深入洞察业务：产品卖出去，营销有成效

更新: 7/18/2025 字数: 0 字 时长: 0 分钟

真正的高级方法

所谓的“高级”，人们有两种理解。

• 形式上的高级：被少数“高人”掌握，秘不外传，讳莫如深。
• 结果上的高级：能帮助大量“菜鸟”提升效率，因为其操作简单。

比如开车上路，使用导航软件在形式上并不高级，但实现的效果确实很高级。数据分析和导航软件非常相似，通过下表的对比，可以看出，两者都是基于大量的、基础的、看似简单的工作，最后输出一个能提升效率的结果。

两者解决问题的手段也是类似的，如下表所示。

真正高级的数据分析，是体系化作战，以业务流程为保障、以数据采集为基础、以报表为骨干、以数据产品为卖点，兼有业务经验沉淀与模型辅助，是一套简单易用的工具体系，如下图所示。

可是，为什么不理解这些工作的人那么多呢？因为这些工作大部分是脚踏实地的基础工作，不会出现在外行人眼中。甚至越高级的数据分析，在外行人眼中越单!

当你试图给外行人解释：“获得数据很困难!需要打通n个系统，做n多个埋点，采集n多条数据，进行n次反复的实验……”外行人是听不懂的。因为外行人不懂这些系统流程在他们眼中数据就是阿拉伯数字，他们认为这并不复杂。

就像跟外行人解释：“导航软件需要卫星遥感、街道实拍、预计算路径……工作很复杂。他们既听不懂，也不觉得高级。在外行人眼中:"导航软件不就是导入地图，然后输入一个地址吗?有什么难的?”总之，在外行人眼里，操作简单就是方法简单，只要听懂名字就等于理解了过程。外行人普遍认为：过程听不懂且效果惊人的操作，这才叫高级。

• 如果你是业务员或老板，请给予商业分析师足够的支持和理解。
• 如果你是商业分析的从业人员，请坚定地走正确的道路，不要指望旁门左道

那么这些基础工作，如何变成一份高级数据分析的成果呢?

如何实现高级分析

1.高级分析案例

下面介绍一个高级分析的简单案例。

问题场景：某互联网大厂的toB业务线，可以向平台商家提供SaaS/Paas类服务，但苦于销售员水平不高，沟通话术质量不佳，导致转化率不足。现计划进行话术培训，提升客户转化率。

最简单的做法是定义两个版本的话术：A话术和B话术。让销售员采用这两个版本的话术与客户进行沟通，最后看转化率，哪个高了就说明哪个好!(见下图)。

这么做存在什么问题呢?至少存在以下3个方面的问题。

• 问题1：未考虑销售员本身的影响。有可能销售员本身能力强，所以才卖得好，并非话术影响。因此，需要针对不同层级的销售员，比如S级、A级、B级、C级，单独分析话术效果。
• 问题2：未考虑客户的影响。有可能特定客户就是容易成交，并非话术影响，因此需要区分客户等级，比如 VIP1、VIP2、VIP3级别客户，分别看效果。
• 问题3：未考虑话术实际影响大小。可能有的客户不受销售员的话术影响，只关心产品;有的客户则不管销售员说什么都没用，只关心价格。因此要做交叉测试，找到能受话术影响的客群，如下图所示。

在设计交叉实验的时候，要注意控制实验复杂度。比如可以根据业务实际发生的频率，排除样本情况(比如C级销售服务高级的VIP4客户的情况)，还可以精简分类维度，聚焦最核心的客户等级、行业等,不用一次照顾所有情况。如果不控制复杂度,很容易会因为实验太过复杂，导致销售员抵触，最后无功而返。

最后，得到的结果可能如下图所示，为每一类销售、每一种客户配置合理的话术，最大化产出。注意：作为测试结果,不见得非得是从A话术和B话术中二选一,很有可能发现以下问题。

• 情况1：话术根本不重要。
• 情况2：A话术和B话术都不行，需要C话术。
• 情况3：不讲xx就不会出问题。

这些都是有用的测试反馈。

看起来，这样的分析已经很高级、很有用了。然而，这样的分析需要哪些技术的支持呢?

2.技术支持之一：基础数据分类

问个简单的问题：销售员的分级(S、A、B、C级别)是怎么来的?这些分级都是基础数据分析的成果。既然有分级，那么就得有判定标准，而构建判定标准本身又是一个“大工程”

• 业绩表现好的，就是好的销售员吗?
• 意向、签约、回款、复购，哪个方面能证明他是一名好的销售员?

意向、签约、回款、复购这 4个方面，每个都至少有数量和金额两个指标。

• 如果选签约和回款，两个指标交叉就是一个矩阵，怎么定义好?
• 如果是3个指标呢？如果是4个指标呢?

如何标注好样本，本身就是一件难事，考虑的指标越多，情况就越复杂(见下图，两个指标就有4种情况了),标注好样本是非常重要的。对销售员而言,如果一开始找的榜样就不够好,那么其总结出的经验根本不靠谱;如果找的客户是用不正当手段签约订单的，那找到了也没法复制，所以分级本身需要单独有专题分析。

以上所有问题，都得有一番纠结才有产出。现在简化问题，假设就考察签约金额，签约金额高的就是好的销售员。那么，又有新的问题:“考察多长时间内的表现呢?”一加入时间维度新的纠结又开始了。

新的问题如下:

• 考察1个月的表现算不算好?3个月?半年呢?
• 考察1个月，这个月好，下个月不好，到底销售员的表现算不算好?
• 考察3个月，是考察总量、平均值，还是单月达标次数?
• 考察6个月，若销售员稳定性好，则业绩越来越好;若销售员为先好后差的，那么业绩要不要作区分?

即使只关注一个指标,比如销售业绩。不同的销售员,也可能有不同的走势,其差异之大甚至可能直接影响到整体策略。比如，销售员的业绩，是季节性优秀/偶然性优秀/持续性优秀，说明话术可能不是成功的关键，抓队伍建设才是重点。如果是生命周期型，就证明培育旧用户没有用，需要源源不断地招募新人，这些基础的分析，直接影响后续方法的选择(见下图)。

以上所有问题的处理，都是为了得出一个简单的业务员分级标签。

同样的问题，在分析客户那里也存在，也很让人纠结。比如评定客户等级。

• 考察哪些指标?
• 考察多长时间?
• 指标到什么水平算好?
• 考察期波动怎么处理?
• 在未签约前要不要做预测?怎么预测?
• 要不要在签约进度中修正预测?怎么修正?

都分析清楚了才能有准确的客户评级，特别是售前评级。

正是因为以上工作太过纠结，所以衍生出3种常见的处理办法。

• 从简单到复杂：先做单指标分类，再慢慢增加，迭代几次。
• 先抓典型再总结：比如先让业务方标注几个正样本，然后研究他们的特点。
• 从结果倒推：比如业务方的KPI是签约额，那为了达成这个目标，需要怎么做才行。

每一种方法都有各自的工作办法，这里就不一一展开了。只是为了让读者感受到想获取个准确的分类，需要投入人力、物力和财力，不然就只能做最简单的、充满BUG的分析。

然而，就算这样依然不够，配合第一层地基的是第二层地基。

3.技术支持之二：业务分类与业务标签

A话术这个分类又是怎么来的?

实际上销售员卖东西时很少只说一句话，特别是toB类销售员，他们前前后后需要介绍很多，这里至少有4个部分。

• 开场问候：开场寒暄，引入话题。
• 产品介绍：主动介绍产品的特点、优势，以及对客户的用处(见下图)。
• 问题答疑：针对客户的问题，解答客户的疑惑。
• 促单话术：催着客户赶紧下单。

这里又衍生出来两个问题。

• 这4个部分的话术如何分类、打标签?进而加入分析之中。
• 如何知道销售员说了什么?

针对问题一，话术本身如何分类、打标签?可以采用以下做法。

• 产品介绍的版本。
• 客户问题点：功能、价格、体验、案例、系统接口。
• 促单的话术分类：按项目进度、优惠、资源控制。

总之,有了这些扎实的基础工作,才能有最初的A话术这个分类标签。这个看似简单的标签实则凝聚了大量的工作。 然而，这还只是第二层地基，还需要有第三层地基。

4.技术支持之三：基础数据采集

针对问题二，核心在于数据怎么采集。

• 如果有SCRM系统，那么交易流程可以系统化实现，即在一定程度上补足数据，比如展示了哪些案例(产品介绍环节)，调用了哪些资料(问答环节)，查询了哪些优惠(促单环节)。
• 如果没有系统的支持，那就只能从其他行为反推，比如销售培训、销售策略；比如申请体验样品类型、数量；比如申请优惠。

那么，又衍生出下面的问题。

• 销售培训记录，培训类型标签库。
• 销售策略记录，策略分类标签库。
• 申请样品记录，申请类型标签库。
• 价格申请记录，产品价格折扣标签库。

没有这些记录和标签，整个销售过程处于失控状态：一方面人们不知道做了什么，另一方面关联不到工作结果，根本无法深入分析。总之，一有记录，二有标签，这样分析起来才能得心应手。

如果孤立地看“怎么找一个好的话术”，似乎在地表建筑阶段就已经做得很完美了。可实际上，脱离了底层大量的地基建设，再华丽的地表建筑也盖不起来。整个流程串起来，就是用一个庞大的体系，解决了一点点业务上的问题。虽然工作量大，但是它真的有效，如下图所示。

以上就是从基础数据采集，到标签制作，再到数据检验的全过程。即使如此简单的一个问题，也需要大量的基础工作才能做得完美。如果想做出高级数据分析，那么基础工作越多越好,所谓“食不厌精、脍不厌细”正是这个道理。

高级方法与算法模型

很多人会习惯地把高级方法等同于模型，似乎只要用了模型就很高级。可是在企业内不同部门的人口中，模型的含义是不一样的。广义上讲，只要是对现实问题的抽象，都可以叫模型。但狭义上讲，只有统计学、运筹学、机器学习等用到了数学公式的才能算模型。下面系统盘点一下，到底有多少种模型的说法，以及这些模型与高级方法之间有何种关系。

下图所示的五大类共九小类方法，都会被不同的人称为模型。

1.类型一：纯理论模型

纯理论模型类似SOWT、PEST、4P、4C一类，这些模型往往来自《管理学》《营销学》课程其内容大多是定性描述，没有定量分析。比如SOWT的介绍如下。

• S(Strengths)：优势。
• O(Opportunities)：机会。
• W(Weaknesses)：劣势。
• T(Threats)：威胁。

在业务部门进行汇报的时候，这些术语很好用，能把汇报内容分为四大模块。但是真要量化分析，比如“我们的产品到底为业绩带来了多少亿元的优势”“我们的品牌不足又降低了多少亿元的业绩”，完全无法量化进行。其他的，如4P、4C、PEST的分析也是类似的。

所以严格来说，这些不能算数据分析模型，只是一个思考方式和分析方向。大部分情况下是做纯业务汇报,只有少数有可量化指标的时候才能做量化分析。比如PEST中的P(Politica1),即政策。如果有政策限制，要求下架一些不合规的产品，则可以通过这些不合规的产品的销量，来分析政策的影响。

2.类型二：基于调研数据的模型

调研数据的模型类似AIDMA、AISAS、PSM模型。这些模型是经典的营销分析模型，之所以经典，是因为它们大部分基于调研数据，如用户态度、感觉、评价，是基于传统调研的手段获取数据的。在当下，能获取用户数据的方法很多，直接采用AB测试方法，比通过问卷问态度再反推更直观，因此这些模型适用范围已大大缩水。从理论上看这些模型没有问题，但是直接运用的话，其运用范围很有限。

为了体现自己的价值，调研公司、咨询公司、广告公司还是很喜欢介绍这一类模型的，毕竟用户没有开数据接口，行为数据记录再多，还是不能直接推导出用户的想法的。为了让这些模型能和现有数据结合，有些调研公司对模型进行了更改。如下图所示，仅用调研解决用户兴趣问题，其他环节则替换成可记录的数据。因此在产品经理、运营人员、研发人员对用户需求很迷惑的时候，还是会求助于市场调研，从而用到这些模型。

3.类型三：指标计算模型

指标计算模型类似AARRR、RFM 这些模型。这些模型才是业务员提及率最高的，介绍得最多的模型。这些模型往往直接使用业务部门的KPI指标，以有逻辑的方式呈现，因此业务部门在讨论问题的时候可以直接往里边套数据，非常好用(见下图)。同时，这些模型都是可以基于指标继续拆解的，因此业务讨论完了，可以直接按小组分配任务，并且监督任务的完成情况。这两项优势，使得业务员非常喜欢用这一类模型，时不时还可以自己创造两个。

但是，这一类模型有一个致命的缺点，就是关键参数来自经验，未来预测全凭“拍脑袋”。

当问业务员“为什么估计转化率是20%”时,得到的回答不是“最近几个月都是20%”,就是“我觉得它会是20%”。

因此，这些模型更适合展示现状，分析过往数据，不太适合对未来进行预测。

4.类型四：指标计算模型

指标计算模型类似曲线拟合法、时间序列法、线性规划法构造出的模型(见下图)。

曲线拟合法一般用来预测整体指标走势，比如整体销量、整体产品数量、用户流失数量等。这种做法简单、粗暴、不看原因、只看结果，拿结果数据的过往走势，拟合未来走势。虽然看起来粗暴，但是非常好用。因为需要的数据量少!只有一个结果数据即可。很多情况下，简单省事就是王道，因此适用范围非常广。

线性规划法是经典的科学管理模型，往往用在已定目标或分配任务的场景中。

下面举一个简单的例子：有A、B两款产品需要备货，总量350件，A产品起订量为125件生产工时为2小时/件，B产品生产工时为1小时/件，总工时不大于600小时。A产品成本每件2元，B产品每件3元，问如何安排生产?

该问题可以转化为一个线性规划问题:设两个产品各生产a件、b件

目标：min(2a+3b)

约束条件:

• a > 125
• a + b > 350
• 2a + b < 600
• a ÷ b > 0

之后求解该线性规划模型即可得到答案。

理论上，线性规划方法在生产、库存、运输、采购等领域有广泛的应用。但实际上，在国内企业的应用很有限，只有少数供应链复杂的大型企业有研究。其中最大的制约来自基础数据的积累：线性规划方法，需要对供应链的生产力、运力、人力、执行力有长期的数据监控与积累才能沉淀稳定的数据。而在现实中，大部分企业供应链管理粗放，他们往往更喜欢用突击加班增加外包等方式应对，数据积累少。在营销端更是如此，规划方案往往依赖领导层“拍脑袋缺少数据积累，当然无法做量化分析。”

5.类型五：算法模型

算法模型类似LR、KNN、xgboost、SVM一类的模型。

近几年特别火热的机器学习算法和传统的统计模型，都是算法模型，也是狭义的“模型含义。但是，这些算法大部分不是用来解决企业经营问题的，而是应用在工业中，比如安防、辅助驾驶、语音识别、语音控制、内容推荐、商品推荐、反欺诈、风控等。这些都是生产系统非数据分析/BI系统。在架构上一般都是专门的算法组/风控模型组负责，不会和数据分析组重叠。

在企业经营方面，算法有一些经典的应用场景，比如响应率预测、消费能力预测等，但始终不是数据分析的工作重点。因为大部分企业经营场景面对的问题是“没数据!”采集数据整理数据、分析数据才是数据分析组的主要任务。且大部分算法理解性差，业务员既无法参与也无法理解，因此能输出的成果非常有效，从而限制了算法在分析上的使用。

多个模型如何在企业实际运用呢?举个简单的例子，比如预测12月的销量，那么可以参照下表来进行。

这样直观对比就能看出来，为什么统计学/机器学习算法模型，在实际场景中运用很少了。

这些模型需要的数据多，需要的数据颗粒度细，建模过程复杂，输出的结果反而更简单，业务员看了能做的事也少。

相比之下，套用经营分析的模型进行拆解，虽然主要参数都是“拍脑袋”，但也变相地给各个部门下了军令状:“你必须做到这么多!”这样更容易驱动业务部门行动。用时间序列法虽然算出来的也不能落地，但是它需要的数据少，只有一串数据照样用，因此省事。

TIP

注意:

• 上面的对比并不能说明机器学习方法不适合经营分析，只是场景不合适而已。换个场景用，比如用二分类模型预测用户购买率，就有两种典型好用的用法。
• 在响应率低的时候，压缩业务工作量，提高产出率。最典型的就是外呼，用户如果不接电话，任凭外呼员巧舌如簧也没用。并且外呼成功率特别低，自然成功率只有1.5%~2%，因此哪怕模型只提高一个点的接听率，也能让外呼员的效率提高一大截。
• 在响应率高的时候，识别自然响应群体，减少投入。最典型的就是营销成本控制。如果想压缩优惠券投放，最好的办法就是预测人们是否购买，之后把购买概率高的群体的优惠券去掉。对于释放费用，非常好使。

所以在工作中，复杂性不代表正确，更不代表有用。根据以下维度，才是发挥作用、争取认可的好做法。毕竟企业工作，追求的是低成本高效率地解决问题，如果一味追求复杂尖端，效果并不好。

• 数据丰富程度。
• 数据质量高低。
• 结果使用场景。
• 期望上线时间。

但反过来说，套上一个模型的外壳，的确能让分析显得高级很多。所以可以根据这5类模型的特点，把自己的工作也对应套上模型的光环，瞬间可以增加高级感。