我在网上看过很多增长案例，主流是通过增加流量池，优化页面内容结构等方式操作，这些案例也帮助我提高了很多。这里，我也想和大家分享一下我的一部分经验。
题图来自Unsplash，基于CC0协议
我所处的是一家电商公司，众所周知，在互联网上销售产品并不是客户成功付款就结束了的，对应的还有后续的客户体验。售后服务是一件大家都不愿去思考的事情，因为相对于面对已经付了钱的客户，大家更关心如何提高流量，提高转化，精准投放等等。可是从我这边的实际效果来看，售后服务其实是更重要的一个行为，它相当于是一个动态实时的复盘检验。通过售后服务，我们可以反推评估前面的路径效果。
干讲无益，下面我用实际案例演示一下。
在11月份的某次活动之后，我们的销售额迎来了大幅度的上涨，相应的毛利也随之水涨船高，在随后的日子当中，我们的销量也保持在一个稳定增长的情况，到今年3月份为止，我们也随之开始面对退货上升的问题。
分析思路大致如下：发现问题——确认目的——做出各种假设——验证假设——采取行动。
发现问题
当前面临以下问题：
1. 之前内容没有注重这一方面，相当于是从头开始搭建相关体系
2. 当前手头资源，包括数据准备，各部门支持等并不明确
3. 目标内容过于空泛，需要明确分析目的，和想要的结果
确认目的
确认目的是一个很重要的流程，它决定了你之后的分析重点和分析流程。在这里，我们要解决的是之前发现的问题。
首先要确定这个结果要反馈给哪些部门，可能需要哪些部门参与进入来。
经过确认之后，我们发现，一个退货，其实是贯穿整个业务流程的，投放的关键词是否精准，来页面的客户是否合适，页面描述是否正确无误，供应链提供的产品是否出现质量波动，物流公司是否可靠。
当时也没有想到，一个退货涉及的面会这么广泛，基本上把大部分部门都覆盖了一遍。因此，我们需要搭建的体系也就是要将这些内容全部考虑在内的一个分析体系。
其次，我们需要确认手头所拥有的数据资源，这一点很重要，当初在设计退货的时候，会有一个相对应的退货流程，比如，对于用户来说，他的退货流程就是（这里只是举例示意），打开页面——打开我的订单——选择订单——申请退货/退款——选择退货理由——提交退货申请——申请批准——提交退货物流号——商家确认收到退货产品——完成退款/退货。
那么这个路径当中，就可以挖掘到买家的退货时间，退货/退款理由，完成退货/退款的时间等等信息。类似的还有广告物流信息等等。整体来说，是以用户的行为路径和用户本身的profile两个方面来进行。这里之所有用profile而不是用persona，是因为前者可以更好地帮助决策。
最后就是要确定这个分析最终能达成一个什么样的效果，在这里就是要和大领导以及各部门领导沟通确认了，这里我借用我们领导举的一个很形象的例子来说明一下。比如，我通过这个分析得出一个结论，产品A和产品B是两款十分类似且质量相差不多的产品，那么，为什么产品A的退货率要比产品B的退货率高，是页面描述不精准，还是我们的供应链在中间给我们换材料了而没有通知我们，还是最近采用的物流服务没有之前那么好了。我们如何应对？
我想对于大部分人来说，大家都希望发现问题，解决问题，而实际过程中，分析解决问题不是一蹴而就地。在这里，我们也要做两步，第一步是挖掘表层问题，第二步时挖掘深层次问题。
做出各种假设
既然要分两步走，那么我们就要先挖掘表层问题。做了申请退款的人群，都是哪些人。这里使用友盟+即可查看。
这里要注意的一点，要严格避免出现辛普森悖论的情况，必须要将维度拆得更具体，维度更细一些。这里使用友盟+展现的是目标人群的用户画像（数据已脱密，这里只是示意，不具有实际指导意义）。
实际过程中，我们发现：
1. 地区A的退货率明显高于周边的地区B，地区C和地区D。
2. 产品a的退货率明显高于同类产品b的退货率
以上是我们发现的两个主要问题，对此，我们按照售前到售后的流程做了一系列相关的猜测。但主要还是地域维度，质量维度，页面维度三个维度来详细拆分。
地域维度主要思考的这一地区的人是不是对产品有不同于其他地区的要求。
质量维度主要思考的是通过时间对比查看一段时间内，我们的产品销量及对应的退货率是否有较大的浮动。
页面维度主要是针对页面描述是否不够精准，关键词是否还有额外的误差。
验证假设
针对第一个问题，地区A的退货率明显高于周边的地区B，地区C，地区D。
我们首先是做产品质量维度的分析，我们分析了过去一段时间的整体的退货率和产品销量的变化。这几个产品运输的产品批次都是同一批次，物流服务也没有明显差异。
随后我们拆解对比了该地区的页面维度以及其下面的广告维度，对比竞品产品页面，没有发现页面上有相应的误导情况
随后我们环比了地区A的退货率和数量，发现相比与其他地区，地区A的退货在周期上也稳定在一个较高的比例上。不管该地区各个产品的销售数量如何变化，增长或者下降，我们的退货率都在一个比较稳定的比值上。
最后，我们查看了该地区的退货原因，主要原因是产品质量无法接受，而其他地区的主要退货退款原因是产品有瑕疵。
也就是说，地区A的人群，相比较其他地区的人群，对产品质量有更高的要求。
针对第二个问题，产品a的退货率明显高于同类产品b的退货率，我们查看了用户地域和时间维度上的相关信息。
先我们发现，产品a的退货率只是这一段是时期的突然上升。在之前很长一段时间，大部分地域内同时销售产品a和产品b，两款产品a和产品b的退货率都在一个比较相似的阶段，也就是说，我们的这款产品之前是处在一个和市场情况相似的阶段。异常只是最近一段时间发生的事情。
有意思的是，产品a和产品b都是同一批次，同一物流的货物，也就是说，并不是产品质量本身的问题。
于是，我们把目光瞄向了页面，和相关运营人员沟通后，我们了解到，这一款产品，之前备货计划出现问题，迫于库存压力，于是开始优化页面，在页面上刊登了额外的，不具有的功能。效果是，销量的确上升了，库存压力缓解了，同时也出现了退货。
采取行动
针对第一个问题，我们决定采用优化产品质量，同时提高产品售价的应对措施。
针对第二种产品，首先是修改产品页面不正确的描述，随后联系相关的用户，给予一定的补偿，针对不满意退货的用户，积极安排退货流程。
结果：
这些措施发生后，我们因退货产生的损失下降了30%。如果不好好控制好退货问题，那么产品的销售就形不成闭环，无法进行更好的产品优化，无法更好地维持好用户，同时也没有办法在未来更好地做好品牌升级。
在未来，我们会进行预警设置，当某一特定数据出现异常的时候，会突出显示，以帮助我们进行相对应的分析。
感悟：
分析本身其实就是一个不断派出各种可能选项的过程，目标结果是各个项的乘积，而不是各个项的和，一项没有做好，结果就会变成0。
要多维度思考问题，建议采用MECE法则梳理，分析及采用的结果，可能不是一步到位的，需要慢慢分析，做决策要慢，行动要快。
作者：任文臣
本文为「人人都是产品经理」社区和友盟＋联合举办的“2019「友盟杯」数据分析大赛”中获奖作品，未经作者及平台许可，禁止转载
本文部分数据有脱敏处理，非全部真实数据
有关产品测评大赛合作事宜，请联系邮箱：denis@woshipm.com
网友评论