“你做的数据分析，一点都不落地！”“除了写数字，能不能有落地建议！”“看了数，所以呢？要干啥？�? 这一类抱怨，经常在办公室响起，让做数据的同学很郁闷。到底咋做算落地？今天通过一个例子，系统讲解一下�? 问题场景：某大型售后连锁服务商，同时承接厂商、企业、个人的服务需求，由客服接需求以后生成工单，分配给自营的服务点或外包的服务商，上门完成服务�? 现在已定下，北极星指标是：实际完成工单件数，问：如何做进一步落地分析�? # 数据落地的常见错�? 很多同学一看到问题，就说：老师，这题我会！工单=需求数*转化率吗，既然要提高完成工单件数，那要做的就是，把需求数和转化率两个指标�? # 搞高�? 所以数据落地的方式，就是：一要多签厂商客�? 二要多签企业客户三要做大个人流量四要提高客服效率五要加强上门管理六要提升师傅技能你看，这建议多具体，多落地……

�?….

首先，这么说确实没错，确实这些指标要搞高，确实这六条都是建议，问题是：这些都是正确的废话，即使不做数据分析师，大家也“早就知道了”，那肯定要搞高呀，还能搞低不成�? # 嗯嗯，你说的都对

从数据推导业务落地行动，核心是：轻重缓急。通过数据分析找到哪里是重点，哪些是辅助，这才是数据计算的价值。如果不加计算，那人人都知道这也要加强，那也要加强�? # 第一步：梳理业务流程

想落地第一步，就是停止在数据层面：坐而论数，就数论数。数据到底从哪个业务流程里来，又受哪个流程影响，得先理清楚。业务层的梳理，一般由粗到细，剥洋葱般层层深入。比如本案例中，虽然涉及业务的角色很多，但以客服收到线索为界限，可以划分为：需�?供给量大部分（如下图）�?

在需求端，B 类客户一般靠线下团队直接开发，靠关系维护。线上客户一般在中介平台/维修点广告获客。需求端的流程和常规 toB/toC 业务差不多，本次就不赘述了，重点讲供给端�? 目标是提高完成工单数量，第一级要做的轻重缓急判断，就是：需�?供给是否匹配�? 仅看单个月份/整体供需情况，可能有三个状态：

需求≥供给需�?供给需求≤供给

第一级判断，决定了后续落地方向：

需求≥供给，提升供给能力需�?供给，持续观�?降低供给成本需求≤供给，发展客户，扩大需�? 这就�?V 1.0 的落地建议。注意，真实建议不会给得这么口语化，而是经过计算的：

这一步看起来简单，其实也暗藏玄机：怎么判断到底哪头大？

第二步：树立判断标准

判断标准，绝不是让老板拍个脑袋那么简单。需求≤供给相对容易观察，比如售后师傅人均工单数少、平均工资低、人员流失多等等�? 但需求≥供给，很有可能是没有数据记录的。比如个人客户打电话进来，结果约不到师傅；企业客户打电话进来，要排队很久才能修理，但是因为签的是年度合同，所以一时半会不会翻脸�? 这些情况都使得评估供给能力存在困难，数据不真实情况。等企业客户流失的时候才反应过来，已经太晚了�? 因此，树立标准最好单独做分析。比如厂�?企业客户，需要匹配合同签约时服务条款（比如接�?24 小时内处理完毕）；对个人客户，需要看客户发起需求后完成率，并且从完成率

中，剔除客户原因（询价后嫌贵、上门找不到人、随口问问等情况）才能算出来相对准确的数字�? 这是寻找判断标准的工作，建立标准工作后，还得跟各部门共识，才能达成一致认可�? 这一步很重要，很多同学之所以难以落地，从第一步就是：只有数字，没有判断。或者判断条件不严谨，导致后边一深入，发现有很多业务上定义模糊，相互扯皮的地方。这样自然落不下去（如下图）

实际上，一开始订的：“实际完成工单数”指标也是有问题的。因�?B 类客户（通常还是大客户）常常只能在工作日上门，而每个月工作日不一样，一年中至少有一半以上月份是自然差异 5%以上的（这得折腾死日常做分析的同学）如果真以月份为考核，可能需要做一些折算。这还是假设 24 小时以内响应，如�?48 小时以内响应，这种日常差异会因为假期被放的更大。所以统一考核标准必须做的谨慎细致�?

第三步：从短期到长期

注意：时间拖长，可能有季节性变化。比如特定设备在夏季/冬季使用频率高，更容易出故障。因此基于一个月份建立标准后，可以看一整年的情况，进一步锁定问题�? 比如整体情况是：需求≥供给，但是：

• 偶尔性（1�? 个月�? 经常性（连续发生大于 3 个月�? 持续性（新上/临近报废�? 季节性（特定季节发生�? 对应的轻重缓急也是不同的，能引导出的落地建议也不同（如下图）

季节型高峰需要多签临时人手应对旺季；偶然型高峰需要安抚客户的手段连续型高峰需要增加供给能力；生命周期型高峰需要对客户签约日期/客户签约后设备生命周期进行综合评估。这四个走势应对四种完全不同落地方向，很可能需要对客户分细分服�? # 第四步，找重点、抓重点

整体情况确定以后，再看局部问题。比如在第一阶段，锁定了问题来自：供给端，就是供给不够，那么该怎么进一步分析呢�? 首先，业务有三条线，三条线谁是重点，要先区分出来。因为厂�?企业这种 toB 类客户和 toC 类个人用户，是根本两个发展思路，不仅当前在工单总数中占比不同，而且对未来发�? 重要性也不同，很有可�?toB 才是公司生命线�? 在不同重要性影响下，即使当前数据相同，对未来发展的判断也可能是不同的，要先做判断，再往下细看（如下图）

第五步，从整体到局�?

其次，售后服务是分区域交付的，因此哪个区域特别严重，哪个区域例外，再分出来。这个相对容易理解，每个区域的客户需求，门店/师傅配置都不同，很可能边远地区还是二次外包出去的，因此锁定问题点，也有助于：抓大放小，先解决问题突出的地区�? 这里又有策略上差异：如果真看到某个地区需求特别旺盛，且都是外包在做，很有可能会选择“更换掉外包，自己设一个服务点”而不是“该外包需保持业绩发展趋势”�? 在落地上，从来都不是哪个指标好了就保持，也不是哪个差了就改进的，很有可能有第三选择�?

这一步一般同学们都会做，但是做的时候经常没有先诊断问题出现的时间形态，导致整体上判断失误（比如误把季节性问题判定为持续性问题）。注意，对供应商和自己人，业务上态度是不一样的，供应商是可以建议替换掉的，关键看数据评估结�? # 第六步，从局部到细节

最后，售后服务是分 2 个环节执行的，到底是客服派单慢，还是售后执行差，再分出来�? 这个分解最为复杂。因为客服派单派不出去，很有可能是因为该区域/该大客户服务团队的工作已经饱和了，或者是因为节假日等正常原因，或者是因为在等零件调货等客观原因，所以不拿到接到单以后的服务团队/配套情况/节假情况等明细数据，很难说清楚到底是派单员的问题，还是服务的问题�? 在考虑落地方案的时候，越细节的问题，越放在后边解决。因为很有可能落到特别细的细节以后，你会发现根本没有数据……手头有啥数据就用啥，这也是分析的基本原则�? # 第七步，从数据到管理

面对细节数据缺失，可以用管理手段配合数据建设。比如要求客服在首次接单且售后无异常的情况下，接�?30 分钟内完成分配，有异常就人工反馈标注�? 还可以提前对各地区配件数库存进行检查，提前标注缺货标签，这样分析的时候，能区分哪些因为等配件而延迟。还可以要求服务师傅上门�?服务完成后进行系统打卡登记，这样统计师傅在岗情况，从而反推是否师傅已饱和�? 注意，这些管理手段本身对业绩也是有帮助的。可以提前发现配套问题，可以监控一线行为奖励多劳多得，可以及时发现有增长潜力的地区�? 所以，用这些业务上利益点做诱饵，是可以推动管理手段落地的，进而达到采集数据的目的，从而一举两得。如果没有好的管理手段，很有可能数据都采集不上来，自然也无法落地。如果没有业务上利益点，即使高层强力介入，强行把软件推下去，业务不配合、乱填一通，数据还是一塌糊涂�? # 小结

想把数据落地，就是这样一步步从粗到细，剔除各种异常，击中要害，最后靠和管理手段结合落地�? 而不是简单地�? 1、哪个指标低了就搞高 2、哪个指标高了就保持

也更不是出一套“神威无敌大将军模型”就能搞掂的。比如有的同学一看：诶呀！有客服派单！立马条件反射般：我们效仿滴�?美团，建立人工智能派单模型�? 那个，这是售后业务耶，机器的损坏率可不会像打车/外卖一样天天持续，需求就那么多。且上门还牵扯配件问题，哪里能随便乱套。所以想做的细，就得深入业务流程，耐着性子�? 洋葱�