企业数据应用的四个层级

​用数据发现问题

某企业有近 200 人的销售队伍，销售人员每天打电话、约客户、拜访客户，从而保证企业能够承接更多的业务， 卖出更多的产品 / 服务。 销售人员的活动每天都被统计并上报到总部，以及汇总到企业商业智能平台上， 这些数据包括销售人员的电话记录、 拜访记录、 在客户端打卡记录， 以及客户下单记录、 客户直接在官网下单的订单记录等。

将这些数据在平台上统计及汇总，能够看到每个销售人员都做了什么、平均每个电话的通话时长是多少、每天和多少个客户通电话、平均与每个客户每个月的通话次数是多少， 也包括每个业务员每个月外出拜访客户多少次、 平均每次拜访时间是多长、平均每次拜访成交多少销售额、 每个销售订单平均需要业务员打多少次电话和拜访多少次才能够成交， 从中也能够看到不同业务人员的差异。通过对以上各个指标进行排名，能够看到哪个业务员更勤奋、哪个业务员更高效、哪个业务员业绩更好。通过对历史数据进行对比，还可以看到哪个业务员在快速成长、哪个业务员的业绩止步不前等。

通过数据可以知道过去发生了什么，近 200 个业务员每天都在干什么、干得怎么样、 谁干得好、 谁干得差。 这就是数据应用的第一个层级： 用数据指标表征发生了什么， 并评价发生的结果， 找到问题所在， 能够监控业务的进展， 监控企业经营和管理活动，让所有的行为都能看得见。

用数据发现规律

此企业中有两名业务分析师，一名是初级业务分析师，一名是高级业务分析师。初级业务分析师负责统计以上指标，并将指标分发给各个相关部门，包括销售部门、人力绩效考核部门等。高级业务分析师要对这些数据进行分析，通过建立实时数据分析模型优化整个销售团队的绩效。

高级业务分析师对这些数据进行分析，主要发现以下几方面规律。

（1）高频度拜访客户的成交率达到了 70%，而做过一次拜访后的 5 天内不再拜访，那么客户的成交率为 38%。

（2）每次拜访客户之前一般要与客户通话 4 次以上，而且通话次数越高的客户成交率越高，且客单价比通话次数少的客户高出 20%。

（3）在企业中，电话通话次数与拜访次数的比例平均是 4.5:1，对于此数据，业绩好的业务经理平均在 6:1 以上，业绩差的业务经理的比例在 3.5:1 以下。

（4）业绩好的业务经理一般保持同客户 3 天 1 次的沟通频率，其中通过微信沟通平均每天都有，而业绩差的业务经理平均 7 天与客户沟通一次。

为了确认沟通频率和强度与成交的因果关系，高级业务分析师对 10 个业务经理进行了访谈，采集了更多的数据。通过分析新采集的一手调研数据，高级业务分析师得出以下几个结论。

（1） 业绩好的业务经理更加擅长与客户沟通，而业绩差的业务经理往往不太愿意与客户进行沟通，不主动联络客户，而是到了不得不联系时才与客户通电话。

（2）业绩差的业务经理不想与客户沟通的原因是他们认为该客户成交意愿不强烈，所以没有与客户通电话的积极性，造成沟通频率较低。

（3）业绩差的业务经理宁愿拨打更多的客户电话，并在高意向客户中寻找比较容易成交的客户，而不愿意在一个客户上花费更多的时间。

结合数据分析和实际调研结果，高级业务分析师得出如下假设：提高业绩较差的业务经理与客户沟通的频次可以提升他们的业绩，并且通过电话沟通预约见面拜访，适度增加拜访次数也能够提升业绩。

于是高级业务分析师与销售总监做了研讨，决定让业绩较差的业务经理提高与同一个客户的通话频次和拜访频次， 以检查是否可以提升这些人的业绩， 从而验证高级业务分析师的假设。销售总监同意该提议，于是在周例会上对业绩排名在后 50 位的业务经理提出了要求：每天给客户打一次电话，没有成交之前每 3 天必须去拜访一次客户。

高级业务分析师随时监控数据的变化，1 个月之后，排名在后 50 位的业务经理该月份的业绩比上个月上升了 20%。排除企业业绩环比增长的 5%，业务经理行为的改变直接带来 15% 的绩效提升。

这就是数据的第二层应用：发现规律，洞察事情为什么发生，找到事物背后的规律，形成企业的管理诀窍。

用数据发现未来

高级业务分析师的分析成果得到检验，也为销售部门带来巨大的收益，得到销售团队的认可，他们经常与高级业务分析师探讨优化销售管理的办法。之后，市场总监也来找高级业务分析师，询问帮助预测电商平台上销量的方法。

此企业在线下通过 200 人的销售队伍进行推广平台，企业的线上业务由市场部门负责，市场部门除经营管理企业的品牌和各种广告投放外，还负责线上平台的推广业务。 为了能够提升线上旗舰店的销量， 市场部门需要花费大量费用在平台上投放广告，通过竞价排名将自己的平台排在客户搜索页的前面。

高级业务分析师根据该市场部的活动判定，电商平台上的销量一定与两个核心要素有关系：一方面是企业产品在平台上展示给用户的次数，另一方面是营销费用花费后平台推送的广告量。前者可以用旗舰店的自然流量计量， 后者可以用投放的营销费用计量。如果能够构建销售量和这两个因素的量化关系，就能够预测未来的销量。要想预测未来的销量，还要预测自然流量的展示量和需要投入的营销费用。

在与市场总监沟通后，该高级业务分析师就从市场部门得到了营销费用花费的台账数据， 通过企业的数据平台导出了历史上每日的销售量数据， 利用电商平台的后台可以找到旗舰店每日在客户面前通过自然流量展示给客户的次数数据， 这包含一年多的数据。

于是该高级业务分析师把自然流量做了时间序列分析，得到一个近似估算值，即近期每日的自然流量大约在以每天 1.3% 的速度增加；同时，高级业务分析师把销售量数据同流量数据和销售费用做了二元一次回归分析，得到一个销售量和自然流量与营销推广费用之间的统计关系模型，即 Y =aX 1+bX 2+c

当知道 a 和 b 的值之后，就可以预测未来的销售量。该模型通过了历史数据校验，可信度很高，是成立的（在95% 的置信区间上通过统计分析校验）。

于是，高级业务分析师向市场总监询问下个月每日投放的营销费用，如果有营销费用预算，则基本可以预测未来的销量。但高级业务分析师还是不太确定，所以需要跟踪监控，可以尝试 1 个月，观察预测是否准确。现在的模型是用线性来假设的，随着销量的增长和自然流量的增长不知道是否会影响这个线性， 所以只能先尝试进行预测。

市场总监按照高级业务分析师的预测模型估算了销量，前 10 天误差都很小，比较精准，为了取得更好的销售业绩，完成月度目标，市场总监加大了营销费用的投入。当增加幅度不超过 30% 时，原先的预测公式基本精准；但当超过 30% 时，预测值的偏差开始加大。

市场总监又找到高级业务分析师询问原因。高级业务分析师分析数据之后说， 可以有更高的销售业绩。高级业务分析师说，一般事物的发展都遵循一个 S 形曲线的规律： 刚开始时增速很小， 随着规模的扩大， 会有一个高速成长阶段， 当过了这个阶段就会进入一个缓慢增长的阶段，之前的预测模型是按照线性预测的， 在 S 曲线的某个阶段内是可用的，但在提高 30% 的投放费用之后，就进入高速成长阶段。现在如果持续加大投入费用 30% 以上，甚至双倍，就能够快速进入成长的快车道，而且获客成本会大幅度降低，从而提前完成任务目标。

市场总监对此将信将疑，但为了超额完成业绩目标，他大胆冒险，将营销费用连续 N 天双倍投放，在电商平台上近乎“霸屏”了，销售量大幅度提升，生产部门和发货部门打来投诉电话，现在无法及时供货，企业需要扩大生产。

这就是数据应用的第三个层级：通过研究事物发展规律，有把握地预测未来， 并找到未来发展的路径，提前做好准备或者采取措施。

用数据发现规范（范式）

高级业务分析师帮助市场部大幅度提升业绩，并由此受到各个业务部门的“爱戴”，市场总监为了提高业绩，又找到了高级业务分析师，询问再度提升业绩的方法。

为了找到方法，高级业务分析师在一个星期内天天跟着企业的高级销售经理跑业务，每天观察高级销售经理是如何工作的，并不断记录各种笔记，将各种销售人员和客户谈话的关键词记录在 Excel 中，把客户的典型问题记录下来。一个星期后，市场总监找到高级业务分析师询问情况，高级业务分析师告之正在研究，市场总监将信将疑，还是任由高级业务分析师继续他的“陪同出差”工作。

一个月后，高级业务分析师找到市场总监，并告诉市场总监，需要规范业务经理的“话术”，且要设定每次出门拜访的“目标”，以及与客户对话的“规范”。市场总监询问这样做的原因。

高级业务分析师回答说，经过一个月的实地数据采集，将业务经理拜访的客户大概分成五大类：第一类是刚刚听说过产品的客户，表示出对产品的兴趣，属于感兴趣客户；第二类是觉得产品不错， 想深度了解产品优势和竞争品对比的特点的有意向合作客户；第三类是已经倾向于产品但觉得价格有点高的高意向且准备购买产品的客户； 第四类是已经购买产品的客户，业务经理去回访和答谢的客户；第五类是多次购买过产品的客户。

笔者按照这五类客户数量分别做了统计，大致是一个漏斗的形状，而且观摩了优秀业务经理和普通绩效业务经理针对每类客户的不同沟通技巧，发现了其中的差异，所以接下来需要按照“客户体验地图”对客户的成交进程进行分类，然后按照优秀业务经理的做法规范所有人的拜访时机、拜访策略、谈话技巧（话术），并指定每一次拜访的成果目标，除排名在前10 位的优秀业务经理外，其他人都必须遵循这个管理规范。

首先要对业务经理进行培训，并且必须通过考核，严格执行。让排名前 10 位的优秀业务经理做培训师，并做考试的考官，通过后才可以上岗。关于客户的进程情况笔者根据 CRM 系统中的数据进行分类，并且会为每个客户打上销售进程标签，以供业务员参考。

数据价值应用的四个层次（金字塔）如图 2-6 所示。

市场总监知道高级业务分析师自有他的办法，所以就参照执行，执行 1 个月后，业务经理的业绩上涨，线下销售的产品库存减少得很快。

这就是数据应用的第四个层级：用数据制定行为规范，全员遵循，以确保更优秀的业绩。

图 2-6    数据价值应用的四个层级（金字塔）

综上可知，数据应用的四个层级具体如下：

第一个层级是描述性分析，通过数据统计汇总“发生了什么”；

第二个层级是诊断性分析，通过数据模型和算法找到事物间的规律，回答“为什么会发生”；

第三个层级是预测性分析，通过逻辑规律进行预测，并回答“将要发生什么”；

 第四个层级是规范性分析，回答“应该做什么”（见图 2-7）。

图 2-7    数据价值挖掘的四种类型

图 2-8 显示了从“数据”（Data）到“信息”（Information），到“知识”

（Knowledge），再到“智慧”（Intelligence）的全过程。我们可以从数据中获得信息，从信息中获得知识，从知识中获得智慧。

图 2-8    从数据到智慧的迭代升级

全文摘自电子工业出版社出版《数字蝶变：企业数字化转型之道》赵兴峰著

该文转载已取得作者授权

yD