惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Hugging Face - Blog
Hugging Face - Blog
V
Visual Studio Blog
Last Week in AI
Last Week in AI
Stack Overflow Blog
Stack Overflow Blog
The GitHub Blog
The GitHub Blog
Recent Announcements
Recent Announcements
博客园 - Franky
D
DataBreaches.Net
B
Blog
Y
Y Combinator Blog
T
The Blog of Author Tim Ferriss
Microsoft Azure Blog
Microsoft Azure Blog
人人都是产品经理
人人都是产品经理
WordPress大学
WordPress大学
P
Proofpoint News Feed
J
Java Code Geeks
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
Martin Fowler
Martin Fowler
月光博客
月光博客
宝玉的分享
宝玉的分享
Engineering at Meta
Engineering at Meta
阮一峰的网络日志
阮一峰的网络日志
F
Fortinet All Blogs
博客园 - 【当耐特】

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
高手的数据分析方法之四:标杆分析法
接地气的陈老师 · 2024-12-09 · via 人人都是产品经理

“数据分析之钥,标杆分析之道。” 在数据驱动业务的征程中,标杆分析法犹如一把关键的钥匙。它看似简单,实则蕴含诸多要点。如何正确运用这一方法,挖掘成功标杆并有效复制其经验?让我们深入探究,开启精准数据分析的大门。

很多同学都有困惑:“总说数据驱动业务,到底咋实现的??”想实现数据驱动,需要公司有尊重数据、规范管理的工作环境,也需要相应的数据分析方法指导。光指望每天喊“同比、环比、高了、低了”可驱不动业务。

其中:标杆分析法是最基础的方法,也是典型的:“一看就会,一用就错”的方法,今天跟同学们系统分享一下。

基础思路

问:如何让业务做得更好?人们自然会联想到:“谁会做,我学谁!”标杆分析法就是这个思路的应用。从一堆业务里,找到可复制的成功标杆,然后直接复制它的做法。这种方法听起来简单,但在数据驱动中,非常好用!

举个简单的例子:一个数据分析师去跟销售讲怎么卖出业绩,只会被人嘲笑“你他妈卖过1单吗!你敢教我!”但一个数据分析师去把销售大神们的祖传秘方总结出来分享,其他销售会伸长了脖子来听,还生怕听漏了。这就是标杆分析法的直观优势。

标杆分析法的最大好处,就是打破了“数据分析师没干过业务”的壁垒,用业务的案例说服业务,实现借力打力,从而更好的实现数据驱动。

具体操作,分为5个步骤。

第一步:设定标杆指标

设定指标是标杆分析的第一步。一般把期望其他人复制标杆后,所能提升的成果指标,作为标杆指标。

比如:

考核销售团队,主要看销售金额、回款比例

考核用户运营,主要看活跃率、转化率

考核用户增长,主要看新用户数量、质量

所谓成功标杆,指的是对特定的指标而言很成功,可作为标杆。如果想提升销售团队的业绩表现,就主抓销售金额、回款比例即可,其他的指标可以稍后站。这就引出了第一个要注意的点。

注意点一:对特定指标成功,不代表其他指标都是成功的,更不代表十全十美。一个业绩好的销售可能考勤做得差,一个效益好的运营活动可能很耗费人力。如果苛求十全十美,要么根本选不出标杆,那么选出的标杆太过特殊,无法复制。

第二步:标杆指标分层

利用标杆指标,可以对参与筛选的目标对象分层,区分出高中低。最简单的方法,即十分位法。即按标杆指标对目标对象排序,每10%分为1组,一共分10组,再看组间差异,决定哪一个群体作为标杆(如下图)。

注意点二:标杆不见得非得是最好的那个!很有可能最好的那个是天时、地利、人和占尽,其他人根本无法复制。一味追求最好,有可能挫伤其他人学习积极性。因此要因地制宜选标杆。

第三步:清理异常情况

所谓异常情况,指的是:分布在高层的对象,并非靠自身努力达到的最好。这一步,是最容易被数据分析忽略的步骤。

很有可能表现好,是因为:

1、运气好:其实平时很一般,只是碰巧走运气

2、时机好:今年刚好在风口,过了风口就垮了

3、季节好:最近刚好是旺季,过了这阵就没了

4、资源好:投入力度特别大,投入一停就没了

比如销售团队的业绩表现,经常有以下几种情况,树标杆时一定要小心(如下图)。

之所以要清理异常情况,是因为这些情况使标杆没有说服力,因此要提前分析清楚。这一点非常重要。因为相当多的标杆分析,根本没有对这些异常情况进行分解,而是有奶就是娘,最近谁红就拍谁马屁,最后自然无法驱动业务。这是第三个注意点。

第四步:提炼标杆特征

以上三步,确保的是:我们找到的是真高手。找到真高手以后,可以开始研究高手了。要提炼的包括三个方面:

一:高手的基础特征——短期内无法改变的,先天特质上的差异。

以销售举例,销售人员的:个人外貌、言谈举止、从业经验、资源多寡、客户关系亲疏……短时间内无法复制,甚至永远都弥补不了——有的人就是天生招人喜欢,有的人就是天生靓仔,这些是难以复制的。

如果发现在某个领域,高手的基础特征是高度趋同的,则说明:这个领域只有这种人才能成功!那么后续复制的思路就变了:不是复制行为,而是复制人,找与高手相同基础特征的人!

二:高手的行为特征——可以学习、模仿、复制的动作。

还以销售举例,比如:

上午拜访客户or下午拜访客户

拜访客户时先谈产品or先谈感情

先给产品试用or先给价格优惠

……

这些动作、话术、行为,是可以复制的。需要单独提炼出来。如果真的有这种行为的话,可以立马复制给其他人,提升业绩。

三:高手的对象特征——高手是全领域通杀,还是吃特定对象。

还以销售举例,有的销售可能能搞掂所有类型客户,有的销售就只擅长搞掂传统行业老板,有的则擅长搞掂互联网行业年轻人。

如果发现,高手能全领域通杀,则直接复制人/复制行为;如果发现高手只在特定领域有用。则需要立数个标杆,尽可能多扩展标杆可用领域。

这是第四个注意点,也是避免标杆分析沦为灌鸡汤的重要一点。很多人喜欢跟着成功人士的屁股后边当应声虫,总之只要他成功了,放的屁都是香的。这样不抓重点的做法,只会让大家迷信所谓“早上四点的太阳”“晚上只睡四个小时”一类鸡汤,忽视了真正重点。

第五步:检验复制效果

经过前四步,已经有可落地的方案输出给业务:

要么复制人,扩大优质群体比例

要么复制行动,增加优质行动数量

最终,是骡子是马,拉出来溜溜。如果复制能成功,则说明真的有效。如果复制不了,就再看怎么抽离真正的业务成功因素。需要注意的是,很有可能业务团队无法复制,是因为执行力差,不是数据分析没做到位。所以对执行过程的数据监控,也要做好。

比如:

复制人:招聘进度如何,招聘质量是否达到预期要求,入职后是否如期开展工作。

复制行动:业务培训是否到位,是否足够比例到场听课,是否事后工作按要求进行。

这才是标杆分析的最后一步,做完这一步,才好总结:标杆是有效的/标杆无效,需要其他办法。

小结

标杆分析法之所以“一听就会,一做就错”,大部分是因为:数据分析工作做得不仔细,没有注意到上边五个注意点。

1、有的分析师连啥是“成功”都没定义,就开始大谈经验

2、有的分析师一张嘴“八大经验”“十大优势”,看似面面俱到,实则句句空谈

3、有的分析师不清理异常情况,结果总被人挑战“是特例!”

4、有的分析师不提炼特征,总说:“要搞高!”,结果被嘲讽:“你行你上啊!你搞个我看看”

特别是上边第4点。有的分析师做标杆,就知道喊:“你们要做到每天5个新客户,就有业绩啦!”这是典型的说废话,难道销售不想做吗!用什么方法做,说什么话,做哪里的客户这些才是真正要复制的经验。

标杆分析法,真正的难点,反而在于第四步,很有可能做得好的,是“赢者通吃”几乎各个方面都很好。这时候做分析,很容易引发“因果倒置”问题,即:到底是因为他做这个行为才表现得很好,还是因为他很好所以他才做这个行为。这个问题是个很深刻的问题,需要单独探讨。

本文由人人都是产品经理作者【接地气的陈老师】,微信公众号:【接地气的陈老师】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。