開局一張圖

數據從業者們經常會陷入這種窘境：一方面抱怨長期做底層的臟活兒累活兒，驅動業務的機會太少；一方面真到了要給業務獻言獻策的時候，又被吐槽分析出一堆已知事實沒啥實際幫助

很多文章都會選取一些理想化的小案例來拆解分析，與大多數時候我們面臨的局面不符。有鑒于此，古牧君這回找一個如假包換的例子，從理論到實踐、從抽象到具象：

我們要“拯救”的產品，是一款離職了也不放過你的產品。簡單說，員工在職的時候公司會開發很多不同的APP，負責他們從入職培訓、到學習成長、到保險產品售賣；等離職了，想要走完離職流程，也必須下載安裝公司的一款APP。對，就是這么流氓，就是這么困難，就是這么現實

雖然這款APP很流氓，但工作嘛，就是要學會自己給自己創造價值和樂趣，哪兒有那么多挑肥揀瘦的余地。于是這款APP中就出現了上圖紅框里的那么一個對話機器人：它的核心任務就是充當一個智能銷售教練，教會離職員工如何兼職售賣公司的泛金融產品，自己掙取傭金的同時、也替公司創造剩余價值。嗯，今天我們的主角，就是這個機器人了

為了達成上述目標，這個智能銷售教練集成了3個功能點：

1）以人機對話為主干交互方式，承載智能銷售教練中“教練”的身份，在一問一答中教會你如何在線上賣泛金融產品

2）提供豐富的內容營銷素材，供你轉發給微信好友、或分享到朋友圈。當今社會普遍對保險認同感較低，需要有大量內容素材幫助客戶建立對保險的科學認知，以及通過客戶對內容的互動反饋，了解客戶的意愿與偏好，更好的服務客戶

3）對接泛金融線上分銷平臺，包含保險、理財、生活3個領域的多款產品，方便你自選一款進行代銷，并最終返還傭金

我們總結下，這是一款B2A2C模式的AI產品。就是說，它不直接面向廣大消費者，而是公司開發好之后，通過這款產品教會代理人群體（Agency），再經由代理人群體去經營C端消費者

它的核心就是將成熟的銷售經驗，線上化、批量化的賦能給廣大代理人群體

交代完背景，我們該面對困難了：

就這款產品吧，可以用百廢待興來形容。因為上述的那個智能銷售教練，也是臨危受命剛剛上線不久，之前那款APP一直就是一個倉儲大超市狀態，貨是不少但就是沒服務員告訴你該怎么挑選怎么買賣。

老板們希望這個智能銷售教練能作為中控角色，盤活整個APP。然而智能銷售教練上線后，DAU表現平平，并沒有達到力挽狂瀾的效果。產品團隊開始焦慮，老板們蓄勢待發......

面對這么一個局面，數據分析人員的目標就必須清晰且聚焦了：別整那些四平八穩的DAU趨勢分析、異動分析和什么當前活躍用戶畫像分析了，先解決當務之急吧！

老板們對智能銷售教練的期待貌似是無限的，這可不是一件讓人能安穩睡覺的好事兒。我們必須要合理預估出這個產品在中短期的規模上限，有理有據的管控好老板們的預期，否則就是挖大坑埋自己

向上管理只是一個方面，更重要的還是做實事兒，想想怎么才能提升智能銷售教練的DAU和MAU。既不能拖太久，也不能搞竭澤而漁的小伎倆，要讓產品進入可持續發展的快車道

聚焦了目標之后，需要進一步思考戰略方向：活躍用戶到底從哪兒找？擺在面前其實就兩條路：

要么充分內部挖潛，想想怎么接住這些離職員工的流量，畢竟也是十萬量級的，而且人家都是接觸過保險銷售的，上手快些

要么就外部搜羅，想想花錢打廣告啥的，畢竟外部流量的盤子比離職員工要大太多了。但缺點就是人不好找，而且需要花錢，不可控因素也比較多

兩廂權衡下來，還是選擇熟悉可控的內部挖潛。進一步，雖然這個APP的用戶行為數據很稀疏，但他們離職之前作為公司的員工，數據還是豐富可用的

既然鎖定了內部挖潛，做好離職員工的承接，而且眼下這個APP的數據也稀疏、凌亂，就要好好利用下他們離職前的數據。其實這個邏輯也很順滑：

離職后提供的智能銷售教練，核心功能是智能客服+內容素材轉發+線上商品售賣，正好～員工們在職的時候，公司提供的那么多款APP中，就有3款APP能跟上述3個功能完美一一對應上。我們可以通過他們離職前半年，在這3款APP上的表現，來精準的刻畫出智能銷售教練的潛在用戶畫像

鎖定到離職前的這3款APP之后，就可以進一步分別統計3個指標：離職前半年平均每月向機器人提問次數、離職前半年平均每月轉發內容到微信的次數、離職前半年平均每月線上售賣出商品的件數

而且通過????分布圖（脫敏處理示例數據），我們還能大概定位出每個指標的分界點，用這個分界點將用戶的表現簡單劃分出好與壞，以此作為后續用戶分層的判斷標準

簡化一些來看，在3個指標上表現均高于分界點的，可以劃歸為高優用戶，這些用戶是智能銷售教練應該極力去爭取激活并留下的用戶，因為他們離職前就已經相對比較熟悉產品的3個核心功能操作了

相反的，3個指標均低于分界點的，肯定就是低優用戶了。坦白說這些員工在職的時候表現毫無斗志，大概率就是怎么也沒法激活的了。這類用戶也是規模最大的，比較符合普遍規律......

介于中間檔位的那群用戶，也是需要認真對待的，畢竟他們體量相對較大，而且在部分方向還是“有救”的。但這群用戶也相對比較復雜，需要結合他們各自的擅長，設計不同的承接策略

綜合上面的分析過程，我們就可以量化的得到高、中、低3個優先級的用戶群定義方法，其中高優+中等是我們必須努力爭取的，他們的數量比例以每個季度來看，是相對恒定的（假設是a%和b%）

同時，我們通過分析也掌握了員工離職的季節性規律，基本每個季度的首月，會因為業績不達標有較大規模的清退，其他月份基本都是主動離職，數量相對較小

如果以季度為單位，每個季度離職的員工基本穩定在N，假設只依賴內部挖潛，且所有用戶被銷售教練激活后都能留存下來，那么每過一個季度，用戶規模都會增加N*（a%+b%），可以用此來預估中短期用戶規模的上限

不僅規模預估的目標解決了，用3個指標給用戶劃分優先級的方法同樣可以沉淀成為用戶標簽。這樣每一個員工離職時，我們都能獲知對智能銷售教練而言這個員工的優先級，以及他相對更能接受哪個功能（人機對話、轉發內容、售賣產品），并以此有的放矢、投其所好的激活留存他

雖然大框架已經搭好了，但能做的細節還很多。比如可以分析用戶來到APP之后的高頻點擊行為，和進入智能銷售教練之后的高頻提問，來設計功能入口位置的冒泡引導語，快速高效的引導用戶如何解決問題

還可以像前面分析的那樣，根據用戶在離職前的特長，設計不同的新手引導流程和沉默引導話術。比如一個員工離職前比較熟練通過線上轉發分享一些文章，來打造自己的專業形象，激發客戶對保險的需求。

那針對這類員工，當他進入到智能銷售教練后，可以在新手引導流程和長時間沉默引導話術的設計中，突出產品擁有大量優質內容素材、以及可每天精選內容推薦給你供你無腦轉發，以此快速喚醒離職員工對智能銷售教練的興趣

到此為止，我們就算是初步完成了一個還算落地的復雜數據分析項目了。復盤下，一個好的分析項目，最重要的就是先把問題分析清楚，搞清楚背景是什么，以及這次分析的目標是什么？很多平淡乏味的分析報告，都是敗在了立意：分析的內容不解渴，自然無人問津

進一步，數據分析在很多時候并不需要那么多高深的技術模型，就像我們這個例子，SQL+EXCEL+PPT就完全可以搞定。而能不能深入業務，找到場景之間的關聯，數據之間的聯系，才是關鍵。黑貓白貓，能抓到耗子才是好貓

最后，要讓分析落地，往往都必須要爭取多方信任合作。報告完成之后，分析人員就應該馬上變身銷售人員，四處游說兜售自己的方案。需要讓產品和運營認同這個方案，需要讓具體執行的研發同學理解你的思路，最終還要追蹤策略落地之后的效果

一個成功的分析項目，往往只是部門里長期數據驅動業務的合作開端，抓住這個機會就能事半功倍，讓分析人員做個體面的打工人

以上，就是古牧君脫敏處理后，分享的數據驅動業務的真實復雜案例了。如果覺得有價值，還請幫忙轉發擴散，讓微光照的更廣更久些～

↘好文推薦：

血淚總結！5000字產品需求寫作方法論

B端 | 業務大盤拆解優化六步法

產品經理跳槽面試大揭秘……

點個“在看”吧

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的数据分析不落地？典型案例教会你！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。