站長資訊網對運營人來說，我們也常常做數據分析并做出運營策略與玩法的改動。不過當被問及運營建議時，不少運營同學還是會陷入錯誤的思路與建議中。那么如何找到正確答案呢？請詳見本文。
有同學問：“如何基于數據分析提出運營建議”，今天我們拿個簡單的題目來舉例。這個題目陳老師之前講過，有印象的同學應該還記得。再舉一次，是因為每到招聘季都有人把它搬出來，而且有關它的大部分講解，都是錯的。
已知，下圖是某個電商一周銷售金額走勢（具體數據都差不多，總之曲線長這樣），問：數據反映什么問題，怎么提運營建議？
很多同學一看這個數據，本能的回答就是：最后兩天低了，要搞高
問題就從這里開始……
為什么不能寫要搞高？
因為如果面試官多問一句：你準備搞到多高？就能把“要搞高”三個字干廢了，無論怎么后續怎么解釋都解釋不清（如下圖）。
這就是：“說話的一張嘴，做事的跑斷腿”的直觀體驗。
“要搞高”三個字說起來輕松，可做起來一堆問題：
- 為什么非要搞高？
- 要搞到多高才算高？
- 市場搞高還是銷售搞高？
- 用什么型號的產品搞高？
- 啥時候開始搞到啥時候？
所以說做數據分析的，要對業務常存敬畏之心，不然光空口白話，會被人笑話的。
真要提建議，當然得從第一個問題開始——為什么非要搞高是最初的判斷，也是最重要的判斷。判斷錯誤會把整個方向帶歪，搞得大家興師動眾勞而無功，所以一定要慎重。
第一個建議是要不要搞
為什么不是低了要搞高？
是因為很多業務都是周期性波動的，比如休閑類消費就是周末高，平時低；B2B交易就是工作日高，節假日低。
碰上小長假之類的，除了吃喝玩樂大部分其他交易都會停。所以得多看幾周數據，看過往趨勢。
有些商品交易有明顯生命周期性，比如手機都是新上市的賣的好，過一段時間性能落后淘汰了就自然會差。
題目僅給了一張圖什么條件都沒說，所以有可能這是某個（或者某些類）商品的生命周期末尾，因此還得看具體品類。
我們還不知道，到底這一周交易的目標是多少，如果目標已達成，那即使低一點又有啥問題，所以還得看任務目標。
綜上，想說：要搞高，前提是先判定這個數是低。這樣就得先找標準。我們得綜合趨勢、品類生命周期、任務目標，綜合下結論（如下圖）
很多同學說，這一步看起來很簡單呀，不就是把曲線拉長嗎。實際上情況可能很復雜。請注意，簡單是建立在：
- 銷售金額是個很直觀的、數值型的、結果性指標，高就是好，低就是不好。
- 上邊舉例的三種情況，都是嚴格符合趨勢，且前后走勢一致。
如果情況1不成立：比如是閱讀量、用戶數這種過程指標，判定就變得復雜。
你得看這些過程指標的漲跌，和銷售金額、毛利這種結果指標間有沒有直接關系。如果是轉化率這種比率型指標，就得先看是分子小了還是分母小了。
如果情況2不成立：往往意味著一種特定的業務行為。比如下邊兩種很常見的場景，在整體達標的前提下，內部結構發生了有趣的變化，這種變化到底是好還是壞，會不會眼前看著達標，后邊幾期數據就不達標，都有可能，這時候就得更深入的分析。
第二個建議是要搞多高
如果經過判斷有問題，真的要搞高，那第二步的判斷就是：要搞多高？
很多人會說：不是越高越好嗎？
顯然不是！
應該是：在投入一定的情況下，越高越好。
你的商品主管、用戶運營、產品經理、網站開發在短期內的投入能力都是有限的，因此得定個合理的小目標。
如果上一步做的很扎實，那么這一步就非常好做：
- 參考標準1：KPI。可以計算做多多少才能補齊KPI
- 參考標準2：自然周期。可以計算看多做多少才能讓業績曲線保持過往周期性運轉，至少止住持續下跌的態勢。
- 參考標準3：生命周期。可以看按目前生命周期，預計商品還有多少周銷量，再看要做多少才能趕上節奏，避免后期積壓。
當然，以上都得和具體品類結合。如果題目沒講清楚，可以根據自己的理解假設情況進行深入。不深入，越到細節討論，可能性就越多，越難講清楚。
第三個建議是誰來搞
再往下建議，先定干活的人，再講具體怎么干。注意，不同部門可以干的事是有區別的。
- 流量運營：為全站引流，分配流量
- 商品運營：商品選款、上下架、補貨
- 活動運營：促銷活動、宣傳活動
- 用戶運營：給制定用戶發券
- 產品經理：調整購買路徑
因此想提有用的建議，得先明確是提給誰的。
這里就需要拆解問題，落實到具體產品品類、用戶等級上。
但在拆解之前注意：先區分是整體性問題，還是局部性問題：
- 如果是整體性問題，比如整體上流量不足，競爭對手爭搶用戶太厲害，產品線整體老化，這時候就得出殺招，考慮整體流量，出爆款。
- 要是只是個別產品的問題，可以再具體考慮。因此看結構性變化，就是個重要的參考數值。
第四到第N步建議
再往下繼續提建議，會涉及到具體怎么做。
請注意，“怎么做”是不能直接從數據層面推導的。比如在上例一中，我們看到了A產品銷量下降是引發問題的關鍵，但是是選擇C產品替代A，還是基于A重新做活動，還是全站導流呢？這里需要業務的專業判斷。
數據可以做的分兩種：
- 上次出現類似情況，是如何處理的，最后效果如何
- 常規措施，促銷、新品、用戶活動，大概投入產出多少
基于這兩點，先判斷整體策略方向：到底用什么手段，用多少投入。
之后才是細節：具體哪天上什么產品、優惠力度是多少、發券面向多少人……
在更細節層面，比如券面額，活動形式上，可能還得配合一些ABtest才能得到最后結果。
這樣層層深入，每一步都基于之前獲得共識的判斷，能非常有效的助力業務思考，也不容易被推翻。
既不是一上來拋個宏大的話題：“要搞高”，也不是一下踩到很細的細節：“老夫掐指一算，只要在2月5日派200張面額50滿200減50全場通用的券，定可逢兇化吉扭虧為盈”。
這才是數據分析真正發揮作用的方法。
小結
很多同學覺得提建議很難，總覺得提的不夠細，其實主要是思考的不夠細導致的。如果一上來只有一根曲線，沒有走勢分析，沒有結構分析，沒有標桿，肯定建議也細不下去。甚至連“要不要搞高”這么簡單地建議都會提的毫無依據，很容易被挑戰。
運營、產品、銷售、營銷做事情都是很具體的5w2h：
- 應對什么問題
- 面對什么人
- 在什么時間
- 什么渠道
- 以何種形式
- 用什么力度
- 得什么效果
這里每一個點其實攤開來都是數據分析可以解釋、驗證的話題。但是如果直接插入這些細節，就會陷入：“為什么非得是A不是B”的各種論戰里無法脫身。
因此我們建議用剝洋蔥的方法：
- 從最簡單的：“是不是”搞起
- 先問是不是這個問題
- 再問是多大的問題
- 再問是哪里搞出來的問題
- 再問能怎么整這個問題
- 再問這次可以選哪個手段
逐步深入，思路很清楚，也能越想越細，最后提的建議自然是很好的了。
這次結束留個思考題：
如果曲線是同樣形狀，把問題換成：
- 交易轉化率
- 用戶留存率
- 活躍用戶量
- 文章閱讀量
- 用戶滿意度
你會怎么答？
有興趣的同學看可以下來練練，在練之前先思考，這五個指標和銷售金額有什么區別，這種區別會導致的差異是什么？
