一、场景（销售）
PAS是一家销售企业管理软件的公司，公司上线了CRM、ERP、HR等系统，针对商机、合同、付款、客户、价格、销售员的入职时间、接受过的培训等信息都是有详细记录。（积累的过程数据为后续商务数据分析提供数据基础）
企业现状：虽然整个行业欣欣向荣，但是这家公司的业务却陷入泥沼销售额连续八个季度出现下滑。
内部各个部门相互推卸责任：
- 销售部门报怨人事部门给的候选人素质不高，经验太少；人事反击说是销售部管理不善，有经验的老员工频繁离职，新入职的员工培训不够，不能快速成长；
- 销售又抱怨公司产品功能不完善，在市场上的竞争力不足；产品则回怼，已上线项目的客户反应良好，是销售销售部门员工能力不行；
- 还有销售抱怨售前顾问不给力或者支持力度不够；还说市场部门组织的活动效果太差，获得的销售线索太少等。
……
问题貌似是全方位的，各个部门的说法听起来都有一定道理，但是哪些才是关键的问题？要想改变现状，又该从何处破局呢？
通过科学的数据分析，精准找到问题关键点，通过机器学习分析复杂系统（多特征下的关联），通过预测模型筛选可行方案，为企业决策调整提供有力的数据支撑。
销售关联方
二、解决方案
1.步骤1：业务分析（场景）
场景更多体现的是数据分析的场景，如业务部门想了解用户在注册流程中的用户流失原因，那么这就是问题的场景，要根据场景去定义问题，梳理数据分析思路，选择数据分析的方法。
在做描述性分析时，最重要的是结构化思维，即要把分析的问题或指标进行逐层结构化分解，直到无法分解为止。
比如，总体销售收入=销售漏斗中所有销售机会的数量 * 每个销售机会的交易金额 * 胜率
每个销售机会的交易金额=每个销售机会包含的产品 * 每个产品包含的模块数量 * 每个模块的平均单价
根据上述思路，小白首先对去年销售员整体的业绩情况做了分析：总体销售指标为 1亿2000万，已签单 1个亿，指标达成了83%，目前有100个销售员，平均每个销售员的签单金额为100万，这样看起来貌似还不错。但是再看下一项数据就会发现比较大的问题，仅有20%的销售员完成了销售指标。
去年销售员业绩概况
通过查看去年销售员签单金额分布，这个问题体现的更明显，销售业绩主要是靠几个明星销售员来达成的。
去年销售员签单金额分布
再看去年整体销售漏斗的表现，整体销售漏斗金额高达5亿，而每个销售员平均的漏斗金额有500万，但是平均签单金额仅有100万，也就是说胜率仅为20%；另外，去年已完结的交易数量为1000，而销售员平均完成交易数量仅为10个，数量偏少；同样，平均的交易金额仅为10万，平均客户价值仅为20万，在企业管理软件行业，这两个数字都是偏小的。
去年销售漏斗表现情况
接着分析新老客户平均交易金额及胜率，可以看出新客户虽然单子大，但是赢单的概率较低；反之，老客户虽然单子小，但是胜率很高。
平均交易金额及胜率
下面再看新老客户对收入的贡献，可以看到老客户虽然平均交易金额较小，但是对整体收入的贡献还是远远高于新客户的。
新老顾客收入贡献度对比
再看交易金额分布及其胜率，可以看出单子金额越大，胜率越低。
交易分布和胜率
以及不同产品的收入分布和胜率，A、B、C这三种产品收入贡献较高，并且胜率也相对较高，证明在产品、价格等方面在市场上有较明显的竞争优势，可以重点突破。
不同产品的收入分布和胜率
产出：诊断性分析结论
对现有CRM、ERP、HR、售后、市场等5大系统或数据源中的数据做了梳理，共137个变量或KPI。
2.步骤2：变量（特征点）权重分析
新问题：如此之多的变量想通过传统的数据分析方法分析是很困难的（如通过散点图分析这些变量与销售业绩的相关性）
回答：通过机器学习可计算出不同变量（机器学习称为特征）对结果值（即销售业绩）的影响到底有多大。
机器学习分析后各变量重要性程度
接着，从不同业务问题角度验证因素的影响，并从中找出解决方案。
以第一项：销售人员为例，去年销售员业绩达成率分布如下图所示：
去年销售员指标达成率分布
根据上图把销售业绩分为三类：平庸，中等和优秀；
其中平庸为业绩完成不到50%的；中等为业绩完成50%-99%的；优秀为业绩完成100%的。
下图可以看到优秀组和平庸组在这12个关键KPI的差异：
不同等级销售员KPI表现
通过以上数据对比分析，可以看出：
- 对业绩影响最大的变量为销售员销售的产品种类：业绩优秀的销售员，是所有产品都销售的；而业绩平庸的销售员，则只销售自己熟悉的产品。
- 其次，业绩优秀的销售员，和合作伙伴的关系很紧密，销售线索可能来自于合作伙伴，甚至合同都是与合作伙伴联合与客户签订；而业绩平庸的销售员，只依赖于公司内部市场部提供的销售线索。
- 第三重要的是平均合同金额。业绩优秀的销售员合同金额是平庸的销售员的2倍多；而较大的合同金额通常是因为每个合同销售的产品更多。
- 第四重要的是销售漏斗金额与销售指标的比率。业绩优秀的销售员会在全年保持稳定的销售机会创造率，其每月创造的销售漏斗金额是平庸销售员的3倍。
3.步骤3：预测性分析（以销售员能力分析为例）
再细致分析不同销售人员这12个变量表现：
不同销售员KPI表现
通过上图可以看出，尺有所短，寸有所长。比如，85号销售员看起来大部分变量都处于平均水平或之下，但是其也有闪光点，这些人里只有他每季度创造的销售机会超过平均水平，那其他人就可以向他学习如何提升这一点。
上图虽然可看出不同销售员在单个变量的表现，但是很难据此直接判断出其未来是否能完成业绩指标。如果可以做到这点，就可以把可能不达标的人提前找出来，进而给予其必要的帮助。
这里就需要用到预测性分析，通过建立预测性模型，根据其关键KPI的表现情况，即可以预测其业绩达标情况。小白根据历史数据训练出的预测模型，预测的准确率已经达到了95%。
模型应用：
预测模型完成后，即开始发挥作用。根据模型预测，刚入职一年的销售员小王很难完成今年的业绩指标，虽然其很努力，每月创造的销售机会比均值高不少，销售漏斗金额与销售指标的比率也OK，但是在部分关键指标表现不佳：
预测新进销售员的指标表现
对销售业绩影响最大的因素之一就是合同的平均金额，目前均值是180K，但是其只有25K。
另外，看起来他不怎么和合作伙伴一起合作，公司平均60%的合同是和合作伙伴一起打单打下来的，而他的比率是0；而有合作伙伴参与的订单金额是没有合作伙伴参与的订单金额的6倍，胜率也更高。
因此，小王的直属主管找他沟通后，建议他着重提升合同的金额，并给出了以下改进措施：
- 首先，主管给到小王负责区域的合作伙伴名单，以及以往公司与每个伙伴签署的平均金额，小王需要更积极地联系合作伙伴。
- 其次，建议小王要提升捆绑销售软件的数量，公司平均有40%的软件都是捆绑销售出去的。主管给了小王捆绑销售占比较高的产品清单，以及在与合作伙伴和捆绑销售做的好的同事名单，要求小王找他们多沟通，看他们是如何做到的。
步骤4：阶段（年度）对比总结
经过一年的时间，PAS公司的业绩得到了明显的提升：
年度业绩对比
销售团队平均表现对比
三、总结
- 问：什么是商业数据分析呢？*
答：商业数据分析以大数据为背景，以商务经济管理活动中的问题为对象，综合运用统计学、应用数学、管理科学（运筹学）、计算机软件应用和编程、数据挖掘、机器学习等学科知识，对商务经济管理活动中的数据进行处理，以实现数量化认知、预测分析和优化决策的目的。
数据分析前需要明确目标。
- 是为了通过数据分析发现问题?
- 是针对某个业务指标制定具体提升举措？
商业数据分析主要应用：
- 客户群体细分，然后为每个群体量定制特别的服务。
- 模拟现实环境，发掘新的需求同时提高投资的回报率。
- 加强部门联系，提高整条管理链条和产业链条的效率。
- 降低服务成本，发现隐藏线索进行产品和服务的创新。
商业数据分析实施步骤
1、明确业务需求
按业务驱动的角度，了解业务部门需要解决什么样的问题，业务范围是什么，所要达成的效果又是怎样，依据这些需求来实施部署商业智能工具。
2、数据结合与关联
由于企业数据海量的特点和多元化的结构形式，需要商业分析工具具有海量的数据探索和分析能力，能够实时有效的与已有数据结合，产生精确的行动方向。
3、培养数据分析人才
企业的数据分析，商业智能系统的部署是关键，但业务人员数据分析水平也同样重要。这就要求人员在信息过程管理当中要逐渐培养科学化管理数据的意识，企业上下也要统一共识，从而形成对企业数据的综合管理。
本篇的实例来自于由Jenny Dearborn所著的《Data Driven: How Performance Analytics Delivers Extraordinary Sales Results》
网友评论