2022- 05- 11 11:25
“数据分析要助力增长！”是很多公司的要求。然而实际执行的时候，很多同学都犯了难。看起来每天的工作就是在计算数据，这还能咋增长？有些案例�?ABtest，可版本是产品出的，裂变活动是运营做的，我只是算了一个数据呀�? 今天详细给大家解答一下，到底怎么做能实现增长�? # 增长的底层逻辑
问一个灵魂拷问：业务为什么会增长？想要增长，首先业务本身不能做得太烂，其次，业务得有足够的发展空间�? 在这两个前提下，产生了四种增长的底层逻辑�? 1、不需要对现在做改变，只要单纯的增加投入，就能有更大产�?2、需要对现在做改变，要把现在某个最弱的环节补齐 3、需要对现在做改变，要把现在某个最强的做法铺开 4、干脆不做现在的，找一个更有机会的新领�? 一张图可总结如下�? 
那么，下一个问题就来了：在这个过程里，数据分析能做什么？
数据助力的底层逻辑
问第二个灵魂拷问：没有数据，业务真的就不能做吗？当然不是，没有数据业务照做。你看历史上都是这么做过来的，历史上打仗都是“敌兵无数，杀敌无算”，历史上做饭都是“少许、适量、些许、片刻”，没有数据是完全可以做业务的——只是不知道做得咋样而已�? 紧接着就是第三个灵魂拷问：
你更喜欢“敌兵无数”还是“敌�?500 人�? 你更喜欢做饭“放少许盐”还是�? 克盐（盐罐配勺的一勺盐）�? 你更喜欢办事情“你再稍等片刻”还是“等 15 分钟就好�? 每个人都更喜欢精确的判断，清晰的结果，喜欢可视化的过程。而这些都是数据发挥的作用�? 所以，想做好数据助力，从一开始就得清晰思路，不是指望数据分析师提出一个超厉害的活动策划案，超�?X 的产品原型图，而是用数据精确判断、可视化过程、检验结果。最好以产品化形式输出。这样给所有作战部队配地图、配雷达、配无人机，从而提升整体作战能力�? 追加投入的分�? 有同学开始犯嘀咕了：追加投入，这个业务也会要钱呀，给�?50 万我�?200 万，给我 100 万我�?400 万嘛。这个还需要分析？
这个真需要分析。因为投入本身涉及好几个类型（如下图），每个类型的投入都能增加产出�? 而销售是一个牵一发动全身的动作，投入方向不对，很容易遭遇瓶颈。常见的，比如：
1、过度投销售，产量不足，导致断�? 2、过度投销售，产量大涨，导致差�?退�?投诉
3、过度投营销，结果没有直接带来产出，浪费资金
4、过度投营销，交叉补贴严重，产出不足，浪费严�? 5、过度投营销，结果销售渠道出现瓶颈，没有产出
6、过度投供应，结果销售端不给力，产品积压严重
7、销售、营销、供应一起投，结果费用爆炸，资金链断�? 
所以，即使一个简单的：追加投入。都得综合考虑多个因素�? 1、目标市场潜�?2、销售端投入产出�?3、营销活动的增量效�?4、供应链扩张能力
这里每一步计算，都需要若干小分析点支持。比如目标市场潜力，要考虑目标用户基数、目标用户购买力、竞品渗透情况、本品牌已覆盖用户比例，这里需要行业分析的手段支持。而营销活动增量效果，又得考虑非活动下产出水平，活动叠加效果，活动对未来需求挤兑效果，活动带来薅羊毛效应（如下图）�?| 要有清晰的前后对比，有参照物 | ||||||||||
| 羊毛效应：大家都压着 500 的线�?没做好交叉购买的引流 | ||||||||||
| 看一个简单的例子，活动规则： ”买指定商品 A 2 件有赠品，买 2 件且 订单�?500 有额�?50 元优惠�?/td> | 活动�?/td> | 活动�?/td> | 增量 | |||||||
| 人数 | 人均 消费 | 总消�?/td> | 人数 | 人均 消费 | 总消�?/td> | 人数 | 人均 消费 | 总消�?/td> | ||
| 购买 2 件，且总金额大�?500 | 5,000 | 650 | 3,250,000 | 5,200 | 450 | 2,340,000 | 200 | -200 | -910,000 | |
| 购买 2 件，且总金额小�?500 | 10,000 | 320 | 3,200,000 | 20,000 | 330 | 6,600,000 | 10,000 | 10 | 3,400,000 | |
| 购买 1 �?/td> | 20,000 | 100 | 2,000,000 | 9,000 | 110 | 990,000 | -11,000 | 10 | -1,010,000 | |
| 合计 | 35,000 | 241 | 8,450,000 | 34,200 | 290 | 9,930,000 | -800 | 49 | 1,480,000 | |
不能只看总量，要具体到每个奖励规则下前后对比
挤兑效应：没有做好新用户引进，老用户提前透支了需求，提前囤货下个月购买就按地气学�? 因此，大量的分析工作是必不可少，可不�?给我 50，我�?100”这种简单拍脑袋�? 标杆分析/问题分析
从现有业务中找出标杆/找问题，这套方法是很多同学熟悉的�? 1、如果只看收入指标，就用分层分析法，分出高中�? 2、如果结合收入、成本指标，则做矩阵分析法，筛出表现双优的个�? 3、之后，再用漏斗分析法，找出业务流程里表现最差的环节
传送门�? 九大数据分析方法：分层分析法
九大数据分析方法：矩阵分析法
九大数据分析方法：漏斗分析法
问题是：区分出好坏以后，又该怎么操作�? 对于标杆而言，要解决的核心问题是：标杆是否真的可以复制�? 1、如果标杆可复制，就把经验推广过去；
2、如果标杆仅在特定市场环境下才能成功，那就看这个环境哪里还有�? 3、如果标杆是特定的人/商品/渠道才能成功，就直接去找同类型的�?商品/渠道
想判断可复制性，首先得对标杆做生命周期分�?特征分析
站在生命周期角度�? 1、是否标杆初创期有特殊环�?2、是否标杆发展期有特殊加�?3、标杆发展是否稳定，还是昙花一�? 
站在最后一刻总结经验，是伪数据思维的典型，最后结论就是：成功的人放屁都是成功屁。避免该问题的最简单办法，就是拉长时间，从发展初期开始研究，区分：哪些是行业周期性波动哪些是红利期、低谷期同时间段，他比竞争对手多做了什么这才是符合数据思维的靠谱做�? 站在特征角度：是否只有特殊位�?特殊类型商品/特殊生理特征的人，才能够成功。这些情报的收集工作是非常重要的。需要回顾历史数据，收集市场信息，收集历史业务动作。对门店/商品/人打标签，才能做到充分的分析�? 
问题分析，在找到问题点以后，重要要解决的是：问题是否可被克服。短期内，很有可能许多问题无法改进。因此，是否有问题改进计划，具体改进了哪一点，改进以后效果如何？要做详细的数据记录，这样在多轮次对比中，才能解答：问题是否可被改善。如果能改善，就突破瓶颈，如果不能，得考虑绕开�? # 发现新机会的分析
什么是新机会点�? 1、某个渠道虽然流量少，但转化率比其他都高 2、某类客户虽然人数少，但付费能力比其他都�? 3、某个新区域/新品类虽然刚开始做，但增速比其他都快
这些都是潜在的机会点。想找出来并不困难，分层分析+同期群分析就能看出来�? 问题的难点是：找出来以后，又怎样？新机会点真的有可能做大吗？现有手段真的管用吗？做大以后是不是利益就被摊平了？统统不知道。所以还是需要更多深入分析�? 
这里，业务已有策略和没有策略，有两种做法。如果已有策略，则直接监控效果，观察是否越做越大，是否有边际效益递减即可。如果没有策略，则得结合历史情况，做充分的机会洞察。以发现某个用户群有机会为例，得看：
1、现有的渠道，能获取多少该群用户 2、哪些渠道该群用户浓度较�?3、高浓度渠道是否特殊，是否还有可做空�?4、现有的活动，该群响应率是否足够�?5、现有的商品，该群用户首�?复购率哪个高
有足够的潜力基数 \(^+\) 高响应的商品/活动，才能支撑起”机会点”，如果没有，只能交业务考虑，是否安排测试方案，从测试效果做起�? # 小结
综上可见，真的想驱动业绩提升，需要数据分析围�?增长”这件事，鞍前马后做大量辅助工作，结合行业数据，历史数据，当前表现，测试结果，真正解读出增长的关键，积累经�?教训，才能实现�? 而很多公司里，所谓数据分析，就是简单地计算个渠�?ROI，用城市/门店和销售额做个交叉，看一下谁高谁低，那肯定没啥用�