對運營人來說，我們也常常做數據分析并做出運營策略與玩法的改動。不過當被問及運營建議時，不少運營同學還是會陷入錯誤的思路與建議中。那么如何找到正確答案呢？請詳見本文。

有同學問：“如何基于數據分析提出運營建議”，今天我們拿個簡單的題目來舉例。這個題目陳老師之前講過，有印象的同學應該還記得。再舉一次，是因為每到招聘季都有人把它搬出來，而且有關它的大部分講解，都是錯的。

已知，下圖是某個電商一周銷售金額走勢（具體數據都差不多，總之曲線長這樣），問：數據反映什么問題，怎么提運營建議？

很多同學一看這個數據，本能的回答就是：最后兩天低了，要搞高

問題就從這里開始……

為什么不能寫要搞高？

因為如果面試官多問一句：你準備搞到多高？就能把“要搞高”三個字干廢了，無論怎么后續(xù)怎么解釋都解釋不清（如下圖）。

這就是：“說話的一張嘴，做事的跑斷腿”的直觀體驗。

“要搞高”三個字說起來輕松，可做起來一堆問題：

• 為什么非要搞高？
• 要搞到多高才算高？
• 市場搞高還是銷售搞高？
• 用什么型號的產品搞高？
• 啥時候開始搞到啥時候？

所以說做數據分析的，要對業(yè)務常存敬畏之心，不然光空口白話，會被人笑話的。

真要提建議，當然得從第一個問題開始——為什么非要搞高是最初的判斷，也是最重要的判斷。判斷錯誤會把整個方向帶歪，搞得大家興師動眾勞而無功，所以一定要慎重。

第一個建議是要不要搞

為什么不是低了要搞高？

是因為很多業(yè)務都是周期性波動的，比如休閑類消費就是周末高，平時低；B2B交易就是工作日高，節(jié)假日低。

碰上小長假之類的，除了吃喝玩樂大部分其他交易都會停。所以得多看幾周數據，看過往趨勢。

有些商品交易有明顯生命周期性，比如手機都是新上市的賣的好，過一段時間性能落后淘汰了就自然會差。

題目僅給了一張圖什么條件都沒說，所以有可能這是某個（或者某些類）商品的生命周期末尾，因此還得看具體品類。

我們還不知道，到底這一周交易的目標是多少，如果目標已達成，那即使低一點又有啥問題，所以還得看任務目標。

綜上，想說：要搞高，前提是先判定這個數是低。這樣就得先找標準。我們得綜合趨勢、品類生命周期、任務目標，綜合下結論（如下圖）

很多同學說，這一步看起來很簡單呀，不就是把曲線拉長嗎。實際上情況可能很復雜。請注意，簡單是建立在：

1. 銷售金額是個很直觀的、數值型的、結果性指標，高就是好，低就是不好。
2. 上邊舉例的三種情況，都是嚴格符合趨勢，且前后走勢一致。

如果情況1不成立：比如是閱讀量、用戶數這種過程指標，判定就變得復雜。

你得看這些過程指標的漲跌，和銷售金額、毛利這種結果指標間有沒有直接關系。如果是轉化率這種比率型指標，就得先看是分子小了還是分母小了。

如果情況2不成立：往往意味著一種特定的業(yè)務行為。比如下邊兩種很常見的場景，在整體達標的前提下，內部結構發(fā)生了有趣的變化，這種變化到底是好還是壞，會不會眼前看著達標，后邊幾期數據就不達標，都有可能，這時候就得更深入的分析。

第二個建議是要搞多高

如果經過判斷有問題，真的要搞高，那第二步的判斷就是：要搞多高？

很多人會說：不是越高越好嗎？

顯然不是！

應該是：在投入一定的情況下，越高越好。

你的商品主管、用戶運營、產品經理、網站開發(fā)在短期內的投入能力都是有限的，因此得定個合理的小目標。

如果上一步做的很扎實，那么這一步就非常好做：

• 參考標準1：KPI。可以計算做多多少才能補齊KPI
• 參考標準2：自然周期。可以計算看多做多少才能讓業(yè)績曲線保持過往周期性運轉，至少止住持續(xù)下跌的態(tài)勢。
• 參考標準3：生命周期?？梢钥窗茨壳吧芷?，預計商品還有多少周銷量，再看要做多少才能趕上節(jié)奏，避免后期積壓。

當然，以上都得和具體品類結合。如果題目沒講清楚，可以根據自己的理解假設情況進行深入。不深入，越到細節(jié)討論，可能性就越多，越難講清楚。

第三個建議是誰來搞

再往下建議，先定干活的人，再講具體怎么干。注意，不同部門可以干的事是有區(qū)別的。

• 流量運營：為全站引流，分配流量
• 商品運營：商品選款、上下架、補貨
• 活動運營：促銷活動、宣傳活動
• 用戶運營：給制定用戶發(fā)券
• 產品經理：調整購買路徑

因此想提有用的建議，得先明確是提給誰的。

這里就需要拆解問題，落實到具體產品品類、用戶等級上。

但在拆解之前注意：先區(qū)分是整體性問題，還是局部性問題：

• 如果是整體性問題，比如整體上流量不足，競爭對手爭搶用戶太厲害，產品線整體老化，這時候就得出殺招，考慮整體流量，出爆款。
• 要是只是個別產品的問題，可以再具體考慮。因此看結構性變化，就是個重要的參考數值。

第四到第N步建議

再往下繼續(xù)提建議，會涉及到具體怎么做。

請注意，“怎么做”是不能直接從數據層面推導的。比如在上例一中，我們看到了A產品銷量下降是引發(fā)問題的關鍵，但是是選擇C產品替代A，還是基于A重新做活動，還是全站導流呢？這里需要業(yè)務的專業(yè)判斷。

數據可以做的分兩種：

1. 上次出現(xiàn)類似情況，是如何處理的，最后效果如何
2. 常規(guī)措施，促銷、新品、用戶活動，大概投入產出多少

基于這兩點，先判斷整體策略方向：到底用什么手段，用多少投入。

之后才是細節(jié)：具體哪天上什么產品、優(yōu)惠力度是多少、發(fā)券面向多少人……

在更細節(jié)層面，比如券面額，活動形式上，可能還得配合一些ABtest才能得到最后結果。

這樣層層深入，每一步都基于之前獲得共識的判斷，能非常有效的助力業(yè)務思考，也不容易被推翻。

既不是一上來拋個宏大的話題：“要搞高”，也不是一下踩到很細的細節(jié)：“老夫掐指一算，只要在2月5日派200張面額50滿200減50全場通用的券，定可逢兇化吉扭虧為盈”。

這才是數據分析真正發(fā)揮作用的方法。

小結

很多同學覺得提建議很難，總覺得提的不夠細，其實主要是思考的不夠細導致的。如果一上來只有一根曲線，沒有走勢分析，沒有結構分析，沒有標桿，肯定建議也細不下去。甚至連“要不要搞高”這么簡單地建議都會提的毫無依據，很容易被挑戰(zhàn)。

運營、產品、銷售、營銷做事情都是很具體的5w2h：

1. 應對什么問題
2. 面對什么人
3. 在什么時間
4. 什么渠道
5. 以何種形式
6. 用什么力度
7. 得什么效果

這里每一個點其實攤開來都是數據分析可以解釋、驗證的話題。但是如果直接插入這些細節(jié)，就會陷入：“為什么非得是A不是B”的各種論戰(zhàn)里無法脫身。

因此我們建議用剝洋蔥的方法：

• 從最簡單的：“是不是”搞起
• 先問是不是這個問題
• 再問是多大的問題
• 再問是哪里搞出來的問題
• 再問能怎么整這個問題
• 再問這次可以選哪個手段

逐步深入，思路很清楚，也能越想越細，最后提的建議自然是很好的了。

這次結束留個思考題：

如果曲線是同樣形狀，把問題換成：

• 交易轉化率
• 用戶留存率
• 活躍用戶量
• 文章閱讀量
• 用戶滿意度

你會怎么答？

有興趣的同學看可以下來練練，在練之前先思考，這五個指標和銷售金額有什么區(qū)別，這種區(qū)別會導致的差異是什么？

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯(lián)網，金融，快消，零售，耐用，美容等15個行業(yè)有豐富數據相關經驗。

本文原創(chuàng)發(fā)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(xié)議