数据分析怎么做才能可执行

　　什么才算是可执行的数据建议？如何做数据分析，提出可执行的建议？
　　很多同学在工作和面试时都遇到一个要求：数据的分析要给出可执行的建议。
　　可执行这仨字难倒了好多人，怎么才算可执行？
　　我要给销售一个可执行的建议，所以我要自己去卖几百万的货？我要给内容运营一个可执行的建议，所以我要建议她在标题里震惊！沸腾！一下？我平时就会写：活跃率低了，要搞高，该咋办呀！以上种种问题，今天系统解答一下。
　　什么叫可执行
　　很多做数据的新人，喜欢写：活跃率低了，建议搞高，。这就是典型的不可执行的建议。
　　搞是一个动词，光秃秃一个动词丢出来，别人铁定问：谁来搞？要搞谁？在哪搞？怎么搞？搞多少？一连串连珠炮似的问题。
　　面对这种疑问，没有经验的同学会直接被突突晕掉。可有经验的同学知道，这里是有套路的，就是
　　5w2h方法，按这个思路梳理需求，就很容易整明白：到底要具体到哪些细节（如下图）
　　然而梳理完成后，又有一个新问题：怎么从数据里推导出这些细节呢？
　　这里要结合具体的例子来讲。我们就举在线教育的例子，假设你是一个在线教育机构数据分析师，虽然全世界都在吹在线教育
　　2020年要火可眼前就是光见花钱圈用户，收入不见提升。领导要求你分析出可执行的建议了！咋办？咱可以这么做。
　　如何做可执行的数据分析？
　　第一步：清晰宏观方向
　　虽然具体的方案千差万别，但是归根溯源，都跟俩个东西有关：
　　时间紧迫性：需要用多久解决问题
　　资源丰富性：到底有多少投入
　　两者对干货方法的影响，如下图所示。
　　所以想让自己的建议可行，首先得保证宏观上的判断正确：
　　这个事是多大的事，要搞到什么程度才算结束（why）
　　这个事是不是现在要搞，能预留多久解决？（when）
　　把这两个定下来，后边就能调配资源，才能谈细节。
　　我们给的场景是：光见花钱圈用户，收入不见提升。到底用户增长，收入增长情况如何？通过趋势分析法，可以进行初步判断，比如下边两种场景，对应的问题严重性，紧迫性就不一样。
　　经过趋势判断目标计算，我们可以得出一个大致范围。比如：如目前趋势持续3个月，年度销售目标将无法达成。
　　想达成目标，以下三个月必须扭转局面，需要把人均付费做到1000以上，需要至少拉动20000个付费用户。
　　有个这个测算，我们就对宏观形势有了判断，可以争取资源，锁定工作范围。
　　注意：很多做数据的同学，在这一步会很纠结。越是做数据的，越想用一个精细的模型来论证未来走势。经常做项目的人完全不这么干，他们反而倾向于简单的加减乘除算账，语言表达也很简单直接：现在一个月就500万上下，不做到1000万任务完不成！！！
　　这是因为，这里测算是为了争取资源，需要领导们认同。
　　因此，越复杂的方法，反而越容易误导决策，越容易让人们把精力放在数字算的对不对而不是这个事到底该不该做上。越简单的推算，反而越容易让不同知识背景、能力层次、认知水平的领导们达成共识。最终推动事情往下做。
　　所以，如果做数据的同学们真想做可执行的建议，一定要控制自己的纠结程度。牢记：说服别人才是第一目的，达成共识才是最终结果，千万别自己陷进细节出不来了。
　　第二步：落实作战范围
　　明确了方向，锁定资源以后，可以具体讨论该怎么干活。
　　这就涉及：谁来干？（who）哪里干？（where）干谁？（what）这三个问题。
　　真想让项目落地，选中责任人是最重要一环。
　　责任不清楚，事情没人理。做数据分析的同学们往往缺少这个责任意识，只是泛泛建议：要推高客单价产品，要加强付费刺激，要做多活跃用户。
　　这种建议当然不够落地了，比如：做多活跃用户，既可以让渠道多拉一些优质客源，也能让运营多做一些拉活跃活动，还能让商品管理出一些吸引力商品，几乎人人工作都和它有关。人人负责就等于人人不负责，所以泛泛而言是无法落地的。
　　这里有三个问题，在实际解决时候反而没那么复杂，因为企业的组织架构往往和任务是捆绑的。往往锁定了where或者what的同时就把who一起搞掂了。所以熟悉组织架构，了解每个部门对应哪个环节，哪个群体进行工作，非常必要。
　　在线教育机构，可能组织架构与任务对应如下图：
　　因此，对分析而言，这里最要的是：找到关键问题症结，集中发力。比如原问题：光见用户多，不见收入涨。
　　可以衍生出若干假设：
　　投放问题：用户本身质量不高，对课程没有需求
　　推广流程问题：推广环节多（比如先拉群，听直播再推付费课），效率低
　　运营问题：学生复购低，原本推出来引流的课程无转化
　　课程质量问题：课程吸引力低，竞争力差
　　之后分别寻找数据，验证假设推导出核心问题。
　　注意：这是数据分析师最能发挥作用的地方，没有之一。因为一般业务部门讨论这些问题的时候，都会陷入本位主义，大家相互指责，都想证明自己没问题。或者大家争抢资源，都想证明自己的环节最重要。特别在在线教育，这种串行业务逻辑，上下游争吵更激烈。数据分析师作为第三方角色，可以输出更有说服力的答案。
　　第三步：锁定执行细节
　　假设在第二步分析中，我们明确了：
　　首要问题内容产出不佳，对用户吸引力不够
　　次要问题是投放力度不足，需要增加投入
　　产品本身和竞品差异不大，不怕竞争
　　那么，在第三步，可以聚焦解决如何设计优秀内容，做好投放上了。这样分析建议离落地只差最后一步：建议以何种形式做。
　　大量数据分析同学都倒在了这一步。往往大家一听如何做就怕了。我是真不会写文案啊！其实完全不需要大家自己写。站在数据分析角度，关注的不是某个具体idea，而是哪个套路更管用。
　　所谓：方向不对，努力白费。结合数据，找到更好的套路，才是数据分析的作用方式。
　　想找套路，就要先研究套路。这里需要数据分析师对常用的业务套路所有了解。比如在线课程，是有常用推广方式的：
　　有了分类以后，我们可以对每个分类推广效果做分析，找到：
　　VS自身，哪个类型推广更容易达成效果
　　VS行业，哪个类型与同业差异最大
　　VS时间，哪个类型可以持续用
　　这样在最后给建议的时候，可以给的非常精准：我们是XX类做的太少，需要加大力度到XX水平就能达成目标。比起空口说要多做内容引流，我们在开头已经计算过具体还欠多少业绩，因此完全可以根据每一类引流ROI，推算出花多少钱，达成多少效果。已经给足了时间和经费，后续想再做创意也有了空间。
　　小结
　　纵观整个过程，大家会发现通过数据分析解决可执行问题，是一种从上自下层层递进的方法。
　　先确保方向正确，再落实到具体责任人，再具体到对象，再看具体操作大类的投入产出，至于最后的创意，能有就有，没有拉倒。
　　反正给足了时间、费用，只要做到平均水平，也能交差。
　　颇有一种只要开好了分矿，你平A过去就赢了的感觉。
　　当然，这种层层递进的逻辑方法，也是数据分析的短板。
　　从经验上看，数据分析师做的方案往往倾向于保守，往往缺少创意，这些都是太过理性的后遗症。而实际上商业成功往往不是理性的结果。天才的创意、勇猛的胆识、无敌的运气、过人的机智、诱人的魅力、不可挑战的权力，可能都是成功的因素。
　　然而，数据分析的独特吸引力也在这里。你会发现创意、机智、魅力是天生的，权力、运气可遇不可求的，胆识加在蠢人身上就是灾难。
　　唯独数据分析能力是可以通过学习、训练、实验、记录来不断提升的。所以，基于数据提可行性建议，可能不会被采纳，但只会越来越被重视。经济大潮来了，怎么都能成功，现在水势不明的时候，就是数据方法大放异彩了。与大家共勉。