“你这分析的啥啊，这不是显而易见的事情吗，还用得着你分析？”

以上的抱怨/批评，有没有很熟悉？

这一类关于“不落地”、“没意义”的言论，需要做数据汇报的同学应该都会很苦恼。

那我们该如何做好呢？

很多同学一听这个问题思路马上就来了，开始进行数据指标的拆解：

• 实际完成工单 = 订单数*完成率

• 订单数 = 企业单+个人单

• 完成率 = 完成数/派单数

既然要提升的是实际完成工单的数量，那就简单了，只需要做这些：

• 打开消费端，多做推广，多引导下单

• 优化匹配机制，让订单接单更快更准

• 优化售后监督机制，提升关单效率

• 多找师傅签约，提升接单效率

对不对？非常对！有没有用？没啥用！

为什么？

因为这些都是正确的废话，不管做不做分析，这些动作都是要做的，且做了一定能提高工单量。所以会被业务说“一点都不落地”“这不是显而易见吗”！

依旧是上述场景，汇报对象是大区经理。

经过一通分析得出以下建议：

• 40-50岁的个人签约个人师傅的概率最高，所以要多找40-50岁的流量推广

• 家政机构一般都在小区集中度高的地方，所以要多去小区门口做地推

• 25-35岁租房群体消费单量最高，所以要去找25-35岁聚集的小区做推广

听起上去也没什么问题，基于战略目标给出了方向上的建议，对总部制定战略的人或许会有用。

但是对于大区经理，来说，没！啥！用！“太假大空了！”

为什么？

因为大区经理真正想听的是：我要怎么做，如何安排我的手下资源，才能达到业绩要求？

所以，这样的分析建议，对大区经理才会有用：

• 大区内40-50岁的个人师傅大致有多少，具体分布在哪个位置

• 大区内家政机构的分布， 线下点位辐射的范围是多少，需要增加多少点位

• 大区内租房比例较高的小区分布在哪里

• 完成以上的内容可能的成本和转化率在哪个区间

这些，才是让大区经理觉得自己“可落地”的内容！

同样的，如果向总部战略汇报这些内容，也会被怼“你这个分析报告细节太多，一点都不落地！”

02

数据落地，只要4步

要想知道建议落地，首先得懂业务流程，不在以「数学」的方式看数据。理清业务流程的主干，搞懂数据是如何产生的，受哪些流程影响，抽丝剥茧的一步一步拆解，才能明白数据背后的故事，脱离假大空。

从以上案例来看，我们可以从消费侧、平台侧、服务侧这三个层面拆解业务主干。

拆解完业务主干之后，我们发现，如果需要提高单位时间工单完成量的话，至少受到三个层面上的影响：

• 消费者的需求是否旺盛

• 平台分配机制是否合理

• 服务者接单数量是否饱和

那么第一层级需要解决的问题可以总结为：

当理清了业务流程之后，评判的维度也清晰起来了。建立了分析方向的雏形。

接下来就是找到判定问题的标准，明确问题的第一个背景：需要搞定的是什么类型的问题？

由于这种家政服务是非常有地域性、季节性的，并且在特殊节点具备非常强的流动性。

比如，在正月期间，大部分一二线城市的家政服务人员都回乡去了，导致下沉市场服务供大于求，而一二线无人接单。

又或者是准备进入夏天了，空调维修的订单量激增，而会修空调的师傅没有跟上，导致工单完结的效率变低。

所以，在判断消费者和服务者的「多或者少」的问题的时候，还需要弄清楚是哪种背景下的问题：

• 系统性问题（一直很低要提高）

• 持续性问题（持续降低要稳盘）

• 季节性问题（经常出现要优化）

• 突发性问题（突然变化要弥补）

系统性问题和持续性问题，一般都是需要总部出马进行解决的，不管是制定策略还是优化结构，大部分情况都是只有总部有能力解决。

而季节性问题和突发性问题，是有可能会下放到具体问题严重的大区去直接执行的。

比如季节性问题，可能需要做数据预测，判断今年夏天修空调的消费者数量可能在哪个区间，然后大区内去解决服务方的问题。而持续性问题则很可能是整体的市场风向变化，需要迭代产品方向，走出第二曲线。

所以，接下来就需要明确问题的第二个背景：谁来搞定这些问题？

在不同的工作环节上，可能涉及到的部门梳理出来。如：

在大的部门下面，又有不同的小的部门解决垂直型的问题。而营销部门和运营部门基本都会有大区的分配，每个大区间又存在着差异化。

以营销侧为例，针对不同的岗位，又有「战略级、战术级、战斗级」不同的思考方式：

• 总部营销：不同层级的客户带来的平均价值是什么，应该往哪几个方向发力更有可能达成目标？

• 大区经理：我的大区内企业、个人的工单占比是多少，价值客户的分布在哪里，我如何调配先有资源？

• 营销小组：我派多少人哪里搞推广、搞多久、什么时候搞能拉来多少客户？

同时To B和To C的思路又存在差异。如：

拆解到这一步，就完成了定性分析。

我们可以发现「提高单位时间工单完成量」只是一个指标，确定了问题在哪个部门、哪个层级，才能的将问题的解决方案具象化。

如：

• 公司的完成单量整体上比较低，是系统性问题，是前端需求量较少导致的。那么解决问题的部门很有可能指派到营销总部。这时的建议就需要往引流策略上思考：做To B还是做To C？历史高价值的客户分布在哪些渠道？当前能否参考历史经验扩大？先有的资源需要投入多少，预计多长周期完成优化？

• 公司的整体完成单量还可以，只是某几个大区季节性问题比较明显，到了正月没人接单了。那么解决问题的部门基本就是大区经理内部解决。这时的建议就要往服务运营商思考：如何判断大区内供需结构？是需要临时改变机构接单的距离范围，还是要多签本地机构和个人师傅？个人师傅可能分布在哪个片区？新增的服务人员达到多少可以完成？

可以看到的是，针对于总部的「大型策略」的优化建议，其实很难通过一两次分析得出具体的建议，而更多的是需要设计实验，来进一步确定方向。至于实验如何设计，我们这里就先不过多赘述。

而针对具体执行部门的建议就会相对清晰，只需要理清业务流程，找到供需优化的方案即可。

那么，完成了具体的定性分析之后，最后一步，就是提出数据化的定量的建议，帮助执行部门制定执行计划。

将口语化的表达转化为数据化的表达，是数据分析人员非常重要的能力。

所有的可执行的建议，都是需要经过计算的：

通过精确计算后的数据建议，远比「优化」、「多搞」这些无法量化的词汇更容易让人接受。

听汇报的人也更容易依据这些数据来制定具体的工作策略。在工作中，锻炼自己「用数据说话」的能力对数据落地非常重要。

03

小结

在工作场景中，想要把数据建议落地，一定要对企业的业务模式、管理模式有了解。才能站到不同的业务方的视角为他们提供可执行、可落地的建议。

每一次分析，都需要经历这四个流程：

• 找到业务主干，明确问题在哪

• 判断问题类型，明确解决方向

• 弄懂工作流程，学习可以怎么做

• 定性后再精确的测算，学会数据化表达

不要再一遇到问题就这么说：

• 指标低了，所以要搞高

• 客户少了，所以要多搞引流

• 客户多了，所以要多搞点师傅服务

也不要再跟策略总部说，某某大区要多搞B端客户，跟大区经理说优化匹配监督机制。因为你说的确实有道理，但是人家做！不！了！那不是人家的工作内容！

数据建议的落地既是数据的落地，也是工作流的落地，跟正确的人说正确的话，数据分析才能不断赋能业务，提高生产力。