“你做的数据剖析，一点都不落地！”
“除了写数字，能不能有落地倡导！”
“看了数，所以呢？要干啥？”
这一类埋怨，经常在办公室响起，让做数据的同窗很郁闷。究竟咋做算落地？当天经过一个例子，系统解说一下。
疑问场景：某大型售后连锁服务商，同时承接厂商、企业、团体的服务需求，由客服接需求生成工单，调配给自营的服务点或外包的服务商，**成功服务。
如今已定下，北极星目的是：实践成功工单件数，问：如何做进一步落地剖析。
数据落地的经常出现失误
很多同窗一看到疑问，就说：教员，这题我会！工单=需求数*转化率嘛，既然要提高成功工单件数，那要做的就是，把需求数和转化率两个目的：
搞高！
所以数据落地的模式，就是：
一要多签厂商客户
二要多签企业客户
三要做大团体流量
四要提高客服效率
五要增强**治理
六要优化徒弟技艺
你看，这倡导多详细，多落地……
额……
首先，这么说确实没错，确实这些目的要搞高，确实这六条都是倡导，疑问是：这些都是正确的废话，即使不做数据剖析师，大家也“早就知道了”，那必要求搞高呀，还能搞低不成。
从数据推导业务落地执行，**是：轻重缓急。经过数据剖析找到哪里是重点，哪些是辅佐，这才是数据计算的价值。假设不加计算，那人人都知道这也要增强，那也要增强。
第一步：梳理业务流程
想落地第一步，就是中止在数据层面坐而论数，就数论数。数据究竟从哪个业务流程里来，又受哪个流程影响，得先理分明。业务层的梳理，普通由粗到细，剥洋葱般层层深化。比如本案例中，只管触及业务的角色很多，但以客服收到线索为界限，可以划分为：需求/供应（如下图）。
目的是提高成功工复数量，第一级要做的轻重缓急判别，就是：需求/供应能否婚配。
仅看单个月份/全体供需状况，或许有三个形态：
第一级判别，选择了后续落中央向：
这就是V1.0的落地倡导。留意，实在倡导不会给得这么书面语化，而是经过计算的：
这一步看起来繁难，其实也隐藏玄机：怎样判别究竟哪头大？
第二步：树立判别规范
判别规范，绝不是让老板拍个脑袋那么繁难。需求≤供应相对容易观察，比如售后徒弟人均工复数少、平均工资低、人员散失多等等。
但需求≥供应，很有或许是没有数据记载的。比如团体客户打电话出去，结果约不到徒弟；企业客户打电话出去，要排队很久才干修缮，然而由于签的是年度合同，所以一时半会不会翻脸。
这些状况都使得评价供应才干存在艰巨，数据不实在状况。等企业客户散失的时刻才反响过去，曾经太晚了。
因此，树立规范最好独自做剖析。比如厂商/企业客户，要求婚配合同签约时服务条款（比如接单24小时内处置终了）；对团体客户，要求看客户动员需求后成功率，并且从成功率中，剔除客户要素（询价后嫌贵、**找不到人、随口问问等状况）才干算进去相对准确的数字。
这是寻觅判别规范的上班，树立规范上班后，还得跟各部门共识，才干达成分歧认可。
这一步很关键，很多同窗之所以难以落地，从第一步就是：只要数字，没有判别。或许判别条件不谨严，造成后边一深化，发现有很多业务上定义含糊，相互扯皮的中央。这样人造落不下去（如下图）
第三步：从短期到常年
留意：期间拖长，或许有节令性变动。比如特定设施在夏季/夏季经常使用频率高，更容易出缺点。因此基于一个月份树立规范后，可以看一整年的状况，进一步锁定疑问。
比如全体状况是：需求≥供应，然而：
对应的轻重缓急也是不同的，能疏导出的落地倡导也不同（如下图）
第四步：找重点、抓重点
全体状况确定，再看部分疑问。比如在第一阶段，锁定了疑问来自：供应端，就是供应不够，那么该怎样进一步剖析呢？
首先，业务有三条线，三条线谁是重点，要先辨别进去。由于厂商/企业这种toB类客户和toC类团体用户，是基本两个开展思绪，不只在工单总数中占比不同，而且对未来开展关键性也不同，很有或许toB才是公司生命线。
在不同关键性影响下，即使数据相反，对未来开展的判别也或许是不同的，要先做判别，再往下细看（如下图）
第五步：从全体到部分
其次，售后服务是分区域交付的，因此哪个区域特意重大，哪个区域例外，再分进去。这个相对容易了解，每个区域的客户需求，门店/徒弟性能都不同，很或许遥远地域还是二次外包出去的，因此锁定疑问点，也有助于：抓大放小，先处置疑问突出的地域。
这里又有战略上差异：假设真看到某个地域需求特意旺盛，且都是外包在做，很有或许会选用“改换掉外包，自己设一个服务点”而不是“该外包需坚持业绩开展趋向”。
在落地上，素来都不是哪个目的好了就坚持，也不是哪个差了就改良的，很有或许有第三选用。
第六步：从部分到细节
最后，售后服务是分2个环节执行的，究竟是客服派单慢，还是售后执行差，再分进去。
这个合成最为复杂。由于客服派单派不出去，很有或许是由于该区域/该大客户服务团队的上班曾经饱和了，或许是由于节假日等反常要素，或许是由于在等整机调货等主观要素，所以不拿到接到单的服务团队/配套状况/节假状况等明细数据，很难说分明究竟是派单员的疑问，还是服务的疑问。
在思考落中央案的时刻，越细节的疑问，越放在后边处置。由于很有或许落到特意细的细节，你会发现基本没有数据……手头有啥数据就用啥，这也是剖析的基本准则。
第七步：从数据到治理
面对细节数据缺失，可以用治理手腕配合数据树立。比如要求客服在初次接单且售后无心外的状况下，接单30分钟内成功调配，无心外就人工反应标注。
还可以提早对各地域硬件数库存启动审核，提早标注缺货标签，这样剖析的时刻，能辨别哪些由于等硬件而提早。还可以要求服务徒弟**前/服务成功后启动系统打卡注销，这样统计徒弟在岗状况，从而反推能否徒弟已饱和。
留意，这些治理手腕自身对业绩也是有协助的。可以提早发现配套疑问，可以监控一线行为鼓励多劳多得，可以及时发现有增长后劲的地域。
所以，用这些业务上利益点做诱饵，是可以推进治理手腕落地的，进而到达采集数据的目的，从而一箭双雕。假设没有好的治理手腕，很有或许数据都采集不过去，人造也不可落地。假设没有业务上利益点，即使上层强力参加，强行把软件推下去，业务不配合、乱填一通，数据还是一塌懵懂。
小结
想把数据落地，就是这样一步步从粗到细，剔除各种意外，击中要害，最后靠和治理手腕联合落地。
而不是繁难地：
1、哪个目的低了就搞高
2、哪个目的高了就坚持
也更不是出一套“神威无敌大将军模型”就能搞掂的。比如有的同窗一看：诶呀！有客服派单！立马条件反射般：咱们效仿滴滴/美团，树立人工智能派单模型。
那个，这是售后业务耶，机器的损坏率可不会像叫车/外卖一样天天继续，需求就那么多。且**还牵扯硬件疑问，哪里能随意乱套。所以想做的细，就得深化业务流程，耐着性子剥洋葱。