在一个场景中如何体现数据分析的价值？本文作者指出了应根据业务需求来进行数据分析，而非简单地应用固定的分析方法，以及通过积累经验和为业务服务来提升数据分析的价值。

经常有同学在工作中抱怨，感觉“做的分析没有啥业务价值，报表丢出去了也没回应”。到底怎么做才能让数据分析体现价值，今天结合一个具体场景，详细讲解一下。

一、问题场景

某同学入职一个公司会员中心，雄心勃勃地想建立“数据驱动业务”机制，为此，规划了一堆：

• 建立全链路数据指标体系，反应运营情况
• 建设3000个会员标签，丰富会员画像
• 建立RFM模型，对会员分层
• 建立预测模型，针对会员购买行为进行预测
• 建议推荐模型，针对会员购买商品进行推荐

规划交上去，却被领导一顿批斗：“你这做的有啥业务价值？！”该同学非常不理解，不是一提及用户分析，就是用户画像、RFM、分层、推荐，难道还有啥神秘力量我不知道？为啥这些东西会被喷“没价值”呢？？？？

二、从“什么算价值”说起

这个问题，得从“什么算数据分析的价值”说起。如果我们是乙方公司，是数据产品、咨询公司，那么我们可以提前做一堆工具，比如BI、数据模型、CDP等等，然后卖给甲方。这个算是数据分析价值的直接体现了。

但换个场景，我们现在是甲方公司的，数据是直接服务业务的。此时数据分析的价值，就是由“到底帮助了业务多少”来定义的。如果：

• 我们给的数据，业务已经看得到了
• 我们做的预测，业务根本不需要
• 我们做的分类，业务压根看不懂
• 我们做的画像，业务找不到地方用

那就是没价值呀。这个和“大家做的都是这些分析”一点关系没有，只要我们公司的业务用不上，丫就是不会被认可。

因此，想要提升数据分析的价值感，就不能“拿着锤子找钉子”，先轮出一堆“用户画像、RFM、关联推荐、行为预测”的大锤，然后看哪里能锤一下，而是看：“到底我们的业务需要什么”。

注意！业务需要什么，也不是直接问问了事，因为很有可能：他们需要你算命。

三、拆解业务问题

如果你直接去问业务：“你想要什么”，很有可能你会听到：

• 我想100%精确预测下个月商品销量
• 我想100%准确知道用户流失原因
• 我想100%准确预测活动参与人数
• 我想100%准确判断用户想要什么

最后还有可能跟你客气一句：“100%做不到，98%也行，咱不纠结”。

如果真拿这个需求来做，那铁定做不出来。为啥?因为商品销量、用户流失、用户需求，这些都是经过业务手段影响后的综合性结果。比如用户本来不想买，结果业务派了券，用户想买了。此时得先知道：业务会不会派券，会派多大额度的券，才能预测结果。

这意味着即使可以建模预测，也得先知道：“业务手段是什么”。这显然和业务需求不符，这帮人还等着我们100%精准预测出来，然后看着预测结果做行动呢。所以不要直接生吞业务需求，而是拆解业务需求，找到可以做的发力点。

比如“100%准确知道用户流失原因”，多问一句：知道以后又能如何？

• 有些用户贡献很低，他流失了，真的值得挽回吗？
• 有些用户对我司产品没需求了，我们真的会改进产品吗？
• 有些用户需求和我司存量用户相冲，我们真的要讨好这些人？
• 有些用户就是来薅羊毛的，我们真的要无节制满足他们？
• ……

结合业务场景，往下拆解需求。就会发现：大部分情况下，业务能做的事情是非常有限的。特别是短期内拉升某些指标，可能可用的手段，就是派券/发信息，没了。而长期内的改进，又是和业务整体规划密切相关的。因此聚焦到业务可以做的事情上，就能保证数据一定能被业务用起来。

这里有个常见的务求，就是拆解需求，不按业务可做的事拆解。而是单纯在数据层面绕来绕去。比如分析用户流失情况，就把所有的流失用户名单捞出来，然后丢一大堆性别、年龄、过往消费……等等描述性统计结果。这样看似给的数据多，可依然和业务行动是脱节的，业务看完依然很迷茫，依然会反问“所以呢？所以我能做什么？”

四、寻找业务盲点

拆解完问题后，可以进一步寻找业务盲区。找到业务盲区，对提升数据分析的价值感非常有用。因为业务并非对数据一窍不通，特别是和他们KPI相关的数据，一般盯得非常紧。如果丢出来的数据是他们早就知道的，那铁定落得一句：“我早知道了，你分析的有啥用”的吐槽。

所以：

• 业务不知道什么
• 业务不确定什么
• 业务想测试什么

是最能体现数据分析价值的地方

比如流失用户问题，很有可能业务方每个月在固定投优惠券，然后已经掌握了很多基础数据，比如：

• 每月有多少用户处于流失状态
• 每月派多少召回用户的券
• 每月从多少渠道发推送
• 每个渠道转化率，召回率

这时候，如果再把这些数据讲一遍，哪怕打着“建立完善指标体系”的旗号，依然会被喷“我早知道了”。所以基于现有数据，可以往下切：哪些是大家额外想知道的。

在这里，是否修改现有规则，是个关键问题。如果不修改，就基于现有的推送渠道，推送文案，推送券类型，做排列组合。找到转化率最高的方式。如果要修改规则，就看业务上能做的事情是啥？比如提高面额，修改推送信息时间点，修改推送方式（比如基于用户裂变），更换推送内容（比如不推券，推个爆款）。

是否要修改，是和业务紧密有关的。因为很多时候业务是没有权限动策略的，策略是老板已经定死了的，只能做小修小补。而有时候，业务又很想修改策略，这时候就需要大量数据支持，需要先了解：业务想往哪个方向改。

比如业务方很想往：加大券力度方向调整。此时数据分析的思路，就是：

• 找到哪些人群容易被券召回
• 区分出这些人群中有价值的部分
• 核算过往人群消费，给券力度提建议

原则上，有消费力的人才值得大力度召回，这些细分数据，是业务方向老板要资源的时候需要特别强调，以打消老板顾虑的。给到这个级别的数据，就能极大支持业务动作，体现数据价值。

注意，这里做的分析内容，还是：

• 区分用户过往消费，核算用户价值
• 区分用户对抵用券领取/使用敏感性，打“抵用券偏好”标签
• 区分用户对推送信息响应率，找高响应群体

但是清晰了：“这是业务特别需要的数据”以后，这些数据给出去，就能得到大家的认可。而不是不分青红皂白，先做个RFM（分段规则还没和业务确认）然后扔出去，业务看得一脸懵逼：所以呢？所以我可以干啥？？？

五、做好经验积累

还有一个很重要的，数据分析可以主动做的事，就是围绕目标，积累经验。业务部门处于本位考虑，经常是各自为各自项目摇旗呐喊，容易忽视不同项目之间交叉作用。比如用户流失问题，很有可能流失的用户本身是某些商品的粉丝，本身是季节性购物需求，他不会响应会员中心盲目派的券，而会响应商品部门推送的活动。

此时数据部门，可以主动收集各部门活动，以用户为单位，展示各类活动影响用户全景，这种全景式的数据，业务站在自己部门很少看得到，很容易引发业务思考。因此特别建议数据部门，主动收集各类业务动作，围绕同一个业务目标综合起来。这也是体现价值的方法。

六、小结

综上可见，数据分析要基于业务，为业务服务，并不是一句空话，而是结合具体的业务场景与业务需求，具体讨论业务可行范围，拆解业务问题，逐一解答才能实现。