數據分析落地全流程
陳老師通過一個大型售后連鎖服務商的案例,為我們揭示了數據分析落地的全流程。文章不僅提供了一套系統的分析框架,還強調了管理手段在數據落地過程中的重要性。如果你是數據分析師、業務決策者或者對數據分析感興趣的讀者,這篇文章都能為你提供寶貴的洞見。
“你做的數據分析,一點都不落地!”
“除了寫數字,能不能有落地建議!”
“看了數,所以呢?要干啥?”
這一類抱怨,經常在辦公室響起,讓做數據的同學很郁悶。到底咋做算落地?今天通過一個例子,系統講解一下。
問題場景:某大型售后連鎖服務商,同時承接廠商、企業、個人的服務需求,由客服接需求以后生成工單,分配給自營的服務點或外包的服務商,上門完成服務。
現在已定下,北極星指標是:實際完成工單件數,問:如何做進一步落地分析。
一、數據落地的常見錯誤
很多同學一看到問題,就說:老師,這題我會!工單=需求數*轉化率嘛,既然要提高完成工單件數,那要做的就是,把需求數和轉化率兩個指標:
搞高!
所以數據落地的方式,就是:
一要多簽廠商客戶
二要多簽企業客戶
三要做大個人流量
四要提高客服效率
五要加強上門管理
六要提升師傅技能
你看,這建議多具體,多落地……
額……
首先,這么說確實沒錯,確實這些指標要搞高,確實這六條都是建議,問題是:這些都是正確的廢話,即使不做數據分析師,大家也“早就知道了”,那肯定要搞高呀,還能搞低不成。
從數據推導業務落地行動,核心是:輕重緩急。通過數據分析找到哪里是重點,哪些是輔助,這才是數據計算的價值。如果不加計算,那人人都知道這也要加強,那也要加強。
二、第一步:梳理業務流程
想落地第一步,就是停止在數據層面坐而論數,就數論數。數據到底從哪個業務流程里來,又受哪個流程影響,得先理清楚。業務層的梳理,一般由粗到細,剝洋蔥般層層深入。比如本案例中,雖然涉及業務的角色很多,但以客服收到線索為界限,可以劃分為:需求/供給(如下圖)。
目標是提高完成工單數量,第一級要做的輕重緩急判斷,就是:需求/供給是否匹配。
僅看單個月份/整體供需情況,可能有三個狀態:
需求≥供給
需求=供給
需求≤供給
第一級判斷,決定了后續落地方向:
需求≥供給,提升供給能力
需求=供給,持續觀察/降低供給成本
需求≤供給,發展客戶,擴大需求
這就是V1.0的落地建議。注意,真實建議不會給得這么口語化,而是經過計算的:
這一步看起來簡單,其實也暗藏玄機:怎么判斷到底哪頭大?
三、第二步:樹立判斷標準
判斷標準,絕不是讓老板拍個腦袋那么簡單。需求≤供給相對容易觀察,比如售后師傅人均工單數少、平均工資低、人員流失多等等。
但需求≥供給,很有可能是沒有數據記錄的。比如個人客戶打電話進來,結果約不到師傅;企業客戶打電話進來,要排隊很久才能修理,但是因為簽的是年度合同,所以一時半會不會翻臉。
這些情況都使得評估供給能力存在困難,數據不真實情況。等企業客戶流失的時候才反應過來,已經太晚了。
因此,樹立標準最好單獨做分析。比如廠商/企業客戶,需要匹配合同簽約時服務條款(比如接單24小時內處理完畢);對個人客戶,需要看客戶發起需求后完成率,并且從完成率中,剔除客戶原因(詢價后嫌貴、上門找不到人、隨口問問等情況)才能算出來相對準確的數字。
這是尋找判斷標準的工作,建立標準工作后,還得跟各部門共識,才能達成一致認可。
這一步很重要,很多同學之所以難以落地,從第一步就是:只有數字,沒有判斷?;蛘吲袛鄺l件不嚴謹,導致后邊一深入,發現有很多業務上定義模糊,相互扯皮的地方。這樣自然落不下去(如下圖)
四、第三步:從短期到長期
注意:時間拖長,可能有季節性變化。比如特定設備在夏季/冬季使用頻率高,更容易出故障。因此基于一個月份建立標準后,可以看一整年的情況,進一步鎖定問題。
比如整體情況是:需求≥供給,但是:
偶爾性(1、2個月)
經常性(連續發生大于3個月)
持續性(新上/臨近報廢)
季節性(特定季節發生)
對應的輕重緩急也是不同的,能引導出的落地建議也不同(如下圖)
五、第四步:找重點、抓重點
整體情況確定以后,再看局部問題。比如在第一階段,鎖定了問題來自:供給端,就是供給不夠,那么該怎么進一步分析呢?
首先,業務有三條線,三條線誰是重點,要先區分出來。因為廠商/企業這種toB類客戶和toC類個人用戶,是根本兩個發展思路,不僅當前在工單總數中占比不同,而且對未來發展重要性也不同,很有可能toB才是公司生命線。
在不同重要性影響下,即使當前數據相同,對未來發展的判斷也可能是不同的,要先做判斷,再往下細看(如下圖)
六、第五步:從整體到局部
其次,售后服務是分區域交付的,因此哪個區域特別嚴重,哪個區域例外,再分出來。這個相對容易理解,每個區域的客戶需求,門店/師傅配置都不同,很可能邊遠地區還是二次外包出去的,因此鎖定問題點,也有助于:抓大放小,先解決問題突出的地區。
這里又有策略上差異:如果真看到某個地區需求特別旺盛,且都是外包在做,很有可能會選擇“更換掉外包,自己設一個服務點”而不是“該外包需保持業績發展趨勢”。
在落地上,從來都不是哪個指標好了就保持,也不是哪個差了就改進的,很有可能有第三選擇。
七、第六步:從局部到細節
最后,售后服務是分2個環節執行的,到底是客服派單慢,還是售后執行差,再分出來。
這個分解最為復雜。因為客服派單派不出去,很有可能是因為該區域/該大客戶服務團隊的工作已經飽和了,或者是因為節假日等正常原因,或者是因為在等零件調貨等客觀原因,所以不拿到接到單以后的服務團隊/配套情況/節假情況等明細數據,很難說清楚到底是派單員的問題,還是服務的問題。
在考慮落地方案的時候,越細節的問題,越放在后邊解決。因為很有可能落到特別細的細節以后,你會發現根本沒有數據……手頭有啥數據就用啥,這也是分析的基本原則。
八、第七步:從數據到管理
面對細節數據缺失,可以用管理手段配合數據建設。比如要求客服在首次接單且售后無異常的情況下,接單30分鐘內完成分配,有異常就人工反饋標注。
還可以提前對各地區配件數庫存進行檢查,提前標注缺貨標簽,這樣分析的時候,能區分哪些因為等配件而延遲。還可以要求服務師傅上門前/服務完成后進行系統打卡登記,這樣統計師傅在崗情況,從而反推是否師傅已飽和。
注意,這些管理手段本身對業績也是有幫助的??梢蕴崆鞍l現配套問題,可以監控一線行為獎勵多勞多得,可以及時發現有增長潛力的地區。
所以,用這些業務上利益點做誘餌,是可以推動管理手段落地的,進而達到采集數據的目的,從而一舉兩得。如果沒有好的管理手段,很有可能數據都采集不上來,自然也無法落地。如果沒有業務上利益點,即使高層強力介入,強行把軟件推下去,業務不配合、亂填一通,數據還是一塌糊涂。
九、小結
想把數據落地,就是這樣一步步從粗到細,剔除各種異常,擊中要害,最后靠和管理手段結合落地。
而不是簡單地:
1、哪個指標低了就搞高
2、哪個指標高了就保持
也更不是出一套“神威無敵大將軍模型”就能搞掂的。比如有的同學一看:誒呀!有客服派單!立馬條件反射般:我們效仿滴滴/美團,建立人工智能派單模型。
那個,這是售后業務耶,機器的損壞率可不會像打車/外賣一樣天天持續,需求就那么多。且上門還牽扯配件問題,哪里能隨便亂套。所以想做的細,就得深入業務流程,耐著性子剝洋蔥。
本文由人人都是產品經理作者【接地氣的陳老師】,微信公眾號:【接地氣的陳老師】,原創/授權 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。
- 目前還沒評論,等你發揮!