从一个小问题洞察挣钱秘籍,却被90%的数据分析师忽略

2017 年 9 月 30 日 R语言中文社区 陈老师

这是陈老师《做一个人见人爱的数据分析师》长篇连载第八篇

第一篇戳:最惹销售反感的十种数据分析师,进来看看有没有你

第二篇戳:数据分析师如何面对“我早知道了!”这句质疑

第三篇戳:数据分析师如何应付“你行你上啊!”的嘲讽

第四篇戳:天气太热业绩差,除了设坛求雨外,数据分析师还能干啥?

第五篇戳:数据化甩锅!把问题优雅的甩给外部环境,活学活用PEST

第六篇戳:码数5小时,结论憋两天,分析报告结论到底该怎么下!

第七篇戳:日报没人看,周报全白干!减少无效报表就该这么干!

大部分在做日报月报的数据分析师(或者数据分析专员)都是边骂边做。特别是销售日报月报这种看起来毫无技术含量的东西。毕竟这些玩意一点都不大数据、都不人工智能、甚至都不够分析。没有模型怎么好意思叫分析吗!总是几个指标高了低了,有啥意思。

最大的意思,就是当那些黑科技还在努力证明自己有价值的时候,这些看起来土土的,毫无技术含量的门店和销售,才是货真价实的在为公司挣钱。养活着数据分析师们可以研究前沿的科技。

一个问题很自然的出来了:为什么有些人能挣到钱,有些人不能?

如果对这个问题敏感,你会注意到:在你做的日、周、月销售排行中,总有一些销售团队、一些业务员、一些门店跻身前列。如果通过洞察他们的行为,找到挣钱的秘籍呢?你需要至少4个步骤:

——第一步:圈目标——

首先,要把待分析的目标圈出来。我们可以很容易的从排行头部找到这些人/团队/门店。但是不能仅仅只看总业绩,因为我们的重点是搞清楚:到底为什么他们做的好。因此至少需要总业绩,连同客流量、成交率、客单价等数据一起拿出来。这样可以尽快分类,找到他们比其他人好在哪里,便于进一步深入。

这里需注意的是,不能直接拿头部排名和平均值比,很有可能每个指标都高出很多。要将业绩排序,分出一二三梯队,拿第一梯队和第二梯队的指标比较,可以更能看出来到底哪些地方有差距。

这一步完成后,我们会有些初步假设。比如:

1. 发现某个销售团队客流量特别大,那么可以假设:他们从哪里招揽客人?

2. 发现某个销售团队成交率特别高,那么可以假设:他们卖的是什么产品?

3. 发现某个销售团队客单价特别高,那么可以假设:他们哪来的高端客户?

当然,还可以指标细化、还可以指标交叉,提出更细的假设。这里可参见连载第二篇的方法,一条主线,三大辅助结合起来看数据。

——第二步:贴标签——

这里依然是陈老师连载第五篇中的方法。贴的标签越多,越能丰富数据维度。特别是当我们锁定了业绩好的门店和团队以后,针对这少数几个样本,贴标签就更容易了。并且下一步的分析还需要大量标签支持。

——第三步:找原因——

这里可能需要实地走访、直接沟通、二手资料收集等等手段配合。因为很多原因是隐藏在数字背后的。去到现场身临其境感受下,比坐在电脑前边瞎猜强的多。一般来说,做的好的销售团队有三种:

特殊属性型,比如:

1. 门店位置特别好。步行街店临近大超市,人流特别多;或者临近高端小区,客源特优质。

2. 销售个人形象好。男的人靓嘴甜有风度,女的长得乖放的开,特讨客户喜欢。

3. 销售背景特别硬。为什么银行都喜欢招本地土著啊,一个人背后就是若干家族的钱!

这些都是先天优势,天生我有才,就是容易成功。

资源优势型,比如:

1. 个人总是占得先机。销售高峰期排班就排他。

2. 门店总是优先拿货。新上市的iphoneX别人家没有他家有货。

3. 总部总是大力支持。价格政策、促销政策、退货政策都向他倾斜。

这些都靠资源投入,好钢用刀刃,就是容易成功。

行为习惯型,比如:

1. 顾客档案建的好:他们团队顾客资料收集最齐全

2. 顾客促单有秘诀。他们团队有一些独特话术、做法。

3. 顾客跟进很及时。他们团队顾客60天不到店比例特低,就是常跟进。

这些是靠体力干出来的,大力出奇迹,就是容易成功。

——第四步:判优劣——

我们情感上会更倾向:靠实力做出来的才是真本事。可现实就是现实。很多时候,很多行业,想做好销售就得找先天资源,想做好销售就得砸资源。所以不要依靠情感做判断,要看数据。

到底是是不是真的的好,要看三个维度:

1. 涨得快:整体环境好的时候,业绩增长幅度。

2. 飚得高:业绩总规模能做的很大。

3. 站得住:整体环境不好的时候,抗跌能力强。

三个标准套到第三步的分析上加以评判,会更全面看待:到底什么样的销售团队做的好!这个问题。通过综合评判来看到底哪种模式,哪些手段更有用。这里有可能得到的不是一个全局最优解,而是一个局部最优解。比如:启动早期可能需要有特殊属性带动,后期会转移向行为习惯;正常情况下是行为习惯占优,但短期冲量需要资源投入。

——令人兴奋的结尾——

这里可能需要大量的分类对比与实地走访,才能总结出一套适合自己行业的结论。但是真要是能搞出这一套东西,就牛逼大发了。这就是很多行业梦寐以求的:《销售业绩提升指南》不要说数据分析了,业务部/销售部/渠道部的老板们都会请你去做培训,至少一个渠道管理副总以上的岗位在等着你,比什么数据分析师挣得可多多了!要知道销售部门都是按业绩拿提成的哦!!!

在收获这么牛逼的成绩之前。我们还得大量的沉淀。因为在本篇里陈老师只是指出了可以按这个顺序看数据,具体如何剥离先天条件因素,如何合理贴标签,如何提炼业务动作,请看下篇介绍:业务能力标准化。这是销售篇的终极技巧。


更多精彩干货:

业务知识一站通,懂业务,让你从技术人才中脱颖而出!

陈老师基于咨询公司从业经验与8年25个项目经验,精心打造业务知识体系课程。助你理解业务的思路框架,掌握业务的思考逻辑,开启升职加薪之路。

点击阅读原文立即学习

登录查看更多
0

相关内容

数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析,以求最大化地开发数据资料的功能,发挥数据的作用。
【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
190+阅读 · 2020年6月29日
专知会员服务
166+阅读 · 2020年6月4日
商业数据分析,39页ppt
专知会员服务
157+阅读 · 2020年6月2日
【实用书】Python数据科学从零开始,330页pdf
专知会员服务
139+阅读 · 2020年5月19日
【资源】100+本免费数据科学书
专知会员服务
105+阅读 · 2020年3月17日
【2020新书】数据科学:十大Python项目,247页pdf
专知会员服务
212+阅读 · 2020年2月21日
25年,110个经典财务欺诈案例,都在这儿了
虎嗅网
70+阅读 · 2019年8月19日
硬核| 在麦肯锡,行研和数据分析要这么做!
行业研究报告
20+阅读 · 2019年3月26日
创业者和伪创业者的10大区别
创业财经汇
8+阅读 · 2018年6月5日
谈谈过拟合
数萃大数据
5+阅读 · 2018年2月24日
你用 Python 做过什么有趣的数据挖掘项目?
计算机与网络安全
4+阅读 · 2018年2月11日
数据科学与机器学习数据集
Datartisan数据工匠
8+阅读 · 2017年12月14日
Kaggle入门手册
Datartisan数据工匠
14+阅读 · 2017年11月9日
难?不难?机器学习套路就这三个!
聊聊架构
3+阅读 · 2017年10月25日
你以为自己真的了解用户画像?其实猫腻可多了
THU数据派
8+阅读 · 2017年7月12日
Arxiv
6+阅读 · 2019年9月4日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
12+阅读 · 2018年9月15日
Arxiv
19+阅读 · 2018年6月27日
VIP会员
相关VIP内容
【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
190+阅读 · 2020年6月29日
专知会员服务
166+阅读 · 2020年6月4日
商业数据分析,39页ppt
专知会员服务
157+阅读 · 2020年6月2日
【实用书】Python数据科学从零开始,330页pdf
专知会员服务
139+阅读 · 2020年5月19日
【资源】100+本免费数据科学书
专知会员服务
105+阅读 · 2020年3月17日
【2020新书】数据科学:十大Python项目,247页pdf
专知会员服务
212+阅读 · 2020年2月21日
相关资讯
25年,110个经典财务欺诈案例,都在这儿了
虎嗅网
70+阅读 · 2019年8月19日
硬核| 在麦肯锡,行研和数据分析要这么做!
行业研究报告
20+阅读 · 2019年3月26日
创业者和伪创业者的10大区别
创业财经汇
8+阅读 · 2018年6月5日
谈谈过拟合
数萃大数据
5+阅读 · 2018年2月24日
你用 Python 做过什么有趣的数据挖掘项目?
计算机与网络安全
4+阅读 · 2018年2月11日
数据科学与机器学习数据集
Datartisan数据工匠
8+阅读 · 2017年12月14日
Kaggle入门手册
Datartisan数据工匠
14+阅读 · 2017年11月9日
难?不难?机器学习套路就这三个!
聊聊架构
3+阅读 · 2017年10月25日
你以为自己真的了解用户画像?其实猫腻可多了
THU数据派
8+阅读 · 2017年7月12日
Top
微信扫码咨询专知VIP会员