分析的含义？

对销售状况进行的分析，辅助销售。销售的分类主要靠“谁来卖”（销售主体）区分。销售目标层层分解。监控最重要。明确流程，分解流程定位问题。从产品、用户、对手、运营等角度进行深入对比分析。确定是否宏观问题、是否市场营销运营配合活动支持、是否价格问题、是否门店问题、推哪个产品线哪个组合更容易达标（先大到小，先外再内，先看战术再看细节）。应对方法是从一线队伍里找标杆，复制战术。

用户运营分析的含义？

用户（拉新、促活、留存、转化）问题进行分析。

输出成果：目前现状如何、哪里有问题、能做什么去改善。对于转化，互联网企业与产品有关，传统企业与销售有关。

用户分析两层意义：用户运营本身的需求，了解用户活跃留存转化状况，为制定用户运营计划，会员规则等提供支持；作为基础分析，支持其它工作，如活动设计、文案创作、销售策略等。掌握业务基础运营数据（RFM）、定义核心用户/核心场景（特征、行为、消费，确定后引导用户向核心迁移）、识别业务发展阶段&主要问题（不同阶段关注的指标不同：孵化期（产品体验、种子用户）、扩张期（新增用户、用户活跃）、补贴退出期（用户转化、用户活跃）、常规运营期（用户留存、核心用户））、关注核心指标组合、控制非关键指标、先判断轻重缓急再考虑对策、掌握业务动向形成预判、重点问题深入分析（优先把控自己可以控制的，防范其它白犀牛问题；事件型波动大、系统型可把控、持续型要持续积累和关注）、活跃留存流失联合观测。

活动分析的含义？

针对短期活动（促销、推广、拉新等）进行分析，

输出成果：活动效果、用户有什么问题、能改善什么怎么办？快速理解营销活动的三个核心问题：是否考核销售（是则品牌类）、是否全公司参与（是则大促类）、是否封闭信息（是则精准营销类）、服务对象（商品、用户）。

活动要素：规则（目标群体、参与条件、达标要求、奖励力度）、组织（礼品选择、物料准备、系统上线、活动运作、物流售后）、宣传（宣传渠道、宣传主体、发布节奏、内容制作、落地页面、转化路径）、费用（预算范围、成本使用、效益估算、投产比）。

活动分析类重点：为了特定目标开展的、短期、大力度的行动，整个分析围绕目标展开（是否达成目标、未达成原因、达成的话是否效率可以优化、达成目标后对整体经营有何影响）。活动分析，定好目标是成功的一半、做好监控是另一半。

活动分析步骤？

步骤：目标达成率（达成总结经验、未达成找原因）

->先复盘活动执行过程（设定目标、洞察用户需求->选择产品->包装卖点->设计传播内容->选择投放渠道->投放用户响应->响应后服务跟进，分析时从后往前看，先看执行问题（上线时间问题、系统问题等等）、再看投放策略问题（渠道优化等））

->后复盘活动策略问题（事前Abtest或者事后同类活动对比）

->多活动叠加分析（分散计算剥离每个活动的效益是不切实际的，将活动按目的分类，观测对宏观指标的影响）

->关注整体效果（除了单次活动分析，要关注整体营销费用投入产出比，业绩是否过度依赖营销，隐藏的其它经营问题是更深入分析的起点）。

内容分析的含义？

针对公司发布内容（公众号、短信）回收（客服、评论）的内容。

输出成果：主动推送-是否达成目标、被动接收-说明了什么问题。

推送信息：推哪些内容关注点高、哪些内容吸引人注册、哪些内容带货效果好。接收信息：反映了客户、产品、品牌出现了什么问题。

分析关键：打标签、分类别。

内容如何打标签？

硬推：主体、产品/行动、奖励、转化链接；

软推：主题、内容、奖励；接收：咨询（产品信息、活动信息、门店地址）、建议、投诉（产品质量、售后服务、业务流程）。

主动推送如何分析？

第一步：清晰目标：硬推：信息到达多少用户、多大比例响应、转化率；软推：信息到达多少用户、引发二次传播、口碑。量化目标是分析的关键。
第二步：检讨目标：是否达成目标？利用漏斗分析法判定是否达成目标，哪一个环节出问题。
第三步：贴标签，分类深度分析问题（拆解标签：时间、卖点、内容、产品）。

被动接受如何分析？

第一步：将信息数量与业务行为关联（本质上被动接受的信息是由各种业务行为产生的客户意见，单看信息难以区分是个案还是普遍问题，一定要联系业务）；
第二步：整体解读信息，形成假设（先看整体、再归纳假设）；
第三步：分类验证，输出结论（孤证不立）。重点：从大到小的多级分类

商品分析的含义？

商品的进销存。输出成果：有没有货卖、有多少库存还要卖。

服装：SKU多,换季速度快，库存压力大（生命周期6-8周）；手机/电子产品：单价高、资金占用多、降价速度快；
生鲜：SKU多、库存成本高、腐败速度快；
医药：同生鲜。商品生命周期：导入期（铺货）、成长期（走量赚利润）、成熟期（控制库存、逐步退出）、尾货期（甩货、清库存、减少库存损失）。
产品类别：未来爆款（培育）、防守型产品（人有我有）、交叉类（和爆款交叉销售）、引流类（入门级销量大、利润薄）。不同分级决定了生命周期不同。

管理基本原则是什么？

畅销品不断货、不畅销少积压、资金动起来——基本做不到。往往是争取眼前毛利最大化+全生命周期价值最大化。常规监测、积累经验（对关键指标进行监控：商品生命周期、热销成都排行、补货周期、库龄、售罄率、库销比、周转率）。根据经验为每一类产品的指标设置预警值。问题预警，提示风险（进：针对新品产品评级如何、如何配货，针对老品生命周期如何、进货节奏是否要控制；销：热销还能持续多久，对其它品类是否有帮助，滞销商品是否有细分市场机会、进货/库存得控制在什么水平；存：哪些已经库存警报，需要立即清货/控制进货）。

找出路：配合业务需求，提供分析思路（前期：Abtest，测试用户需求；后期：哪些客群还没买、哪些地区还有需求、哪些产品可以搭配着带一点货、全生命周期赚了多少还能让多少利润来打折）。

流量分析的含义？

针对网站、网店、APP流量进行分析。输出成果：花了多少钱获了多少流量，流量质量如何。流量来源（开店位置）、流量入口展示（门店装修）、CTA（call to action，门店促销）。

流量分析是：在哪里以什么形式展示（站外渠道、创意展示），用户进来后要做什么动作（注册、购买、转发……）（落地页，CTA），做完动作后获得什么（产品页、购买转化）。

流量分析基本思路是什么？

流量计价：CPM(mile)/CPS(sale)/CPA(action)/CPT(time)/CPC(click)，因此要了解花钱是否起作用，常用漏斗分析法。

流量分析难点：渠道创意产品三者交织，难以区分；流量造假严重。

思路：关注整体目标，不断迭代降低成本，总结成功案例。

第一步：整体需求测算（用户增长：要多少系用户、每用户成本、投入多少钱；电商运营：要多少流量，除了自然流量还要买多少，总投入），先设定宏观标准（总流量、单位或可成本、总成本），面对众多渠道时就有了分解目标的标准，考核最终成果时先关注整体目标是否达成。

第二步：渠道分类&流量分配（根据历史数据找到渠道特点，细分渠道目标，配置资源投入）。

第三步：创意&活动优化（步骤多的能否优化，能否提升环节转化率，对页面、流程、活动改进可结合abtest进行）。

第四步：执行&调优（根据数据表现动态优化，减少劣质渠道投入，调整创意，观察效果）。

第五步：总结&积累经验（优先关注整体目标&整体效率，再谈执行细节）。关注细节但不要陷入细节，数据分析的价值是：通过不断迭代，积累经验，长期降低成本，达成整体目标。