典型问题：在真实场景里，商业分析的四大难点

更新: 7/18/2025 字数: 0 字 时长: 0 分钟

已知有一个销售汽车的公司，其在A市设有分公司。至于分公司有多少名销售员、历史表现如何、有没有促销活动，分析师一概不知。

该公司的领导对A市分公司的销售情况很不满意，请分析师分析一下为什么其销售情况不好。

看到这个场面，你是不是满脑子问号？不要怀疑！企业里真实的场景就是这样的！

如果你真的是某汽车销售公司的分析师，则很有可能出现如下的场面。

某一天，你正在整理当天的日报，忽然被组长叫了过去。

总部数据中心的数据分析组的组长对你说：“刚刚听市场部的人说，A市分公司的销售情况不好，请分析一下。”

你脑子里一片空白，问组长：“要分析什么呀?”

组长回你一句：“具体的情况你找市场部的人问问。”

你是不是还是脑子里一片空白?

然而，这还不是最坏的情况。最坏的情况是，当你打电话开始问市场部、销售部、A城市分公司的相关负责人问题的时候，你听到了以下这些回答。

• 总部市场部：“是不是A市分公司整体销售策略都错了?反正销售部做得很差。”
• 总部销售部：“A市分公司情况很复杂呀，要全面分析才行。”
• 管理A市分公司的销售部大区总监：“这个城市的用户需求就这么多，我们做得没毛病!”
• A市分公司的城市经理：“A市经济比较好，本地竞争太激烈了。”
• A市分公司的销售部：“没有促销活动支持，产品卖不动。”
• A市分公司的市场部：“数据分析不能精准锁定用户，所以产品卖不好。”

听出来这些人都在说什么了吗?

没听出来的话，这里有个通俗的说法。

• 总部市场部：“都怪销售部!就是他们的责任!”
• 总部销售部：“随便你怪谁，反正不能只怪我。”
• 管理A市分公司的销售部大区总监：“谁敢怪我?”
• A市分公司的城市经理：“都是外部环境的问题。”
• A市分公司的销售部：“都是总部没有活动支持。”
• A市分公司的市场部：“都是数据部门支持不给力!”

那么，问题又来了，这么多种说法你信谁?如果你信了某一个人的，那么你打算怎么面对其他人?

于是，面对这些乱哄哄的意见，你焦虑地去找领导。

你问领导:“我该怎么分析呀?”

领导回答:“你自己想想……”

你继续问领导:“那我从xx方面进行分析，可以吗?”

领导回答:“你做做试试……”

你做完了，问领导意见，领导说:“你发给同事征询一下意见……”

你发给同事征询意见，被某些部门的人批评:“不符合实际!”“考虑不周全!"。你回头问领导咋办?领导说:“你自己再想想……”

此时此刻,你是不是觉得迷茫、沮丧,不知所措?恭喜你,你已经从一个理想主义的求学者逐步转变成了一个真正面对困难的数据人。

这才是企业在经营中会遇到的真正复杂的、不知道该怎么分析的、真实的问题。

无论是国企还是私企，无论是一线互联网大公司还是创业小公司，几乎每个数据人都遇到过类似的问题。如果企业在以下几个方面都表现得很好，那么自然没有上述问题。

• 企业的数字化经营做得特别好。
• 各种数据采集齐全。
• 各种管理规范，落实到位。
• 各种业务活动都用数据来考核。
• 各位同事都主动承担责任。

但是，下面这些都是普遍发生的事情，正是这些乱糟糟的事情，让原本可记录、可总结可分析的结果变成了无数个空白。

• 数字化建设落后于业务发展。
• 数据采集不完整，分析结论没有积累。
• 数据小组基层员工离职率高，没有经验可以传承。
• 数字化管理水平低下，只会强压基层员工完成KPI。
• 管理规范不到位，为了凑KPI而“八仙过海各显神通”
• 本位主义严重，各人只为保住自己，不顾大局。

更糟糕的是，企业里的员工是有各自的预设立场的。

• 可能市场部历来和销售部关系不和，即使做得好，也要互相挑刺儿。
• 可能销售部大区总监和城市经理关系非常好，即使销售部做得不好，也会强行保护。
• 可能分公司习惯了“等、靠、要”，遇到困难就知道向总部请求援助，不会自己思考。
• 可能数据部门的领导明哲保身，不想在部门之间发生争吵的时候表态站队。

这些都是很可能发生的事情。

这样的预设立场和基于自己立场(而非基于事实)的辩论，会让分析更难进行。如果只是听销售部、市场部的员工发表意见，那么他们之间的意见将呈现相互抵触的情况。原本可以清晰开展的分析，也会变得扑朔迷离。

在真实的商业环境里，没有高级的分析方法，只有高难度的复杂问题。统计学、运筹学、的公式、代码是一成不变的，但人是活的。只有充分发挥分析师的主观能动性，才能破茧成蝶，找到解决问题的办法。

整体思路：用数据说话，以数据服人

面对这种复杂的局面，估计读者会发出一声呐喊:“把我的数据还给我!”回头看看，在各种已知条件很清晰的时候，感觉真是太好了。确实如此，数据分析最大的作用就是对抗不确定性，要把丢掉的数据捡回来，才能客观进行分析，并且，在对各部门解释时，完全不需要一对一和他们争论，只要把事实罗列清楚，用数据说话，用事实去说服他们即可。

这里包含3个关键动作。

• 梳理商业场景，清晰业务流程，检查可用数据。
• 梳理问题要求，把必要的数据整理好，准备分析。
• 梳理各种做法，列清支持/否定说法的证据，用事实说话。

第一个关键动作、第二个关键动作在前面已经有充分的讲解，这里重点讲解第三个关键动作。在梳理问题要求的时候,一定要区分清楚哪些是原始问题,哪些是别人对问题的评价、态度立场。想要分析清楚问题，要先把评价、态度、立场放在一边，把原始问题理清楚。

在案例中，原始问题是“刚刚听市场部的人说，A市分公司的销售情况不好，请分析一下”这里推荐用“名词(Noun)、动词(Verb)、形容词(Adjective)”分析方法，即 NVA分析方法，一点点梳理。按 NVA 分析方法拆解，此问题可以分为3个方面。

• 名词：A市分公司。
• 动词：销售。
• 形容词：不好。

这就是数据采集的起点。

1.名词：对应的是问题主体

主体是谁?有哪些特征?基础情况如何?这些都可能影响结论，因此先把名词理清楚。针对A市分公司，可以采集以下信息。

• A市处于哪个地区(东/中/西部城市)，属于哪个级别的城市(-/二/三级城市)?
• A市分公司是新开的分公司还是已正常经营的分公司?
• A市分公司在所有公司里，排名如何(靠前/居中/靠后)?
• A市分公司的领导之前负责哪一块业务?绩效如何?

通过层层深入梳理，先掌握与问题相关的基本数据。这些数据要么是基础信息，要么是日常报表中都有的数据。

2.动词:对应的是业务行为表现

TIP

注意: 所有的业务动作都不是孤立存在的，而是有前因后果的。因此，想了解一个业务动作，得看一段时间内的业务发展态势，不要只关注一个数字。针对A市分公司的销售情况，可以采集以下信息。

• A市分公司近3年来整体销售业绩走势如何?
• A市分公司近一年来整体销售业绩走势如何?
• A市分公司在所有分公司中的排名变化如何?
• A市分公司主要销售的商品的结构如何?
• A市分公司主要销售的商品是否有变化?
• A市分公司主要客户的结构如何?
• A市分公司主要客户的结构是否有变化?
• A市分公司销售队伍有多少人?
• A市分公司销售队伍实力均衡与否?
• A市分公司最近一次业绩波动是什么时候?

这些数据在日常报表里能查到，因此不需要问其他人。在收到问题的时候，分析师要能对问题场景有独立的观察，从而形成一些基础假设。

“名词+动词”可以形成至少4种基础假设。

• 对A市分公司基础情况的初步判断：A市分公司基础情况如何?发展态势如何(好/坏)?
• 对A市分公司近期可能出现的问题的初步判断：A市分公司近期变化方向如何(好/坏)?变化周期如何(短期/长期)?
• 对A市分公司可能存在的问题点的初步判断：A市分公司销售情况变坏，是哪里发生了问题(商品/客户/销售队伍)?
• 对评价A市分公司的人的立场进行初步判断：明明A市分公司看起来问题不大，为什么还有人说不好呢?明明看起来A市分公司有问题，为什么还有人护短呢?

这些判断能让分析师先掌握一手资料，从而避免被其他人的意见带偏。然而，现在还不是下结论的时候。因为还有很多部门对这个问题有意见，要和他们一一确认。这就涉及了形容词：好/不好的问题。

3.形容词：对应的是判断标准

见到形容词必须找判断标准是一个合格的分析师的基本素质。既然提了“不好”，那么对什么是“不好”要有明确的定义。

TIP

注意: 不同的人对标准问题的看法不同，因此为了避免在争吵中迷失方向，分析师要提前把可能的标准梳理出来。这样当不同的人提到不同的标准时，心里可以有个判断标准，如表所示。

有了通过 NVA 分析方法得到的基本判断以后，可以去听听其他部门同事的说法了。在听取说法的时候,也要针对每个人的说法区分对应的“NVA”内容,特别是A市分公司对应的判断标准。越是面对复杂问题，越要先搞清楚判断标准，避免“鸡同鸭讲"，如图所示。

可以看出其中明显有3类人。

• 已表态：做得差。
• 模棱两可：不表态。
• 已表态：没问题。

作为分析师，不要提前表态以免加入“混战”。遇到态度有冲突时，最好的办法是让参与讨论的双方不要光讲论点，而是要把论据摆上来，基于某个标准，判断做得好还是不好。

判断标准是可能被推翻的，设置不合理的标准被推翻也是很正常的。要基于事实，而不是立场、态度推翻标准。比如之前举例的9种标准，都可以被更有力的事实证据推翻，如表所示。

越是基于数据定出来的标准，越是容易被推翻。因为单纯地看同比、环比趋势，不一定代表了真正的商业规律。反而越是基于高层领导的意志、基于公司整体目标定出来的标准，越难被推翻。因为在公司里，就是老板说了算!

梳理完标准以后，最关键的一步就是达成共识。只有所有与问题相关的人对于标准形成统一的判断，才能推动下一步的深入分析:如果判定为好，就分析为什么做得好;如果判定为差就分析为什么做得差，逐步深入。

TIP

注意:

• 这里还有一个特殊情况，在没有 KPI考核一类的刚性判断标准的时候，人们会从不同的维度提出判断标准，导致对于判断始终无法达成共识。比如甲公司是一个新开的分公司，今年没有业绩考核，但是希望它能多吸引新客户。
• 市场部站在多吸引新客户的角度，认为甲公司吸引新客户少于其他公司，所以差。
• 销售部站在不考虑业绩KPI的角度，认为甲公司并没有问题，所以不算差这就是典型的“鸡同鸭讲”问题，两个维度并不完全相等。如果实在无法取得共识,只能暂时放下争议，从两个维度进行分析，最后再汇总结论。

对问题使用 NVA分析方法进行梳理后，就完成了基础准备工作，可以进行下一步的分析了。

第一步：用MECE法构建解题逻辑树

在各个部门已经对问题表态的情况下，对各个部门表态时所持的论据进行逐一验证，更容易得出结论，这里采用的方法还是用数据说话。如果论据本身不成立，论点也就不攻自破了，这样比争论要有效率得多。

这里有一个分析难点：有可能一个结果是由多种因素引起的。比如销量不好，可能是因为内部工作没有做好，也可能是因为确实当地市场没有需求。因此，分析师需要梳理好论证问题的逻辑，由浅入深，逐步论证。这样就需要用到 MECE 分析方法，即构建逻辑树。

1.第一步：把所有人的论点分类，归纳为内因/外因(见图)

先区分内因和外因很重要。如果是外因,如当地经济不行,政策收紧,当地居民消费能力弱对单个企业而言，这些都是不可抗拒的因素。外因变化只能影响到企业的宏观决策，且仅仅在突发性政策调整，或者经济、人口缩减到一定规模的时候才明显看到变化。

内因更可控，但其中常常是各种因素相互纠缠，很难分清楚。所以优先把外因排除后，才更容易把内因分析清楚。同时，即使在经济一般、消费能力一般的城市中，照样有做得很好的业务。

2.第二步：建立论证顺序

原则上，应该从明显的、容易排除的地方入手。因此建议优先从排除外因开始，先外后内内部要先看工作执行问题，再检讨策略问题。

针对本案例中的问题，可以梳理出如图所示的论证顺序。

3.第三步：对每一个论点，罗列可量化的支持论据

对于每一个论点，可能有3种情况。

• 完全无论据：提论点的人仅凭个人感觉，提不出论据来。
• 有事例，无数据：提论据的人，只能讲出具体的事，如“下雨天太多，门店没客人”“我前天还听到好多客人抱怨价格贵”之类的事例，无法拿出数据论证自己的说法。
• 有数据：提论据的人能清晰地说出“今年公司支持的促销活动从5次下降到2次，每次的促销活动优惠力度降低了20%”

针对不同的情况，可以有不同的应对方法。

• 完全无论据的：确认论据可以采用哪些数据，如果始终无法具体到一个数据，则可以直接认为这种说法只是凭感觉，不予采纳。
• 有事例，无数据：将事例抽象成可以量化的指标。比如对于“下雨天客人少”，可以把当月日期按实际天气分为下雨日/非下雨日，对比论证判断该说法是否成立;比如对于“客人抱怨没优惠”，可以看销售员申请价格的优惠次数、优惠比例，侧面验证客户对价格的敏感程度。
• 有数据的：检查该数据是否真实，如是真实数据，则可以直接采纳。

经过这一轮梳理，可以得到如图 13-4所示的分析过程。有了清晰的论点和论据，再进行讨论就轻松了很多。

4.第四步：代入数据，验证论点，导出结论

有了第三步的梳理，再验证结论就轻松了很多。只要代入数据，一眼即可以看出来对错。

TIP

注意：这里更多的是想驳斥明显无依据、无事实的“歪理邪说”，不需要穷举所有可能，只要能证明对方的论点不正确即可;如果是其他复杂的情况,则要找到足够的反例才能推翻“歪理邪说”(见图)。

做完了逻辑树的梳理与验证，可以把明显不合理的说法排除，这样既可以说服他人，又能进一步清晰思路，找到正确的分析方向。在进行梳理的时候，优先按照从大到小、从外到内的顺序进行。越宏观的因素，越容易被证伪。

第二步:用PEST法分析外部因素

一提及宏观环境分析，人们总喜欢提及PEST分析方法，即分析宏观问题的4个方面。

• P(Political)：政策。
• E(Economic)：经济。
• S(Social/Demographic)：社会。
• T(Technological)：技术。

这些外部影响大部分是不可抗的负面影响。但是要注意，这些因素太过宏大，很难对应到具体一个指标上，更无法像数据模型一样，对每个指标量化计算。因此，常用的办法是把PEST分析方法具体应用到某个事件上，再观察该事件对业绩指标的影响。

比如某公司销售部的大区总监表示“A市的用户需求就这么多”,这句话听起来是一个理由，但是需要找一个具体指标与其对应。可以用以下方式。

• 从城市的角度看，找 GDP、人口、城市等级、人均可支配收入等指标与A市接近的B市作为参照，B市分公司的业绩就是理论上的正常业绩。
• 从人群的角度看，先定位目标用户群体，比如月收入2000元以上的人群，或者房价为5000元/每平方米及以上的小区居民等，之后通过统计年鉴/实地调查等手段，确认是否 A市的目标用户群体比其他城市少。
• 从供给的角度看，A市里竞争对手的门店数量如何，如果其门店数量明显比其他城市少说明 A市的用户需求确实少。

可能有读者会问：原问题是在问用户需求，为什么不对A市做人口普查，一个个调查用户背景信息，获取准确的用户需求呢?因为这样做成本太高，很多公司都做不到。宏观分析的最大障碍，即在数据的获取难度上。例如，对于某一个县级市，人口大都在20万人以上，即使抽样2000人调查，也不能实现有效覆盖。因此，人口普查不可行，抽样覆盖的面积小，需要用多种手段获取相对靠谱的数据，避免孤证不立。

假设采集的数据如表所示，找到了与A市情况接近的B市，发现虽然A市比B市看起来门店收入高一些，竞争对手开店数量多一些，但不至于差到A市分公司的销售业绩只有B市分公司的1/3这么夸张。因为如果A市分公司的销售业绩真的只有B市分公司的1/3，则竞争对手也不会开这么多店。所以这个所谓“A市用户需求只有那么多”的结论可以驳回了不成立。

同样，对于PEST分析方法的每个方面都需要进行这样的问题转化才能进行具体分析。例如:

• P：因政策导致业务停滞、客户流失、生产停顿。
• E：因经济导致上游供给减少，下游需求下滑。
• S：因社会群体变迁，导致目标用户减少，用户需求转移。
• T：因技术升级，导致老产品失去竞争力，销量下降。

在PEST分析方法中，“P”的影响经常是决定性的。往往一纸政策就能决定一个领域的业务是“如鱼得水”还是“戛然而止”。所以反映在数据上，常常是数据突然波动，例如呈“地震式”下跌。但“E”和“S”方面的影响则是渐变的，例如呈“瘟疫式”下跌。具体表现为经营越来越难，核心用户越来越少，常规的举措已无法再挽回业绩。因此，在使用PEST分析需要结合具体指标长期进行，不然就会忽视这些渐变的危机，如图所示。

TIP

注意：宏观因素是各个业务部门推卸责任时最喜欢使用的借口。当企业中有人说“就是大环境不好”的时候，很多人的第一反应就是“这个人想甩锅”。在相当多的情况下，宏观环境只是“压死骆驼的最后一根稻草”。如图 13-7 所示，看似在某项政策发布后业绩发生严重下滑。可实际上早在此之前，业绩已呈下跌态势，这时候怪罪于“政策变化”，就是在推卸责任。

如果业绩真的是受宏观因素影响，那么在细分数据上，应该呈现“无人幸免”的态势。即所有城市、所有渠道、所有客户人数，均出现同样下跌/上升走向。当然，可能因为个体质量的差异，下跌/上升的程度不同，但大体走势应该是相同的，如图所示。

如果数据出现不同走势，则说明宏观因素不是主要原因，或者即使在这种宏观环境下，仍然存在提升业绩的办法。如图13-9所示，看似各市分公司的业绩都在下跌，但B市分公司成功实现了止跌回升，其发展甚至超过了A市分公司。这就说明要么宏观因素不是最大的影响因素，要么B市分公司有在这个环境下生存的能力。

这种排除法的意义非常重大。大环境始终都有影响，能找到应对方法才更有意义。只靠运气“吃饭”，本身就意味着业务能力低下。

排除大环境的影响，其实分析还算相对简单。真正复杂的是内部因素分解，因为各种内部因素经常交织在一起，难以拆分。

第三步：用逻辑树法拆解内部因素

对内部因素进行分析时，其中的大多数因素都是相互交织的:到底是销售员不会卖造成的产品不好卖，还是产品不好卖造成的销售员不会卖，对于这种问题会无休无止地争论下去。因此，为了引发争论，从一开始就不应该把分析方向引向“谁没有做好”，而是应该把分析方向引到“到底怎么做能达成目标”上，即寻找达成目标最有效的手段。

在分解内部因素时，首先要判断是否是整体策略有问题。如果是整体策略有问题，那再优化细节也是南辕北辙。例如，A市分公司是一个新开的分公司，不但缺少历史数据累积，而且新开的分公司本身就容易出问题，想要从数据层面讲清楚，就更得结合整体情况，参照标杆来看。

一般可以从3个方面观察整体策略。

(1) 领导人经营风格

如果领导人在公司内长期任职，则可根据其过往带领的分公司业绩走势，总结其经营特点。 通过与其之前的下属沟通，了解其经营风格。

(2) 整体发展规划

级城市新开多少个分公司，以及不同有可能公司有整体发展规划，比如今年在一等级的分公司要求的经营规模，客户数量，配置团队规模、资源等，这些信息一般在业务部/市场部年度计划里可以查找到。

(3) 新市场扶植政策

有可能新市场有扶植政策，包括产品优惠、促销活动、品牌宣传、业务员奖金等，这些政策可以在市场部制订的计划/分公司开展的活动里得到证实。

采集到信息以后，可以将这些信息打包整理，并与A市分公司的实际情况进行对照，可以做出下面的判断(见图)。

• 是整体政策不行，还是政策在A市分公司没有落地成功。
• 政策在 A市分公司没有落地成功，是执行没到位，还是执行到位了但是不见效。
• A市分公司的领导一贯业绩不佳，还是仅仅这一次“马失前蹄”。

越是整体性问题，影响越大，也越容易排查。如果真的是整体政策都不见效，则意味着各个新开的公司表现都欠佳，A市分公司可能仅仅是表现最差当了“出头鸟”。在这种情况下，只要把数据摆出来，销售部就会直接反驳说市场部支持不力。同理，如果真的是A市分公司执行不到位，该做的活动没做，该组建的队伍人员不齐，该做的行动进度拖拖拉拉，甚至A市分公司经理本身就是过往业绩平平，只要把数据摆出来，市场部就会反驳说销售部执行不力-所谓数据本身会说话，就是这个意思，根本不需要分析师陷入争吵的漩涡。

当然，以上这些问题还都是明显的问题，更难解决的是整体政策没问题，其他人做得都好A市分公司领导也不是庸才，A市分公司执行也到位了，可业绩就是起不来……该怎么进一步处理呢?

此时说明 A市分公司有一些特殊情况，其所表现的结果证明其他地区的经验在A市分公司不起作用。因此，要对这个所谓“经验”进行总结，梳理出有待进一步验证的假设。如图所示，如B市分公司的产品生命周期发展趋势分为3个阶段。

• 第一阶段：进行3步促销，快速打开市场，建立知名度。
• 第二阶段：降低促销频率，逐步积累稳定客源。
• 第三阶段：结合促销，稳定日常销量。

从本质上看，这是一种促销驱动的策略。而A市分公司显然也试图复制这个策略，已经组织了两波促销，但效果都不明显。在这种情况下，纠结A市分公司某个月的业绩好/坏是没有意义的，目前的真命题是 A市分公司复制B市分公司的策略失败，以后该怎么做。

此时第一要考虑的是还要不要坚持 B市分公司的策略，这里又有3种情况。

• 坚持：再做1次促销(B市分公司做3次才打开市场)，之后观察效果。
• 修改：继续用B市分公司的策略，但是加大力度，观察效果。
• 放弃：放弃B市分公司的策略，找其他方法。

这里是否要坚持B市分公司的策略，是人为选择的结果，领导完全可以选择继续尝试。站在数据层面，更多的是为这种选择提供支持论据。如果修改和放弃B市分公司的策略，则意味着A市分公司的情况和B市分公司的情况不一样。接着需要进一步梳理分析假设，有什么证据能证明 A市分公司的情况和 B市分公司的情况不一样呢?

可能包含的证据如下。

• A市分公司获取优质客户的渠道尚未打开(意味着需要开发渠道)。
• A市分公司的优质客户质量更差(意味着需要变更客户群体)。
• A市分公司的客户对促销的敏感性更高(意味着需要加大促销力度)。

这些证据可以在 A市分公司的销售转化漏斗与B市分公司的销售转化漏斗对比中发现。

此时，可以根据A市分公司的情况，整理销售转化漏斗，并且和标杆分公司比较。如果有数据记录，则可以用第 12章介绍的分析方法，进行逐一分析，排除/支持某些假设，从而推导出行动策略。

如图所示，出现的情况如下。

• 情况1:A市分公司获取优质客户的渠道尚未打开。在观察数据时，可以看到相比标杆分公司，A市分公司的 A、B 渠道的客户人数会明显偏少。
• 情况2:A市分公司的优质客户质量更差。在观察数据时，可以看到相比标杆分公司A市分公司的无促销最终转化率会更低。
• 情况3:A市分公司的客户对促销敏的感性更高。在观察数据时，可以看到相比标杆分公司，A市分公司的促销提升度更高。

这样通过建立清晰的假设，就能从数据变化中找到A市分公司的问题所在，从而推动业务行动。

但是要注意，即使做到这个层面，也只是找到了改进方向，很有可能换了策略也不见效果。所有策略的质量都得通过数据测试来验证，因此还需要配合后续的数据测试。

第四步：用数据测试验证方案效果

如果发现问题只是存在于某一个方面，则很容易找到对策及测试效果。

• 如果是渠道没打开，则集中开发客户渠道。
• 如果是客户质量差，则做大客户群体，以量换质。
• 如果是客户对促销敏感，则加大促销力度，薄利多销。

这样就很容易形成单独的方案。

• 为打开客户渠道可采取的策略:A渠道目前有3个，每个月有100个客户，下个月新e开发客户渠道3个，单个新渠道的客户人数在100个以上。
• 为做大客户群体可采取的策略:目前每个月开发新客户总数有 300人，下个月开发新客户总数需要到 600 个，扩大到 1 倍。
• 为实现薄利多销可采取的策略:目前促销力度是优惠20%，下次活动时将促销力度加大到优惠 30%，检验促销效果。

这里有一个问题，就是目标定到多少合适。在设定测试方案的时候，测试目标非常关键对于事后评估政策的效果有重要的意义。注意:由于是新开的分公司，缺少数据积累，因此这里无法使用更复杂的预测手段，只能使用简单的数据推测法。比如A市分公司目前客户购买率为60%，B市分公司客户购买率为80%，则原本B市分公司只需要 100个客户就有80个客户购买，现在若要实现 80个客户购买，A市分公司需要80-60%~ 134个客户。A市分公司的客户总数目标就从100个提高到134个了。

在数据测试中，哪怕是使用最粗浅的设定目标的方法，也好过没有目标，如空口一句“大家努力增加客户数量”。因为在数据测试以后复盘时，还是要纠结到底是策略有问题还是工作执行不到位，一开始不设定好目标，不分解任务，到头来还是说不清楚问题出在哪里。

测试的结果可能有 3种情况。

• 完全没有改变。
• 有改变，但幅度达不到预期。
• 有改变，且幅度达到预期。

理论上，只要能看到业绩改进就表明有希望，可以持续推进。但最终选择权还是在业务部手里，作为分析师，只要记好数据变化，交还给业务部门决策即可。

这类设想有一种最糟糕的情况，就是之前所有假设的问题同时出现了，数据如图所示。

这是最纠结的情况了，看起来A市分公司是哪个方面都不行，怎么办呢?

• 优质客户渠道也没打开，A渠道进来的客户人数很少。
• 优质客户也没那么优质，A市分公司最好的客户质量也比B市分公司的差。
• 促销效果也没有那么明显，促销购买率提升很低。

这时候可能又有新手分析师想说“我们一要加强渠道推广，二要加大优惠，三要提高数量……”，牢记:面面俱到等于什么都没说。特别是在这3条政策里，有两条需要销售部执行条需要市场部执行，遇到跨部门执行的时候，一定会遭遇部门间的推脱。

在这种情况下，最优解一定是协同增效。试想让市场部拨资源加大力度，让销售员带着最新的活动介绍上门拜访客户，同时发力肯定能取得最大化的效果。但是万一两个部门谈不妥怎么办呢?作为夹在中间的分析师，可以把两个部门单独努力能实现的效果分别展示给双方。

• 如果销售部多开发几个优质客户渠道，则预计实现的收益是xx元。
• 如果市场部加大力度，则预计实现的收益是xx元。

这样把决策权给业务部，让他们自行决定是否向对方争取资源，是否和对方合作。

第五步：基于分析结果，提出综合性的应对策略

至此，可以回答最初的问题：“公司的领导对A市分公司的销售情况很不满意，请分析一下为什么其销售情况不好。”

回答的顺序如下。

• 陈述现状：A市分公司的销售情况是……领导口中的“不好”指的是作为新开的分公司A市分公司未能复制之前的成功案例，如图所示。

• 针对A市分公司的问题，市场部/销售部领导有不同的见解。经过理，可用数据支。持的有5种情况，如图所示。其中，A市分公司的用户情况/销售队伍情况，无法完全用数据验证，需要市场走访/市场调查确认。

• 进一步分析发现，A市分公司存在3个机会点：扩宽优质客户渠道、提升客群数量加大促销力度，以上结果已向市场部/销售部分别反馈，如图所示。

• 经过市场/销售部思考和讨论，已决定主要在渠道上发力，预计下一阶段会加强渠道开发，培训更多的优质销售员，预计会对两个数据产生影响，如图所示。

• 改善行动预计在x月x日开始,同步有数据监控,最新的数据反馈会在x月x日给出。这样的汇报已经非常完整了。

一个完整的分析报告要讲清楚以下3点。

• 问题是什么？问题的定义、背景、现状、各方态度。
• 问题从哪里来？问题的原因，包括主要原因、次要原因。
• 问题到哪里去？问题会被怎么处理、什么时候有结果、没有结果怎么办?

这样才能发挥商业分析的作用，读出数据背后的商业含义永远比数据本身重要。

可以看到，即使是看起来很容易处理的、很直白的问题，站在商业分析的视角，都会不厌其烦地做排除法，尽量梳理清楚各种情况。这种思维模式是数据分析部门与业务部门的本质区别。业务部门可能习惯了某些操作，看到业绩不行就条件反射性地提出“要促销!要换人!”而分析师则是由粗到细进行细致的梳理。

这样做有三重好处。

• 对问题梳理得越细致，找理由推辞的空间就越小，越能驱动决策。
• 对问题从大到小进行梳理，更容易做排除法，先排除大问题，再纠结小问题。.
• 这是专业能力的最佳体现，分析做得粗糙，无法体现专业性。

打个比方分析师就类似古代的军师。军师给主公提建议，需要尽量穷尽各种可能，永远是上、中、下3种大策略，不会只有1种大策略。而这上、中、下3种大策略，还要分上上策、上中策、上下策;中上策、中中策、中下策;下上策、下中策、下下策，一共9种小策略，几乎穷尽了各种可能。之后，主公就能在这里随意选择。主公选择下下策的机会多吗?当然多!归根到底，商业决策不见得都是理性的，理性的决策也不见得都是效果最好的。但提供丰富的理性决策给“主公”，是一个专业的分析师必备的能力。毕竟，“拍脑袋”做决策人人都会做，能细细梳理问题，才是真本事。

小结:最高级的分析技巧是体系化作战

回顾整个案例，为什么在前面文章中可以如此简单顺畅地进行商业分析，而在这篇文章中的真实场景中，商业分析推进如此艰难呢?核心差距就是起点不同。此时，再回头之前例子所给的信息，这是多么珍贵的资料呀(见图)。

这份看似平平无奇的资料，里面却含有多种信息。

• 基础信息：门店销售员人数、销售业绩。
• 目标信息：未来销售业绩目标是多少元。
• 分析结论：销售员能力有上限，这是需要分析验证后才落实的结论。
• 过程信息：销售线索、过程转化率、促销前后响应率等

这看似平平无奇的基础信息，反映了企业数字化必须完成的四大核心任务。

• 基础信息：需要订单系统、客户系统、办公系统等数字化系统记录。
• 目标信息：需要企业贯穿数字化管理理念，所有人按量化目标完成。
• 分析结论：需要对业务能力、促销响应、转化率等基础数据进行分析，沉淀经验。
• 过程信息：需要对业务数字化有规范、有执行才能回收过程数据，没有遗漏。

试想:如果没有完成这些任务，会是什么样的场面呢?

• 基数建设匮乏，底层数据缺失，分析无从谈起。
• 数字意识淡薄，目标随意更改，部门推诿争论。
• 缺少经验积累，事事从头分析，结论不切实际。
• 过程缺乏管控，私下动作不断，数据严重失真。

其中任何一个任务没有完成，对商业分析来说都是灾难性的危害，对企业经营也是严重的破坏，最后只能回到“拍脑袋、碰运气”的老路上。

在企业中，商业分析的最高境界就是做好基础数字化建设，然后做好基础分析工作。这些分析工作包括以下内容。

• 清晰现状、明确目标，计算现状和目标的差距。
• 了解常用手段，对每种手段的适用范围、能力范围、投入/产出有了解。
• 对当前现状下，每种手段的可行性、预计效果进行评估。
• 在可行范围内，优化、组合各种手段，推导出最优效果。
• 要监督指标、监督执行过程，根据效果调整手段。

这个过程就如同开车时打开导航软件。

• 软件自动显示起点、手动输入终点。
• 软件显示有几条可以走的路线。
• 软件显示预计到达时间，由司机选择路线。
• 在行车过程中，软件监控拥堵情况，提示司机其他线路。

看似简单、轻松的功能，极大地减轻了司机的负担，如图所示。

所以希望能牢记这个简单的道理:如果是业务方，要能积极推动业务数字化，用数据说话;如果是数据从业者，要能积极配合业务方，做好经验积累，这样才是适应数字化大时代的破局之路。