前段时间闲聊，朋友说正在做一个线下网点的经营分析，分析结论是这个新开的网点单量太少。（类似新开了一家沙县，要做这家沙县新店的经营分析，结论是新开的这家沙县，每日下单客户太少。）
渔歌望穿秋水期待着下文，可是戛然而止，没下文了。
渔歌：“沙县老板不知道这家新店，单子太少了？”
朋友：“知道。”
渔歌：“那这个分析是为了什么？难道就为了告诉沙县老板，你的单量太少了，还是，你对单量太少的判断是对的？”
朋友：“我也不知道咋往下分析了，看了很多数据，可没用啊！”
渔歌陷入了思考，为什么BI花了九牛二虎之力，分析的云山雾罩，只给了个众人皆知的结论就结束了？
如果我是沙县老板，心里一定BB分析师：你当我傻，还是你们这帮分析师吃饱了没事干，难道还要你告诉我单量太少了？！还是你准备向我老板打小报告，说我业绩差？
在渔歌看来，单量太少，这只是一个很浅层的业务结果，根本不能叫分析，更谈不上商业分析。这种分析，对BI来说，吃力不讨好，费了力气没成长、没结果，业务不认，自己也很丧。
为什么分析的这么辛苦，得出的结论大家早知道，谁谁都不满意？核心原因有3个：
1.分析之前：别人知道的，我却不知道；
2.分析过程中：除了别人知道的，我没有引入新的数据；
3.分析方法上：缺少分析思维、框架、逻辑；
仍以新开的这家沙县门店经营分析为例，我们逐步讨论这3个原因和怎么破。
一、分析之前，别人知道的，我却是不知道
这个问题看上去很弱智，却很常见。表现为：一听到需求方来问数据，马不停蹄写SQL，绝不多问一句遇到了什么问题，为什么要看这个数据？仿佛多问一句，就显得我的SQL不行，或者我不懂业务。
很多人忙着解决问题，却很少有人关注问题的本质。这是通病。
所以我们都先给自己把个脉，看看自己有没这个毛病，或者请同事、老板帮自己照个镜子，避免有毛病还不自知。此处停顿3秒，扪心自问。
意识上摆正后，我们再看怎么解决别人知道，我却不知道的问题。
解决方案:分析前先摸底，做足准备工作。拿出一张纸，一支笔，先梳理思路，业务的背景是什么，流转路径是什么，业务为什么要分析这个问题，可能的原因有哪些，自己有哪些地方还不了解，需要找谁请教。这是分析师心中的图，心中有图，分析才开始靠谱。
想的七七八八，或者自己压根想不清楚，那就开始找人聊，找业务聊、找产品聊、找客户聊，把之前想的框架、问题和各方的信息输入做交叉验证和补充，把大家的信息变成分析的起点。起点高了，才能分析出更有价值的内容，不至于忙了半个月，出来了一个别人早就知道的结论。
所以，分析师在拿到命题后，第1件事：和相关人员沟通业务背景、现状、当前的问题。第2件事：形成思考、分析框架，把框架画出来，框架可以逐步调整。但不要急着写SQL！
思维方式是分析师和产品经理最异于其他岗位的特点。
以沙县新店单量少的案例来说。分析前，先找各方沟通，或者先用数据验证自己的猜想，比如：
1）业务预期：当初新开此店的业务初衷是什么？选址的标准是什么？当时的业务量增长预期是什么？
2）过往经验：根据沙县过往的经验，一家新店的单量增长路线是怎样的，这家新店和其他店的差异在哪里；
3）业务现状：实际业务量及业务构成：如线上外卖、线下堂食的单量占比怎么样，营销手段有哪些，效果分别怎么样？和其他店经营上有什么差异？
4）业务环境：针对这家新店周边整体的人口特质、门店位置、同类竞品店铺的情况怎么样，店铺中各sku的销售分布怎么样？
5）问题假设：各方猜测现在单量少的问题是什么？有消费者投诉，还是竞争太激烈，还是周边环境没起来，或者说店长和团队很不靠谱？
分析之前，找业务、运营、BD、产品先沟通，其中有些问题也可以先看数据，数据和各方的输入相互补充、相互印证，也为分析找到线索。
二、分析过程中：没有引入新的数据
业务发展，要么来自增量，要么来自模式重构。
在商业分析中，增量来自于分析师掌握了其他人没有的信息。而模式重构则来自于分析师对业务大图的梳理，对问题本身的梳理，也就是分析框架，别人没有像我们一样这么完整、穷尽的去分析过这个问题。做到了这两点，就一定是优秀的分析师。
先说增量，也就是分析师要掌握别人不知道的信息（数据）。
解决方案：紧紧围绕分析目的展开，去找到为了分析透这个问题，需要的数据。不要把自己困在sql里、困在数据仓库的几十张、几百张表里。商业分析紧紧围绕商业诉求展开，需要用什么数据也围绕商业价值展开，不是围绕数据库有什么数据展开。这是很多分析师无法成为商业分析师的重要原因。
或许有朋友说，巧妇难为无米之炊，如果数据库都没数据，我能怎么办？数据库没数据，但客户有数据、店长有数据、市场有数据，这些数据只是不在数据仓库，不是用数字体现出来的，是以信息的方式存在，需要自己去搜集。如果商业分析只能跟着数据库的数据来做分析，那么商业分析的价值直接砍半，因为数据库有的数据，日常分析做报表即可，体现不了商业分析的价值。
尤其在线上、线下融合越来越多的情况下，尽可能融合线上、线下数据，线下的数据通过其他渠道去获取，可能是现场观察，也有可能是用户调研，甚至是竞对研究。
比如说新开的沙县经营不好的原因分析。分析师可以自己去线下踩点，去观察：
1）市场环境：在这个区域，有多少同类的店铺（比如黄焖鸡、兰州拉面），他们的单量怎么样？线下整体的人口流量有没有起来？
2）我的优劣势：和其他店铺相比，自家的沙县好在哪，不好在哪，是位置太偏，没有客户，还是客户回头率很低，还是别人家也很差？
3）消费者反馈：用餐者对店铺的反馈怎么样？对其他同类店铺的反馈怎么样？
这样的分析生动、有血有肉、才能找到商业问题的真相。经过类似的摸底，分析师掌握的信息必然比在办公室里的业务、产品要多。而这样的信息除了从市场上来获取，也可以和业务、产品聊，交叉验证。
可能有人说，这种信息我拿不到。不好意思，不深入市场，就无法产出高价值的商业分析报告。同时，信息获取也没有那么难，现场观察、跟店铺负责人聊，和在沙县或黄焖鸡就餐的用户聊。没有人规定分析师必须待在空调房里，或者必须从数据库取数。
三、分析过程中：缺少分析思维、框架、逻辑
前面提到：业务发展，要么来自增量，要么来自模式重构。
在商业分析中，模式重构来自于分析师对业务大图的梳理，对问题本身的梳理，也就是分析框架，别人没有像分析师一样这么完整、穷尽的去分析问题。
也就是我们有别人没有的思维大图和分析框架。
仍以沙县新店的经营分析为例，商业分析至少要给出3部分内容：
1）经营现状到底如何？
2）经营不好的原因是什么？
3）改善经营的建议方案是什么？
也就是：是什么，为什么，怎么样3步曲。
基于这样的分析目的，我们应该如何展开分析：
1.新开沙县的经营现状到底如何？
先看新店从开业后至今的单量及变化趋势，可以用日均、周均、月均，或者总量，度量指标的选择根据实际业务场景来；
再看过往沙县新店的单量及相应的店铺成长周期、及单量变化趋势；
接着看新店竞争对手（位置、用户资源接近的门店，比如黄焖鸡）的单量及变化趋势；
结论：只有通过自己的、竞对的综合比较，才能知道新店的经营到底处在什么位置，而不是仅新店单量太少。即使少，那多少是合理的，和期望值差多少。这是一个定量的精确描述。
2.找出新店经营差的原因
在第1步明确新店经营差后，要找到经营差的原因。
假设交易金额是看经营好坏的唯一因子，暂不考虑成本等因素。
那么怎么找到交易金额差的原因，需要层层拆解，并不断调整，比如下图：
交易金额=支付笔数*单均支付金额；
交易笔数和新老客户的分布有很大关系，拉新的效果，留存的效果分别怎么样；
单均交易金额则和消费者的消费能力和SKU设置合理性相关。
所以，总交易额差，到底是哪个指标在拖后腿，还是几个指标在拖后腿，还是都拖后腿，各指标和其他网点相比较，差哪了，差多少?
刨根问底往下走，才能越来越接近真相。比如这个店铺所覆盖的区域，人流就是比其他区域少，周边都还是工地，工地又统一解决工人的用餐问题，附近的黄焖鸡经营效果也不好。
也或者是这家店的客户回头率特别差，因为食客认为太难吃了，这会在老客这个指标中体现出来。
通过这种方式，层层探求问题的真相，也就找到了原因。所以分析师在写SQL前，脑子里要有一张图，然后在和各方的沟通和数据探查中，逐步调整这张图，这张图就是分析框架。当分析师拿着这样的分析框架和结果和业务沟通的时候，别人一定会在心里为我们点赞，不敢小看我们。
3.给出新店改善经营的目标及建议
找到经营不好的具体原因之后，可以再多往深了走一层。
现状是这样，原因是这样，如果做一些策略改进，效益会提升多少，比如做新店促销或者单品促销，根据历史的经验，结合新店的特征，能带来什么样的新增效益。
或者为了达到单店的目标，可以从哪几个方面着手，比如增加新客、提高客单价等对整体效益的权重非常是怎么样的，要分别提高多少，可以达到业务目标。
有了1）是什么；2）为什么；3）怎么样，才是完整的商业分析。
四、小结
一项商业分析需要回答3个问题：是什么，为什么，怎么样（商业分析3步走）。
也就是既要有现状描述，也要有原因洞察，最好还要有方案建议及对建议的预估。也就是商业分析的3步走路径。
为了做到有价值商业分析的3步走，需要做到下面3点：
1：分析前，做充分的准备工作。和需求方沟通业务的现状、问题、预期，不要急着去跑数。这很重要，却被很多人忽略的。重要的话再说一遍：很多人忙着解决问题，却很少有人关注问题的本质。
2：分析中，围绕分析目标，整理采集数据，不把自己限于数表。结合前期从业务、行业、合作伙伴等各方输入的信息或者自己的初步分析假设，去跑市场观察用户、竞对，不要把自己局限在数据库的数据。
3：分析中：梳理分析框架、思路、假设，层层拆解，分析框架指引数据人找到业务大图和业务关键点。
能看到这里，表示你很有很强的学习意愿和能力，给自己鼓掌。
为了加深记忆，留言告诉我们，全文你记住了哪几句话。
*本文转载自公众号：西湖渔歌，作者且渔且歌
更多干货内容，欢迎关注公众号：DataHunter
－数据分析展示就用 DataHunter－
关于 DataHunter
DataHunter 是一家专业的数据分析和商业智能服务提供商，注册于2014年。团队核心成员来自IBM、Oracle、SAP 等知名公司，深耕大数据分析领域，具有十余年丰富的企业服务经验。
DataHunter 旗下核心产品智能数据分析平台Data Analytics、数据大屏设计配置工具Data MAX已在业内形成自己的独特优势，并在各行业积累了众多标杆客户和成功案例。
成立以来，DataHunter就致力于为客户提供实时、高效、智能的数据分析展示解决方案，帮助企业查看分析数据并改进业务，成为最值得信赖的数据业务公司。
网友评论