数据分析报告，如何写出“可执行”的建议？

数据分析报告，如何写出“可执行”的建议？

引用

搜狐

1.

https://www.sohu.com/a/791606378_121124717

在当今数据驱动决策的时代，业务部门越来越期待数据分析能够提供"可执行"的建议。然而，如何才能写出真正"可执行"的建议呢？本文将通过一个在线教育机构的案例，详细阐述从宏观方向到具体执行的三个步骤，帮助数据分析师写出更具实用价值的建议。

很多同学在工作和面试时都遇到一个要求：数据分析要给出“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！”、“深度好文”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。
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：
1）时间紧迫性：需要用多久解决问题
2）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：
1）这个事是多大的事，要搞到什么程度才算结束（why）
2）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
有了这个测算，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“数字算得对不对”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：
1）谁来干？（who）
2）哪里干？（where）
3）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，可以给得非常精准：我们是XX类做得太少，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”要好，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。