本文将深入探讨数据分析师在面对“不带脑子”的队友时的应对策略，从找到参照物到识别隐藏的刚性目标，提供了一系列实用的解决方案。这不仅是对数据分析职业的深刻洞察，也是对业务与数据分析融合的有益探索。
做数据的同学，各种盘点、总结、回顾类的报告很多，有一类“不带脑子”的队友纷纷上线，搞得做数据分析的同学们非常蛋疼。
具体表现嘛，看下图：
来，我来把那句没说出的买马匹替大家说了：做业务、做业务，连自己要做成啥样都不知道，还做个毛线啊！脑子都去哪里了！不知道早问啊，现在都搞完了，拉了一裤裆了，擦屁股想到老子了……咋整？我们今天详细整一整。
为什么会这样？其一就是：蠢。
很多人干活就是不带脑子。
确实有很多公司的运营、策划、产品经理，干活就找模板，想创意就抄竞品，其他啥都不会。
你问他为什么干？
他回答：
至于这么干行不行、会干成啥样、干不好了还能咋样，完全没思考过。
如果业绩风调雨顺，就你好我好大家好。如果业绩不行，就开始怪大环境，怪对手太凶猛，怪公司没投入，怪领导瞎指挥。最后一句：“这个得用人工智能大数据分析下”，把烫手山芋丢过来了……
还有一类就是：坏。
自己写目标怕完成不了，于是故意留白，等着“人工智能大数据分析一下”。
刚好新入职的小伙子信了！还真以为人工智能模型能搞掂，两者一拍即合。
最后的结果：
总之，这些乱七八糟事是我们不想面对的。可如果事已至此，队友真的就没定目标，并且良心没有大大滴坏啦，想一起补救，咋办呢？
想事后补救，最关键的是：找参照物。
在事后补一个评价标准。这样做颇有：“先射箭再画靶子”的味道，是非常不科学的。但是总好过没有评价标准。因为如果没有评价标准，单纯地计算活动中业绩、用户、销量等数据，会引发一系列的问题：
你看，完全扯不清楚。
这还是业绩类活动。如果是任务类的，比如增加用户量、清库存之类，就更扯不清了。到底增加多少用户才满意？增长上限是什么？这一炮把钱都花了剩下几个月咋办？清库存反正都要清啊，凭什么说你活动做得好？一件都交代不清楚。
所以切记切记：先找参照物，评定对错好坏，再分析为什么会好/为什么会坏，有多少改善空间。这样做最清晰，最有效率，能减少很多毫无意义的扯皮。
本篇例子是促销活动，从逻辑上讲，促销活动是一定会拉动销量的，毕竟是砸了真金白银的。问题的关键是：增加的销量对不对得起投入的成本。
这也意味着，促销活动都是隐含了刚性目标的：
具体例子看下图
如果做了活动反而比没做还差！活动参与的人压根没几个！那做的是个屁呀。多明显的问题。
BUT，一般这时候，业务部门会跑出来强行洗地：“做了活动更差，是因为不做活动会更更更差”。这种洗地是毫无节操的，典型的做烂了还不认的行为，你咋不说你不做活动地球就爆炸呢。
这时分两种情况。
如果是上图1走势，业绩虽然持续下滑，但是跌得轻了，这时候还能洗洗地。
如果是上图2走势，正常周期波动，丫做了活动业绩反而跌了，那就是活动做烂了，洗都没得洗。
这时候送给业务方的就八个字：下跪认错，低头挨打。
当然，大部分促销活动，丢钱下去，还是能见到一点水花的，业绩、用户等等指标还是在涨的。这时候可以用其他方法，事后补个目标。
具体的，要看过往活动的开展情况和活动形式。
常见于首次进行活动，或过去很长一段时间内没有活动，这时候可以选一个同活动时间一样长的时间段，做参照物，看看活动整体上拉升多少。再拆开看参与活动的各地区，各用户群体差异。
这样做，背后的业务含义是：我们拿整体水平做标杆，看怎么改进做比整体水平低的。
通过这种对比，就能暴露活动内能优化的点。
同时，既然是首次做，就把本次整体水平保留下来，作为以后的标杆，下次就不纠结了。
情况二：过往没有活动，且周期性波动在情况一基础上，如果活动影响的业务，本身有周期性波动（如上图所示），那活动有可能有水涨船高的效果，这时可以根据上一周期增长量做自然增长，扣除这一部分后再做评价。
这时候可以拿上次活动作为参照物，先计算活动投入产出比和带来总效果。结合这两个指标可以判断：继续做活动是亏是赚，活动影响力极限能去到哪里。这样能对活动做个定性：越做越好/越做越差。有个这个判断，后续再看具体细节怎么改善，也有了参照物，可以细致分析。
情况四：过往有活动，且多活动叠加这时候很难算清楚每个活动的贡献（也正因为此，很多业务方放弃了设目标，可回头又要单独评估，糟心），最好的处理方法是：先看整体的投入产出，定个大基调：本期内活动组合效果高/低。有了这个基调，后续就能做结构分析，看看每个小活动单独影响面，从而判断对于众多子活动到底是增还是删。（如下图）
吐槽归吐槽，可能有的业务部门真的不会定目标……这时候就得认真教他们。
从本质上看，业绩是做出来的，不是算出来。事前定目标只是为了更好激励自己行动，促成更好效果。真正需要复杂分析的是事后的总结，所以业务部门的完全没必要在这里背很大心理压力。
话说回来，真业绩做不好，还不是自己挨板子，何苦呢。
有一类目标要特别小心，叫“满意度”。
一般像用户数，付费用户数，销售额，销售收入，这些指标都是系统记录的，含义很清晰，拿来当目标是完全没问题的。但是“满意度”这种无法直接记录、含义不清晰的玩意，要特别小心。
首先，什么叫满意度很难扯清楚。
5星好评的算满意？那我花10元优惠券买来的好评算不算满意？先给5星又来投诉的算不算满意？不留言的算不算满意？
其次，满意度很难用系统数据量化。沉默大多数问题，导致系统只能记录到投诉、差评这种极端情况，大部分用户没有可靠的系统数据。用抽样问卷，那数据质量你懂的……
再次，满意度和销售收入、用户量这种终极目标没啥直接关系。越骂越火这种事在很多行业都司空见惯了。
这种定义不清、数据质量不稳定、容易被操控的指标还有很多，类似：NPS、品牌影响力、品牌美誉度、市场占有率（因为行业数据要第三方提供，第三方你懂的）等，事前不谈清楚口径，事后又是无休无止扯皮的地方。偏偏业务方特别喜欢写这些话“拉动新用户注册，提升品牌影响力”……这就是站着说话不腰疼了。建议有类似需求的，让他们找管市场调查的同事或者找第三方去搞，我们不蹚这趟浑水。
最终极的办法，当然是数据分析师参与到策划过程中去，一开始就给一些专业指导，帮助大家理清思路。并且还能把过去一些失败项目的数据情况分享出来，提升策划质量。
如果有机会参会的话，大家可以按以下话术，确认活动信息。
如果业务方说：没有设参照组，没有设参照期，该怎么设来问数据分析师，这样最好不过了！
我们可以结合实际情况提供专业意见，省得麻烦。
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 Pixabay，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。