数据分析落地全流程

数据分析落地全流程

 

“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。

数据落地的常见错误

很多同学一看到问题,就说:老师,这题我会!工单=需求数*转化率嘛,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:

一要多签厂商客户

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……

额……

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。

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:需求/供给(如下图)。

数据分析落地全流程

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:需求/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
  • 需求=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
  • 需求=供给,持续观察/降低供给成本
  • 需求≤供给,发展客户,扩大需求

这就是V1.0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:

数据分析落地全流程

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。比如厂商/企业客户,需要匹配合同签约时服务条款(比如接单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)

数据分析落地全流程

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、2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)

数据分析落地全流程

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。因为厂商/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,而且对未来发展重要性也不同,很有可能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)

数据分析落地全流程

第五步:从整体到局部

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。

数据分析落地全流程

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,接单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前/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,耐着性子剥洋葱。

扫一扫 微信咨询

联系我们 青瓜传媒 服务项目

商务合作 联系我们

本文经授权 由青瓜传媒发布,转载联系作者并注明出处://www.f-o-p.com/332186.html

《免责声明》如对文章、图片、字体等版权有疑问,请联系我们广告投放 找客户 找服务 蘑菇跨境
企业微信
运营大叔公众号