j数据分析中的硬实力与软实力「如何锻造解决问题的能力」( 三 )_java

而业务也正是找到了这个切入点，针对已享受过护理次数的客户，赠送免费的护理次数，以吸引他们到店来护理，而有了面对顾客的机会，自然也就有进一步销售的可能。所以现场还会准备新品、活动宣传等材料，处处精心营造成冲动消费的心理暗示。
【建立公式】——数据思维+业务流程
从业务流程中抽象出来：圈选目标客户 → 通过护理吸引到店 → 营销促销 → 消费。
应用数据思维，进一步抽象成公式：老客重购金额 = 目标老客数 * 到店率 * 转化率 * 客单价。
抑或用“人货场”业务思维进行讨论。
【理解业务】——搭建业务模型
基于公式，将流程建成立体的网状结构，形成针对某个具体场景的业务模型。

文章插图
【数据分析】—— 找到问题所在
通过在业务模型的框架内进行分析比较，我们才能看到某一个业务的全貌，才能发现背后是哪个模块引出的问题。例如案例中，数据分析发现触达客户中，回柜率很低，问题可能在“老客”、“回柜”。
从历史数据上看，此次采取的吸引到店玩法都是很成熟的策略，有很好的成功案例，数据表现良好，所以问题可能就是出在“客户池”——运营维护部分，如没有分群营销。
3. 落地建议的能力【KPI相关】
分析项目是否可推动实现很大程度上取决于是否切合业务KPI。
根据多次和业务合作的经验，尤其是对数字化决策不那么敏感的公司，甚至是由上至下的数据分析项目，分析结论很容易沦为一纸报告，而不了了之。很大程度上，是因为分析建议与实际业务动态偏离，即并不是业务的考核重点。在资源有限的情况下，也就难以执行。
【 j数据分析中的硬实力与软实力「如何锻造解决问题的能力」】所以，在最后给落地建议的阶段，还是要回归业务，了解业务的运营计划，在现有的项目下，去试验、实践分析建议。
【符合实际操作】
不要尝试去改变业务习惯。
问题在于用户分群的问题，应用RFM模型进行精细化运营。一般来说，RFM模型分为八大人群，根据不同人群特点进行精细化管理，例如案例中，针对重要价值人群进行新品发布会邀请等差异化体验，针对重要唤回人群进行节日关怀策略等。
但是如果了解实际业务操作的话，对于零售企业来说，并不会按八个人群去实践，而是选其中的几个重要人群，或者进行二次组合，以减少客服部门的触达量。
知道这样的背景后，就不要再去建议说分成八个人群给不同的建议，而是有优先级地划出人群优先级，或者配合给人群合并运营建议等。这样考虑到实际操作情况，业务自然也能感受。
【分析深度】
另一个落地建议，就是一定要具体可行。
在已知数据分析结论不容易落地的情况下，将结论建议尽可能地具体，给出“令人惊喜的”发现，才能更容易去推动项目。
但是不要忘记数据分析与业务执行之间的边界，在大部分情况下不要尝试去给具体的落地计划，否则很可能会引起反效果。
如何做到具体可行？则需要纵向的分析深度：
分析模型的深度理解：
如图RFM分析案例中，但在我看来，RFM模型的’KPI’在于良性人群的占比提升。所以将门店RFM人群结构及关键数据进行同期对比，可以达到进一步分析的目的。

文章插图

文章插图
杜邦分析与指标拆解：
这部分内容可以参考：数据分析的结果该如何落地？ | 人人都是产品经理 (woshipm.com)