对于数据分析师而言，无穷无尽的取数需求是最可怕的。数据分析师要做的是化被动为主动，做到数据真正地帮助到运营，而非被追着要数。本文结合一些场景，分享如何用数据助力运营分析，一起来看看吧。

数据分析师最怕的，那必须是无穷无尽的取数需求，这一次，面对这个需求场景，我们从被动变成主动，做到了用数据分析助力运营，直接上干货，开整！

问题场景：某电商公司，近期通过数据发现有大量用户出现添加商品至购物车但不付款（简称：加购未购）的情况，运营已针对此情况开展工作，但领导们不满意，要求数据分析组通过用户画像模型进行加购未购客群分析，提升付款比例。假设你是该公司的数据分析师，问……

问题1：你是数据分析师，你第一件事做什么？

1. 看过去3个月加购未购的数据走势
2. 建立用户画像模型
3. 进行加购未购客群分析
4. 进行付款率分析
5. 和运营聊聊他们在干啥

问题2：在本场景里，领导的需求是什么？

1. 需要用户画像模型
2. 需要客群分析报告
3. 需要提升付款比例
4. 需要改善运营工作

问题3：你在网站买东西，以下哪个最能让你下决心付款

1. 网站服务器里多了一段代码
2. 网站工作人员写的ppt
3. 你看到了新上市的爆款iphone
4. 你看到了新上市的爆款iphone且比其他地方都便宜
5. 你看到了新上市的爆款iphone且比其他地方便宜500多块钱

一、运营优化项目

数据分析之所以做了没屁用，80%是脱离实际，闭门造车的结果。脱离实际，闭门造车的根源，在于做数据的人太沉迷于数据本身，忘了真正要干啥。比如本案例场景，如果扒皮抽筋的问上边三个问题，傻子都会看明白：

• 用户只会为了一个具体价格的具体商品买单，不会为ppt、代码买单。
• 领导需要的是改善运营工作，运营工作对应的是文案、活动、页面、价格。
• 改善运营工作，得先整明白人家在做什么，到底有多少空间可以改善。
• 至于算法、模型、报告、公式、甚至数字，都是寻找改善方法的一种手段。

所以第一时间，得去找运营谈这些：

• 目前针对该客群有哪些措施
• 各项措施上线时间点
• 领导具体不满意表现注意，第一步要了解的是具体动作，至于这个动作的好坏，可以听运营解释，但是更多的要自己去分析。结合数据趋势，发现潜在机会点和问题点（如下图）：

这里沟通的技巧也很重要。

注意，在本场景里，领导们的不满已经是挂在脸上的，这时候在运营面前，要坚决表现出：“我是和你们一起想办法，我们一起把这个差交了”。这样才能争取到更多支持。

如果摆出一副：“我牛逼，你们都是傻”的态度，那就等着被人各种掣肘，最后落魄收场吧。

二、第二个关键问题

问题4：经了解，发现运营目前的做法是，按加入购物车的金额的10%派券，比如100元商品派10元，200元派20元，无差别派券。了解到这个以后，你会做……

1. 建立用户画像模型
2. 撰写客群分析报告
3. 分析付款比例曲线
4. 拆分商品转化情况

问题5：你会如何证明，你对加购未购问题产生了积极作用

1. 汇报用户画像模型
2. 汇报客群分析报告
3. 汇报付款比例曲线
4. 汇报运营效果变化

问题6：以下哪种情况，能证明新策略产生了效果（如下图）

三、破局

人的普遍心理就是：等得越久，期望值越高。特别在已经开始着急的时候，就更希望能快速见到效果。

所以在本场景里，用户画像也好，模型也好，报告也好，都对，但是首要考虑的是：多长时间见效。见效越快越好。同时，见效的方法越简单越好。因为越复杂的方法，能参与进来的人越少，意味着自己背的锅越大。

比如上一个“超精准购买模型”，除了做数据的谁都看不懂。那最后如果效果不好，势必只有做数据的自己背锅。这又牵扯到：“写多少行代码能让顾客消费”的问题。

总之，不要指望代码，要和运营并肩作战，优先丢优惠券。可能很多同学听了：见效又快又好，就觉得难办。

注意，这里“见效”也是有好几种效果的。用最简单的投入产出比概念，减少投入，增加产出，提高比率，都算有效。

所以，从一开始就不要把目标定为彻底解决问题，而是不断优化效果。这样既容易交差，又能持续见成绩。

这样梳理后，思路就清晰多了：目前的全面派券是很粗暴的做法，不同商品的利润率不一样，这么简单粗暴打折，很有可能严重压缩毛利，甚至出现负毛利产品。

同时，有些商品临近保质期，可以释放更多利润出来清货，有些商品本身利润很高，有空间再释放出来。这样梳理完，第一阶段的行动就很清晰了（如下图）：

四、迭代，持续优化效果

问题7：以下两个选择，先做哪一个？

1. 减少成本
2. 增加产出

注意，本场景，是领导已经不满意了，都找到外部门了。这种情况下，如果上来就说：“我们还要追加XXX万投入”，要么本直接喷回来，要么领导们期望值会被吊得更高，以为追加以后效果无敌好。

这两种情况都是在给自己挖坑！所以最好先从砍成本的角度入手，先砍掉一个明显负产出的补贴，释放营销费用；之后再做一些临期产品、清库存产品；之后再拿释放出来的费用贴高利润产品，把加购转化率拉高。

之后还可以持续迭代，比如高利润产品的转化率已经提高的前提下，可以做价格弹性测试，适当减少补贴，再释放一波营销费用；单品做的差不多了，可以拿释放出的利润做满减、或者交叉销售。

这些还都是单纯的在价格上做文章，数据计算难度小，又容易见效。毕竟给的是真金白银的优惠券。这样折腾下来，不但能见效，而且能拖很长时间。每个月试点，迭代四五次，至少也能拖个半年。这半年宝贵的时间，可以拿来为“人工智能算法推荐”“大数据用户画像洞察”做数据积累，也能争取到充足的时间训练模型。

在价格玩的差不多的时候，就能自然续上，效果持续优化，人人开心。比一开始憋大招，憋半年然后屁用，没有灰溜溜的走人，要强的多（如下图）。

有的同学会问：这个场景里，是运营先做了全面补贴，之后再优化，所有有砍负成本的空间。如果运营只是试点了一个小群体，结果没做成，需要优化，又该怎么做呢？

这是个好问题，特别在小范围MVP测试的时候，样本本来就少，有需要分析各种情况，咋办？