如何基于数据分析给出运营建议

　　对运营人来说，我们也常常做数据分析并做出运营策略与玩法的改动。不过当被问及运营建议时，不少运营同学还是会陷入错误的思路与建议中。那么如何找到正确答案呢？请详见本文。
　　有同学问：＂如何基于数据分析提出运营建议＂，今天我们拿个简单的题目来举例。这个题目陈老师之前讲过，有印象的同学应该还记得。再举一次，是因为每到招聘季都有人把它搬出来，而且有关它的大部分讲解，都是错的。
　　已知，下图是某个电商一周销售金额走势（具体数据都差不多，总之曲线长这样），问：数据反映什么问题，怎么提运营建议？
　　很多同学一看这个数据，本能的回答就是：最后两天低了，要搞高
　　问题就从这里开始……
　　为什么不能写要搞高？
　　因为如果面试官多问一句：你准备搞到多高？就能把＂要搞高＂三个字干废了，无论怎么后续怎么解释都解释不清（如下图）。
　　这就是：＂说话的一张嘴，做事的跑断腿＂的直观体验。
　　＂要搞高＂三个字说起来轻松，可做起来一堆问题：
　　为什么非要搞高？
　　要搞到多高才算高？
　　市场搞高还是销售搞高？
　　用什么型号的产品搞高？
　　啥时候开始搞到啥时候？
　　所以说做数据分析的，要对业务常存敬畏之心，不然光空口白话，会被人笑话的。
　　真要提建议，当然得从第一个问题开始——为什么非要搞高是最初的判断，也是最重要的判断。判断错误会把整个方向带歪，搞得大家兴师动众劳而无功，所以一定要慎重。
　　第一个建议是要不要搞
　　为什么不是低了要搞高？
　　是因为很多业务都是周期性波动的，比如休闲类消费就是周末高，平时低；B2B交易就是工作日高，节假日低。
　　碰上小长假之类的，除了吃喝玩乐大部分其他交易都会停。所以得多看几周数据，看过往趋势。
　　有些商品交易有明显生命周期性，比如手机都是新上市的卖的好，过一段时间性能落后淘汰了就自然会差。
　　题目仅给了一张图什么条件都没说，所以有可能这是某个（或者某些类）商品的生命周期末尾，因此还得看具体品类。
　　我们还不知道，到底这一周交易的目标是多少，如果目标已达成，那即使低一点又有啥问题，所以还得看任务目标。
　　综上，想说：要搞高，前提是先判定这个数是低。这样就得先找标准。我们得综合趋势、品类生命周期、任务目标，综合下结论（如下图）
　　很多同学说，这一步看起来很简单呀，不就是把曲线拉长吗。实际上情况可能很复杂。请注意，简单是建立在：
　　销售金额是个很直观的、数值型的、结果性指标，高就是好，低就是不好。
　　上边举例的三种情况，都是严格符合趋势，且前后走势一致。
　　如果情况1不成立：比如是阅读量、用户数这种过程指标，判定就变得复杂。
　　你得看这些过程指标的涨跌，和销售金额、毛利这种结果指标间有没有直接关系。如果是转化率这种比率型指标，就得先看是分子小了还是分母小了。
　　如果情况2不成立：往往意味着一种特定的业务行为。比如下边两种很常见的场景，在整体达标的前提下，内部结构发生了有趣的变化，这种变化到底是好还是坏，会不会眼前看着达标，后边几期数据就不达标，都有可能，这时候就得更深入的分析。
　　第二个建议是要搞多高
　　如果经过判断有问题，真的要搞高，那第二步的判断就是：要搞多高？
　　很多人会说：不是越高越好吗？
　　显然不是！
　　应该是：在投入一定的情况下，越高越好。
　　你的商品主管、用户运营、产品经理、网站开发在短期内的投入能力都是有限的，因此得定个合理的小目标。
　　如果上一步做的很扎实，那么这一步就非常好做：
　　参考标准1：KPI。可以计算做多多少才能补齐KPI
　　参考标准2：自然周期。可以计算看多做多少才能让业绩曲线保持过往周期性运转，至少止住持续下跌的态势。
　　参考标准3：生命周期。可以看按目前生命周期，预计商品还有多少周销量，再看要做多少才能赶上节奏，避免后期积压。
　　当然，以上都得和具体品类结合。如果题目没讲清楚，可以根据自己的理解假设情况进行深入。不深入，越到细节讨论，可能性就越多，越难讲清楚。
　　第三个建议是谁来搞
　　再往下建议，先定干活的人，再讲具体怎么干。注意，不同部门可以干的事是有区别的。
　　流量运营：为全站引流，分配流量
　　商品运营：商品选款、上下架、补货
　　活动运营：促销活动、宣传活动
　　用户运营：给制定用户发券
　　产品经理：调整购买路径
　　因此想提有用的建议，得先明确是提给谁的。
　　这里就需要拆解问题，落实到具体产品品类、用户等级上。
　　但在拆解之前注意：先区分是整体性问题，还是局部性问题：
　　如果是整体性问题，比如整体上流量不足，竞争对手争抢用户太厉害，产品线整体老化，这时候就得出杀招，考虑整体流量，出爆款。
　　要是只是个别产品的问题，可以再具体考虑。因此看结构性变化，就是个重要的参考数值。
　　第四到第N步建议
　　再往下继续提建议，会涉及到具体怎么做。
　　请注意，＂怎么做＂是不能直接从数据层面推导的。比如在上例一中，我们看到了A产品销量下降是引发问题的关键，但是是选择C产品替代A，还是基于A重新做活动，还是全站导流呢？这里需要业务的专业判断。
　　数据可以做的分两种：
　　上次出现类似情况，是如何处理的，最后效果如何
　　常规措施，促销、新品、用户活动，大概投入产出多少
　　基于这两点，先判断整体策略方向：到底用什么手段，用多少投入。
　　之后才是细节：具体哪天上什么产品、优惠力度是多少、发券面向多少人……
　　在更细节层面，比如券面额，活动形式上，可能还得配合一些ABtest才能得到最后结果。
　　这样层层深入，每一步都基于之前获得共识的判断，能非常有效的助力业务思考，也不容易被推翻。
　　既不是一上来抛个宏大的话题：＂要搞高＂，也不是一下踩到很细的细节：＂老夫掐指一算，只要在2月5日派200张面额50满200减50全场通用的券，定可逢凶化吉扭亏为盈＂。
　　这才是数据分析真正发挥作用的方法。
　　小结
　　很多同学觉得提建议很难，总觉得提的不够细，其实主要是思考的不够细导致的。如果一上来只有一根曲线，没有走势分析，没有结构分析，没有标杆，肯定建议也细不下去。甚至连＂要不要搞高＂这么简单地建议都会提的毫无依据，很容易被挑战。
　　运营、产品、销售、营销做事情都是很具体的5w2h：
　　应对什么问题
　　面对什么人
　　在什么时间
　　什么渠道
　　以何种形式
　　用什么力度
　　得什么效果
　　这里每一个点其实摊开来都是数据分析可以解释、验证的话题。但是如果直接插入这些细节，就会陷入：＂为什么非得是A不是B＂的各种论战里无法脱身。
　　因此我们建议用剥洋葱的方法：
　　从最简单的：＂是不是＂搞起
　　先问是不是这个问题
　　再问是多大的问题
　　再问是哪里搞出来的问题
　　再问能怎么整这个问题
　　再问这次可以选哪个手段
　　逐步深入，思路很清楚，也能越想越细，最后提的建议自然是很好的了。
　　这次结束留个思考题：
　　如果曲线是同样形状，把问题换成：
　　交易转化率
　　用户留存率
　　活跃用户量
　　文章阅读量
　　用户满意度
　　你会怎么答？
　　有兴趣的同学看可以下来练练，在练之前先思考，这五个指标和销售金额有什么区别，这种区别会导致的差异是什么？