数据驱动决策的三个层级,你在哪一级?

2021 年 12 月 7 日 人人都是产品经理

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

结合数据分析,分析人员可以更加直观地验证方案的可行性,进而降低风险和决策成本,达到数据驱动决策的效果。不过,数据驱动决策也分多个层级。本篇文章里,作者就数据驱动决策一事做了总结,一起来看一下。


全文共 2378 字,阅读需要 5 分钟

——————/ BEGIN /——————

很多同学总好奇:“数据分析要怎么做,才能驱动决策?”天天总听人说:数据驱动,可现实中没见过,只见过自己写的报告石沉大海……

今天结合一个具体案例讲解一下,到底如何做。

话不多说,直接上场景。

问题场景:某二手交易平台,其中旧货回收环节,需要人工话务员进行转化。

在计划引入智能机器人承接转化流程,领导要求把人工话务员数量砍到80%以下,问:该如何做分析?

没有数据驱动,会咋样

很多人一看题目,说这要啥数据驱动呀,不就是砍人吗?领导都要求砍80%了,直接派HR去宣读辞退要求,搞掂!

这么干行不行?

理论上行。但很有可能在砍完以后发现:这机器人不中用呀!电话接不住,转化率刷刷往下掉。最后导致平台供给出现问题,直接拉低GMV。

这就是数据驱动的直观作用:验证方案可行性,避免重大损失。

初级数据驱动

既然要验证方案可行性,那么最直观的做法,就是做测试。那么怎么测试砍多少人合理呢?最简单的方法是:先砍10%,看看机器人能接住不;再砍10%,再砍10%……这样逐步砍满80%为止。

这是数据驱动的直观做法。

看起来,似乎很合理,但是隐藏一个问题:砍10%,从谁砍起?如果好死不死,砍到了转化最好的话务员,那根本进不了下一轮测试,就会发现货又缺了,GMV又崩了……

因此,做事后验证,只是一种方式;事先分析,提前扫雷,也很重要。

中级数据驱动

要排砍人顺序,理论上应该从最差的砍起。

但这么做也有个前提:真的有人做得更好,不同层级的话务员,转化数量有明显差异。

因此可以先做分层,根据分层结果,决定砍人策略(如下图)。

但是,只考虑短期(比如一个月)的表现,并不公平,很有可能一个话务员一直表现很好,只是最近一个月没有表现好。

所以做分层的同时,还要加入行为分析,判断:话务员是持续好、一开始好、越来越好,还是真的随机好(如下图)。

那么,考虑到这里足够了吗?

还不够,因为只考虑了最后转化成果,并没有考虑转化率。

到底话务员是怎么做出这个成果的,很重要!

如果转化好,仅仅是靠大力出奇迹,疯狂打电话获得的,那照样可以用机器人代替人工话务,机器人不是更大力吗,哈哈。

但是如果真的有话务技巧,可以慢工出细活,就得考虑:到底机器人能不能达成人工的效果(如下图)。

那么,考虑到这里足够了吗?

还不够,因为并没有考虑线索类型。如果不同种类的线索,转化率差不多,那自然可以直接替换。

如果有些线索就是天然的转化好,有些怎么做都不行,那么就得考虑:天然好,是因为线索本身就容易转化,还是话务员服务很得心应手。到底机器人能不能承接住这些线索(如下图)。

经过这么多层分析,可以探索出:到底影响转化率的原因是什么?

  • 是话务员个人素质?

  • 是话务员熟练程度?

  • 是话务员拼命拨号?

  • 是线索本身质量优秀?

这样的区分,对于解释为什么机器人替代人工以后,转化率不会掉,有重大帮助。从而避免了在测试的时候,只看到结果涨涨跌跌,无法解释原因的。

这样利用多维度综合分析,在事前能清晰评估形式,从而避免盲目测试。

高级数据驱动

假设在事前分析中,已经能锁定:和话务员个人素质/熟练程度没关系,主要看线索本身的质量。此时可以推动下一步测试。因为机器人转化效果未知,因此可以从好线索/坏线索中,各自抽样本做ABtest,测试机器人替代人工的效果(如下图)。

注意:不同的测试结果,会影响进一步的策略。

如果真的是机器人全面占优,自然可以直接替代(甚至连20%都不用留)。

如果机器人全面占下风,则说明算法还需改进,只能暂缓计划。

如果机器人对优质线索转化差,对普通线索转化好,则可以分工合作,人工做优质线索,机器人做差线索。由于原本转化差的线索由机器人接手,机器人是不知疲倦的,因此完全可以搞“机海战术”,通过大量的机器人接单,提升需求响应速度,靠走量取胜。

如果机器人更适合转化优质线索,转化普通线索更差,则完全是另外的局面:因为压缩人工是势在必行的,不可能通过添人手来转化普通线索。

因此,此时的策略,是调整算法训练方向。针对特定来源/商品类型/交易金额的普通线索,提升转化率。有可能的话,单独开发一套算法,以最终实现降低人工工作(如下图)。

之所以称之为:“高级”驱动,是在此时,后续策略已经完全由数据表现而决定。即使大家有各种想法,最后以数据为准绳,根据数据变化做判断,已经实现了数据驱动最高级阶段,不必再做事后诸葛亮。

小  结

通过数据驱动决策,靠的是体系化的分析,而不是一个神威无敌大将军模型,摸一下摸出100%精准结果。事前预判、事中监控、事后复盘,缺一不可。

并且,决策依据,是可量化的数据结果,而不是“我以为……”“他就是……”“老夫从业十年……“我看别人都这么干”“我在大厂的时候都是这么干的……”我们设定好量化的判断准则,根据数据结果优化决策。

只是,实现这套方法论,不但需要数据分析师有耐心,做细致的工作,更需要业务方积极配合,有足够的耐心和活跃的思路,尝试多种可能性(而不是简单地一刀切),这样共同努力,才能实现最好的效果。

并非每个厂子都有这么好的氛围,所以大家能保底做到的,就是事先分析的时候多做一些尝试,试着接近真相,这样才能提升个人分析能力,与大家共勉。

—————— / END / ——————

我在参加人人都是产品经理2021年度作者评选,希望喜欢我的文章的朋友都能来支持我一下~

点击下方链接进入我的个人参选页面,点击红心即可为我投票。

每人最多可投3票,投票即有机会获得百万惊喜礼品&起点课堂千元豪礼哦!

▼ 点击【阅读原文】帮我投票

登录查看更多
3

相关内容

通过采集数据(这里的数据必须满足大、全、细、时),将数据进行组织形成信息流,在做决策或者产品、运营等优化时,根据不同需求对信息流进行提炼总结,从而在数据的支撑下或者指导下进行科学的行动叫做数据驱动。
《面向制造业的数字化仿真分类》国家标准意见稿
专知会员服务
63+阅读 · 2022年4月13日
工业人工智能驱动的流程工业智能制造
专知会员服务
96+阅读 · 2022年3月9日
制造业数字化转型路线图,67页pdf
专知会员服务
75+阅读 · 2021年10月11日
专知会员服务
117+阅读 · 2021年7月22日
专知会员服务
94+阅读 · 2021年6月23日
【TPAMI2021】基于知识锚点进化的AutoML
专知会员服务
21+阅读 · 2021年5月1日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
如何用数据驱动活动,这篇文章告诉你
人人都是产品经理
0+阅读 · 2022年2月27日
产品基于“信任”引发的问题
人人都是产品经理
0+阅读 · 2022年2月19日
“我就是没有职业规划的产品人,如今只能随波逐流”
人人都是产品经理
0+阅读 · 2022年2月17日
你写的数据分析报告没人看,为啥?!
人人都是产品经理
0+阅读 · 2022年2月13日
一纵一横,搭建完整数据分析体系
人人都是产品经理
0+阅读 · 2022年1月30日
一文解决样本不均衡(全)
极市平台
5+阅读 · 2022年1月9日
运营数据分析,怎么做才有深度
人人都是产品经理
0+阅读 · 2021年11月23日
大厂都在谈的数据思维,到底怎么建立?
人人都是产品经理
0+阅读 · 2021年11月14日
数据分析,如何挖掘业务机会
人人都是产品经理
0+阅读 · 2021年11月10日
交互设计思考:相同需求在不同产品中的设计
人人都是产品经理
0+阅读 · 2021年10月16日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Residual Mixture of Experts
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
32+阅读 · 2022年2月15日
Arxiv
24+阅读 · 2020年3月11日
VIP会员
相关VIP内容
《面向制造业的数字化仿真分类》国家标准意见稿
专知会员服务
63+阅读 · 2022年4月13日
工业人工智能驱动的流程工业智能制造
专知会员服务
96+阅读 · 2022年3月9日
制造业数字化转型路线图,67页pdf
专知会员服务
75+阅读 · 2021年10月11日
专知会员服务
117+阅读 · 2021年7月22日
专知会员服务
94+阅读 · 2021年6月23日
【TPAMI2021】基于知识锚点进化的AutoML
专知会员服务
21+阅读 · 2021年5月1日
鲁棒模式识别研究进展
专知会员服务
40+阅读 · 2020年8月9日
相关资讯
如何用数据驱动活动,这篇文章告诉你
人人都是产品经理
0+阅读 · 2022年2月27日
产品基于“信任”引发的问题
人人都是产品经理
0+阅读 · 2022年2月19日
“我就是没有职业规划的产品人,如今只能随波逐流”
人人都是产品经理
0+阅读 · 2022年2月17日
你写的数据分析报告没人看,为啥?!
人人都是产品经理
0+阅读 · 2022年2月13日
一纵一横,搭建完整数据分析体系
人人都是产品经理
0+阅读 · 2022年1月30日
一文解决样本不均衡(全)
极市平台
5+阅读 · 2022年1月9日
运营数据分析,怎么做才有深度
人人都是产品经理
0+阅读 · 2021年11月23日
大厂都在谈的数据思维,到底怎么建立?
人人都是产品经理
0+阅读 · 2021年11月14日
数据分析,如何挖掘业务机会
人人都是产品经理
0+阅读 · 2021年11月10日
交互设计思考:相同需求在不同产品中的设计
人人都是产品经理
0+阅读 · 2021年10月16日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员