對于數據分析師而言，無窮無盡的取數需求是最可怕的。數據分析師要做的是化被動為主動，做到數據真正地幫助到運營，而非被追著要數。本文結合一些場景，分享如何用數據助力運營分析，一起來看看吧。

數據分析師最怕的，那必須是無窮無盡的取數需求，這一次，面對這個需求場景，我們從被動變成主動，做到了用數據分析助力運營，直接上干貨，開整！

問題場景：某電商公司，近期通過數據發現有大量用戶出現添加商品至購物車但不付款（簡稱：加購未購）的情況，運營已針對此情況開展工作，但領導們不滿意，要求數據分析組通過用戶畫像模型進行加購未購客群分析，提升付款比例。假設你是該公司的數據分析師，問……

問題1：你是數據分析師，你第一件事做什么？

1. 看過去3個月加購未購的數據走勢
2. 建立用戶畫像模型
3. 進行加購未購客群分析
4. 進行付款率分析
5. 和運營聊聊他們在干啥

問題2：在本場景里，領導的需求是什么？

1. 需要用戶畫像模型
2. 需要客群分析報告
3. 需要提升付款比例
4. 需要改善運營工作

問題3：你在網站買東西，以下哪個最能讓你下決心付款

1. 網站服務器里多了一段代碼
2. 網站工作人員寫的ppt
3. 你看到了新上市的爆款iphone
4. 你看到了新上市的爆款iphone且比其他地方都便宜
5. 你看到了新上市的爆款iphone且比其他地方便宜500多塊錢

一、運營優化項目

數據分析之所以做了沒屁用，80%是脫離實際，閉門造車的結果。脫離實際，閉門造車的根源，在于做數據的人太沉迷于數據本身，忘了真正要干啥。比如本案例場景，如果扒皮抽筋的問上邊三個問題，傻子都會看明白：

• 用戶只會為了一個具體價格的具體商品買單，不會為ppt、代碼買單。
• 領導需要的是改善運營工作，運營工作對應的是文案、活動、頁面、價格。
• 改善運營工作，得先整明白人家在做什么，到底有多少空間可以改善。
• 至于算法、模型、報告、公式、甚至數字，都是尋找改善方法的一種手段。

所以第一時間，得去找運營談這些：

• 目前針對該客群有哪些措施
• 各項措施上線時間點
• 領導具體不滿意表現注意，第一步要了解的是具體動作，至于這個動作的好壞，可以聽運營解釋，但是更多的要自己去分析。結合數據趨勢，發現潛在機會點和問題點（如下圖）：

這里溝通的技巧也很重要。

注意，在本場景里，領導們的不滿已經是掛在臉上的，這時候在運營面前，要堅決表現出：“我是和你們一起想辦法，我們一起把這個差交了”。這樣才能爭取到更多支持。

如果擺出一副：“我牛逼，你們都是傻”的態度，那就等著被人各種掣肘，最后落魄收場吧。

二、第二個關鍵問題

問題4：經了解，發現運營目前的做法是，按加入購物車的金額的10%派券，比如100元商品派10元，200元派20元，無差別派券。了解到這個以后，你會做……

1. 建立用戶畫像模型
2. 撰寫客群分析報告
3. 分析付款比例曲線
4. 拆分商品轉化情況

問題5：你會如何證明，你對加購未購問題產生了積極作用

1. 匯報用戶畫像模型
2. 匯報客群分析報告
3. 匯報付款比例曲線
4. 匯報運營效果變化

問題6：以下哪種情況，能證明新策略產生了效果（如下圖）

三、破局

人的普遍心理就是：等得越久，期望值越高。特別在已經開始著急的時候，就更希望能快速見到效果。

所以在本場景里，用戶畫像也好，模型也好，報告也好，都對，但是首要考慮的是：多長時間見效。見效越快越好。同時，見效的方法越簡單越好。因為越復雜的方法，能參與進來的人越少，意味著自己背的鍋越大。

比如上一個“超精準購買模型”，除了做數據的誰都看不懂。那最后如果效果不好，勢必只有做數據的自己背鍋。這又牽扯到：“寫多少行代碼能讓顧客消費”的問題。

總之，不要指望代碼，要和運營并肩作戰，優先丟優惠券?？赡芎芏嗤瑢W聽了：見效又快又好，就覺得難辦。

注意，這里“見效”也是有好幾種效果的。用最簡單的投入產出比概念，減少投入，增加產出，提高比率，都算有效。

所以，從一開始就不要把目標定為徹底解決問題，而是不斷優化效果。這樣既容易交差，又能持續見成績。

這樣梳理后，思路就清晰多了：目前的全面派券是很粗暴的做法，不同商品的利潤率不一樣，這么簡單粗暴打折，很有可能嚴重壓縮毛利，甚至出現負毛利產品。

同時，有些商品臨近保質期，可以釋放更多利潤出來清貨，有些商品本身利潤很高，有空間再釋放出來。這樣梳理完，第一階段的行動就很清晰了（如下圖）：

四、迭代，持續優化效果

問題7：以下兩個選擇，先做哪一個？

1. 減少成本
2. 增加產出

注意，本場景，是領導已經不滿意了，都找到外部門了。這種情況下，如果上來就說：“我們還要追加XXX萬投入”，要么本直接噴回來，要么領導們期望值會被吊得更高，以為追加以后效果無敵好。

這兩種情況都是在給自己挖坑！所以最好先從砍成本的角度入手，先砍掉一個明顯負產出的補貼，釋放營銷費用；之后再做一些臨期產品、清庫存產品；之后再拿釋放出來的費用貼高利潤產品，把加購轉化率拉高。

之后還可以持續迭代，比如高利潤產品的轉化率已經提高的前提下，可以做價格彈性測試，適當減少補貼，再釋放一波營銷費用；單品做的差不多了，可以拿釋放出的利潤做滿減、或者交叉銷售。

這些還都是單純的在價格上做文章，數據計算難度小，又容易見效。畢竟給的是真金白銀的優惠券。這樣折騰下來，不但能見效，而且能拖很長時間。每個月試點，迭代四五次，至少也能拖個半年。這半年寶貴的時間，可以拿來為“人工智能算法推薦”“大數據用戶畫像洞察”做數據積累，也能爭取到充足的時間訓練模型。

在價格玩的差不多的時候，就能自然續上，效果持續優化，人人開心。比一開始憋大招，憋半年然后屁用，沒有灰溜溜的走人，要強的多（如下圖）。

有的同學會問：這個場景里，是運營先做了全面補貼，之后再優化，所有有砍負成本的空間。如果運營只是試點了一個小群體，結果沒做成，需要優化，又該怎么做呢？

這是個好問題，特別在小范圍MVP測試的時候，樣本本來就少，有需要分析各種情況，咋辦？