“可执行”这仨字难倒了好多人。怎么才算可执行?我要给销售一个可执行的建议,所以我要自己去卖几百万的货?我要给内容运营一个可执行的建议,所以我要建议她在里“震惊!”“沸腾!”“深度好文”一下?
我平时就会写:“活跃率低了,要搞高”,该咋办呀!以上种种问题,今天系统解答一下。
1.什么叫可执行
很多做数据的新人,喜欢写:活跃率低了,建议搞高。这就是典型的“不可执行”的建议。“搞”是一个动词,光秃秃一个动词丢出来,别人铁定问:谁来搞?要搞谁?在哪搞?怎么搞?搞多少?……一连串连珠炮似的问题。
面对这种疑问,没有经验的同学会直接被突突晕掉。可有经验的同学知道,这里是有套路的,就是5w2h方法,按这个思路梳理需求,就很容易整明白:到底要具体到哪些细节(如下图)。
图片
然而梳理完成后,又有一个新问题:怎么从数据里推导出这些细节呢?这里要结合具体的例子来讲。
我们就举在线教育的例子,假设你是一个在线教育机构数据分析师,虽然全世界都在吹“在线教育要火”可眼前就是光见花钱圈用户,收入不见提升。领导要求你分析出“可执行”的建议了!咋办?咱可以这么做。
第一步:清晰宏观方向
虽然具体的方案千差万别。但是归根溯源,都跟俩个东西有关:
- 时间紧迫性:需要用多久解决问题
- 资源丰富性:到底有多少投入
两者对干货方法的影响,如下图所示。
图片
所以想让自己的建议可行,首先得保证宏观上的判断正确:
- 这个事是多大的事,要搞到什么程度才算结束(why)
- 这个事是不是现在要搞,能预留多久解决?(when)
把这两个定下来,后边就能调配资源,才能谈细节。
我们给的场景是:光见花钱圈用户,收入不见提升。到底用户增长,收入增长情况如何?通过趋势分析法,可以进行初步判断,比如下边两种场景,对应的问题严重性,紧迫性就不一样。
图片
经过趋势判断+目标计算,我们可以得出一个大致范围。比如:
- 如目前趋势持续3个月,年度销售目标将无法达成
- 想达成目标,以下三个月必须扭转局面
- 需要把人均付费做到1000以上
- 需要至少拉动20000个付费用户
有了这个测算,我们就对宏观形势有了判断,可以争取资源,锁定工作范围。
注意:很多做数据的同学,在这一步会很纠结。越是做数据的,越想用一个精细的模型来论证未来走势。经常做项目的人完全不这么干,他们反而倾向于简单的加减乘除算账,语言表达也很简单直接:“现在一个月就500万上下,不做到1000万任务完不成!!!”
这是因为,这里测算是为了争取资源,需要领导们认同。因此:越复杂的方法,反而越容易误导决策,越容易让人们把精力放在“数字算得对不对”而不是“这个事到底该不该做”上。
越简单的推算,反而越容易让不同知识背景、能力层次、认知水平的领导们达成共识。最终推动事情往下做。
所以如果做数据的同学们真想做可执行的建议,一定要控制自己的纠结程度。牢记:“说服别人才是第一目的,达成共识才是最终结果”,千万别自己陷进细节出不来了。
第二步:落实作战范围
明确了方向,锁定资源以后,可以具体讨论该怎么干活。这就涉及:
- 谁来干?(who)
- 哪里干?(where)
- 干谁?(what)
这三个问题。
真想让项目落地,选中责任人是最重要一环。责任不清楚,事情没人理。做数据分析的同学们往往缺少这个责任意识,只是泛泛建议:“要推高客单价产品,要加强付费刺激,要做多活跃用户”。
这种建议当然不够落地了。比如“做多活跃用户”,既可以让渠道多拉一些优质客源,也能让运营多做一些拉活跃活动,还能让商品管理出一些吸引力商品,几乎人人工作都和它有关。人人负责就等于人人不负责,所以泛泛而言是无法落地的。
这里有三个问题,在实际解决时候反而没那么复杂,因为企业的组织架构往往和任务是捆绑的。往往锁定了where或者what的同时就把who一起搞掂了。所以熟悉组织架构,了解每个部门对应哪个环节,哪个群体进行工作,非常必要。
图片
在线教育机构,可能组织架构与任务对应如下图:
图片
因此,对分析而言,这里最要的是:找到关键问题症结,集中发力。比如原问题:光见用户多,不见收入涨。
可以衍生出若干假设:
- 投放问题:用户本身质量不高,对课程没有需求
- 推广流程问题:推广环节多(比如先拉群,听直播再推付费课),效率低
- 运营问题:学生复购低,原本推出来引流的课程无转化
- 课程质量问题:课程吸引力低,竞争力差
之后分别寻找数据,验证假设推导出核心问题。
注意:这是数据分析师最能发挥作用的地方,没有之一。因为一般业务部门讨论这些问题的时候,都会陷入本位主义,大家相互指责,都想证明自己没问题。或者大家争抢资源,都想证明自己的环节最重要。
特别在在线教育,这种串行业务逻辑,上下游争吵更激烈。数据分析师作为第三方角色,可以输出更有说服力的答案。
第三步:锁定执行细节
假设在第二步分析中,我们明确了:
- 首要问题内容产出不佳,对用户吸引力不够
- 次要问题是投放力度不足,需要增加投入
- 产品本身和竞品差异不大,不怕竞争
那么在第三步,可以聚焦解决“如何设计优秀内容,做好投放”上了。这样分析建议离落地只差最后一步:建议以何种形式做。
大量数据分析同学都倒在了这一步。往往大家一听“如何做”就怕了。“我是真不会写文案啊!”其实完全不需要大家自己写。
站在数据分析角度,关注的不是某个具体idea,而是哪个套路更管用。所谓:方向不对,努力白费。结合数据,找到更好的套路,才是数据分析的作用方式。
想找套路,就要先研究套路。这里需要数据分析师对常用的业务套路所有了解。比如在线课程,是有常用推广方式的:
图片
有了分类以后,我们可以对每个分类推广效果做分析,找到:
- VS自身,哪个类型推广更容易达成效果
- VS行业,哪个类型与同业差异最大
- VS时间,哪个类型可以持续用
这样在最后给建议的时候,可以给得非常精准:我们是XX类做得太少,需要加大力度到XX水平就能达成目标。比起空口说“要多做内容引流”要好,我们在开头已经计算过具体还欠多少业绩,因此完全可以根据每一类引流ROI,推算出花多少钱,达成多少效果。已经给足了时间和经费,后续想再做创意也有了空间。
图片
2.小结
纵观整个过程,大家会发现通过数据分析解决可执行问题,是一种从上自下层层递进的方法。先确保方向正确,再落实到具体责任人,再具体到对象,再看具体操作大类的投入产出,至于最后的创意,能有就有,没有拉倒。
反正给足了时间、费用,只要做到平均水平,也能交差。颇有一种“只要开好了分矿,你平A过去就赢了”的感觉。
当然,这种层层递进的逻辑方法,也是数据分析的短板。从经验上看,数据分析师做的方案往往倾向于保守,往往缺少创意,这些都是太过理性的后遗症。
而实际上商业成功往往不是理性的结果。天才的创意、勇猛的胆识、无敌的运气、过人的机智、诱人的魅力、不可挑战的权力,可能都是成功的因素。
然而,数据分析的独特吸引力也在这里。你会发现创意、机智、魅力是天生的,权力、运气可遇不可求的,胆识加在蠢人身上就是灾难。
唯独数据分析能力是可以通过学习、训练、实验、记录来不断提升的。所以基于数据提可行性建议,可能不会被采纳,但只会越来越被重视。