9張圖揭秘:優秀的數據分析項目,這樣做

0 評論 8019 瀏覽 8 收藏 13 分鐘

編輯導語:在我們的日常工作中經常會用到數據分析的方法,數據分析可幫助人們做出判斷,以便采取適當行動,提高工作效率;并且不論是什么崗位或者行業,數據分析都可以是一項基本的技能;本文作者分享了關于優秀的數據分析應該怎么做,我們一起來學習一下。

今天來講一個優秀的數據分析實戰案例,全文硬核干貨,大家做好扶穩慢慢看哦。

問題場景:某互聯網大廠TOB業務線,可以向平臺商家提供SaaS/Paas類服務,但苦于銷售水平不高,溝通話術質量不佳,轉化率不足;現計劃做話術培訓,提升客戶轉化率。

一、原始模型

最簡單的做法,定義話術A,話術B,倆版本。直接看轉化率,哪個高了用哪個就好了!(如下圖)

9張圖揭秘:優秀的數據分析項目,這樣做!

那么,這么做有啥問題不?

二、高級建筑

最簡單的做法,可能有幾層問題:

問題1:未考慮銷售本身的影響;有可能銷售本身能力強,所以才賣得好;因此,需要針對不同層級的銷售,比如S級、A級、B級、C級,單獨分析話術效果。

問題2:未考慮客戶的影響;有可能特定客戶就是容易成交,因此需要區分客戶等級,比如VIP1,VIP2,VIP3,分別看效果。

問題3:未考慮話術實際影響大小;有可能有的客戶就是說啥都行,有的客戶不管說啥都沒用,只看價格;因此要做交叉測試,找到能受話術影響的客群(如下圖)。

9張圖揭秘:優秀的數據分析項目,這樣做!

最后,得到的結果可能如下圖,為每一類銷售,每一種客戶配置合理的話術,最大化產出。

9張圖揭秘:優秀的數據分析項目,這樣做!

三、第一層地基

問個簡單的問題:銷售的SABC級別是咋來的?

既然有分級,那么得有判定標準。

而構建判斷標準本身,就是一個大工程。

比如:

  • 是否業績表現好的,就是好銷售?
  • 意向、簽約、回款、復購,哪個方面能證明他是好銷售?
  • 以上四個方面,每個都至少有數量和金額兩個指標……
  • 如果選簽約和回款,兩個指標交叉就是一個矩陣,怎么定義好?(如下圖)
  • 如果是三個指標呢?如果是四個指標呢?

9張圖揭秘:優秀的數據分析項目,這樣做!

以上所有問題,都有的一番糾結,才有產出。

現在簡化問題,假設就考察簽約金額。簽約金額高的就是好銷售,那么問題又來了:考察多長時間內的表現?一加入時間維度,新的糾結又開始了:

比如:

考察1個月算不算數?3個月?半年?

考察1個月,這個月好,下個月不好,到底算不算好?

考察3個月,是考察總量,平均值,還是單月達標次數?

考察6個月,穩定性好,越來越好,先好后差的,要不要作區分?(如下圖)

9張圖揭秘:優秀的數據分析項目,這樣做!

以上所有問題的處理,都是為了得出一個簡單的業務員分級標簽。

同樣的問題,在客戶那里也存在,一模一樣的糾結。

比如評定客戶等級:

  • 考察哪些指標?
  • 考察多長時間?
  • 指標到什么水平算好?
  • 考察期波動怎么處理?
  • 在未簽約前要不要做預測?咋預?
  • 要不要在簽約進度中修正預測?咋修正?

都分析清楚了,才能有準確的客戶評級,特別是售前評級。

正是因為以上工作太過糾結。所以衍生出3種常見的處理辦法:

  • 從簡單到復雜:先做單指標分類,再慢慢加,迭代幾次。
  • 先抓典型再總結:比如先讓業務方標注幾個正樣本,然后研究他們的特點。
  • 從結果倒推:比如業務方KPI是簽約額,那為了達成這個目標,得做到多少。

每一種方法都有各自的工作辦法,這里先不一一展開。只是為了讓大家感受到:為了獲取一個準確的分類,需要勞民傷財的大量工作,不然你就只能做最簡單的,充滿bug的模型

然而,就算這樣,問題解決了嗎?

四、第二層地基

問:話術A 這個分類又是怎么來的?

實際上銷售賣東西很少只說一句話,特別是toB類銷售,前前后后得說很多東西。

這里至少有四個部分:

  • 開場問候:開場寒暄,引入話題
  • 產品介紹:主動介紹產品特點,優勢,對客戶的好處
  • 問題答疑:針對客戶的問題,解答客戶疑惑
  • 促單話術:催著客戶趕緊下單

這里又衍生出來兩個問題:

第一, 這四個部分的話術如何分類,上標簽,加入到分析之中。

第二, 如何知道銷售說了什么。

針對問題一,話術本身如何打標簽,如何分類。可以做以下動作:

  • 產品介紹的版本
  • 客戶問題點:功能、價格、體驗、案例、系統接口
  • 促單的話術分類:按項目進度、按優惠、按資源控制

9張圖揭秘:優秀的數據分析項目,這樣做!

總之,有了這些扎實的基礎工作,才能有最初的話術A這一個分類標簽。這是比較好處理的。

問題二,更糾結。

五、第三層地基

針對問題二,核心在于:數據怎么采集。

  • 如果有SCRM系統,那么交易流程可以系統化實現,可以一定程度補足數據,比如展示了哪些案例(產品介紹環節)調用了哪些資料(問答環節)查詢了哪些優惠(促單環節)。
  • 如果沒有系統支持,那就只能從其他行為反推,比如銷售培訓,比如銷售策略,比如申請體驗demo類型、數量,比如申請的優惠。

那么,又衍生出:

  • 銷售培訓記錄,培訓類型標簽庫;
  • 銷售策略記錄,策略分類標簽庫;
  • 申請demo記錄,申請類型標簽庫;
  • 價格申請記錄,產品價格折扣標簽庫。

沒有這些記錄和標簽,整個銷售過程處于失控狀態,一不知道干了什么,二關聯不到工作結果,根本無法深入分析。總之,一有記錄,二有標簽,這樣分析起來才得心應手。

六、經驗小結

如果孤立地看怎么找一個好的話術,似乎在地表建筑階段,就已經做得很完美了;可實際上,如果脫離了下層大量的地基建設,再華麗的地表建筑也蓋不起來。

整個流程串起來,就是用一個龐大的體系,解決了一點點業務上問題;雖然工作量大,但是它真的有效(如下圖):

9張圖揭秘:優秀的數據分析項目,這樣做!

注意:這套體系搭建完了,可以起個很好聽的名字,比如CST模型(Customer Success Test),配合架構圖聽起來也是很唬人的。

七、常見問題

為啥實際工作中很難做出有用的分析?本質在于:缺少基建,脫離業務。

做數據的同學,過于指望統計學、算法本身,缺少基礎業務標簽建設,缺少受業務認可的標準結果,不會推動業務去改善流程,多收集數據。

做業務的同學,忽視流程對數據的影響,不重視流程規范與數據采集;以為數據是天上掉下來的,對數據建設漫不經心,卻指望一個“來著頭騰阿公司的大神”一炮搞掂。

兩者一結合,就是盲人騎瞎馬。實際情況是:

  • 基礎數據沒有
  • 業務標簽沒有
  • 過程數據沒有
  • 預測推斷沒有

9張圖揭秘:優秀的數據分析項目,這樣做!

就只會拿著交易結果做交叉,然后無腦輸出:

  • 甲行業話術A轉化率高14個點
  • 乙行業話術B轉化率高5個點
  • ……

當銷售部門來質疑“到底是銷售本身不行、還是話術不行、還是產品不行、還是促銷力度不夠、還是外界因素?”的時候,一個問題都答不上來。最后只會顫顫巍巍地:“我們找幾個銷售調研下???”

八、場景擴展

有同學可能會說:銷售過程本身數字化難度大,如果是線上交易就容易了,每一步都有數據記錄呀。是滴,線上交易是有數據記錄,是能畫出轉化漏斗,可真遇到最后轉化率不高,咋分析?

  • 要不要對推廣渠道評級?
  • 要不要預估各渠道響應率?
  • 要不要對推廣內容打標簽?
  • 要不要對CTA動作打標簽?
  • 要不要對轉化產品打標簽?
  • 要不要對推送客群打標簽?

這些都是同樣的基礎建設。這些東西不做,遇到最終轉化率低,運營來質疑:到底是渠道本身不行、還是文案不行、還是產品不行、還是促銷力度不夠、還是外界因素?

9張圖揭秘:優秀的數據分析項目,這樣做!

  • 又是只會拿著渠道類型,客戶類型和轉化流程拉交叉表。
  • 又是只會叨叨:“因為第三步轉化率低了”。
  • 又是顫顫巍巍的:“我們找個用戶調研下?”

所以呀,漏斗圖和漏斗分析是兩碼事。做漏斗圖容易,做漏斗分析,就得認認真真設計思路,做好基礎,排除雜糅因素。

很多同學問:有沒有比漏斗模型更高級的分析方法,其實只要做得好,漏斗圖分分鐘變成UJM模型。

#專欄作家#

接地氣的陳老師,微信公眾號:接地氣學堂,人人都是產品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議。

給作者打賞,鼓勵TA抓緊創作!
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!