“你做的數據分析，一點都不落地！”

“除了寫數字，能不能有落地建議！”

“看了數，所以呢？要干啥？”

這一類抱怨，經常在辦公室響起，讓做數據的同學很郁悶。到底咋做算落地？今天通過一個例子，系統講解一下。

問題場景：某大型售后連鎖服務商，同時承接廠商、企業、個人的服務需求，由客服接需求以后生成工單，分配給自營的服務點或外包的服務商，上門完成服務。

現在已定下，北極星指標是：實際完成工單件數，問：如何做進一步落地分析。

數據落地的常見錯誤

很多同學一看到問題，就說：老師，這題我會！工單=需求數*轉化率嘛，既然要提高完成工單件數，那要做的就是，把需求數和轉化率兩個指標：

搞高！

所以數據落地的方式，就是：

一要多簽廠商客戶

二要多簽企業客戶

三要做大個人流量

四要提高客服效率

五要加強上門管理

六要提升師傅技能

你看，這建議多具體，多落地……

額……

首先，這么說確實沒錯，確實這些指標要搞高，確實這六條都是建議，問題是：這些都是正確的廢話，即使不做數據分析師，大家也“早就知道了”，那肯定要搞高呀，還能搞低不成。

從數據推導業務落地行動，核心是：輕重緩急。通過數據分析找到哪里是重點，哪些是輔助，這才是數據計算的價值。如果不加計算，那人人都知道這也要加強，那也要加強。

第一步：梳理業務流程

想落地第一步，就是停止在數據層面坐而論數，就數論數。數據到底從哪個業務流程里來，又受哪個流程影響，得先理清楚。業務層的梳理，一般由粗到細，剝洋蔥般層層深入。比如本案例中，雖然涉及業務的角色很多，但以客服收到線索為界限，可以劃分為：需求/供給（如下圖）。

圖片

目標是提高完成工單數量，第一級要做的輕重緩急判斷，就是：需求/供給是否匹配。

僅看單個月份/整體供需情況，可能有三個狀態：

• 需求≥供給
• 需求=供給
• 需求≤供給

第一級判斷，決定了后續落地方向：

• 需求≥供給，提升供給能力
• 需求=供給，持續觀察/降低供給成本
• 需求≤供給，發展客戶，擴大需求

這就是V1.0的落地建議。注意，真實建議不會給得這么口語化，而是經過計算的：

圖片

這一步看起來簡單，其實也暗藏玄機：怎么判斷到底哪頭大？

第二步：樹立判斷標準

判斷標準，絕不是讓老板拍個腦袋那么簡單。需求≤供給相對容易觀察，比如售后師傅人均工單數少、平均工資低、人員流失多等等。

但需求≥供給，很有可能是沒有數據記錄的。比如個人客戶打電話進來，結果約不到師傅；企業客戶打電話進來，要排隊很久才能修理，但是因為簽的是年度合同，所以一時半會不會翻臉。

這些情況都使得評估供給能力存在困難，數據不真實情況。等企業客戶流失的時候才反應過來，已經太晚了。

因此，樹立標準最好單獨做分析。比如廠商/企業客戶，需要匹配合同簽約時服務條款（比如接單24小時內處理完畢）；對個人客戶，需要看客戶發起需求后完成率，并且從完成率中，剔除客戶原因（詢價后嫌貴、上門找不到人、隨口問問等情況）才能算出來相對準確的數字。

這是尋找判斷標準的工作，建立標準工作后，還得跟各部門共識，才能達成一致認可。

這一步很重要，很多同學之所以難以落地，從第一步就是：只有數字，沒有判斷。或者判斷條件不嚴謹，導致后邊一深入，發現有很多業務上定義模糊，相互扯皮的地方。這樣自然落不下去（如下圖）

圖片

第三步：從短期到長期

注意：時間拖長，可能有季節性變化。比如特定設備在夏季/冬季使用頻率高，更容易出故障。因此基于一個月份建立標準后，可以看一整年的情況，進一步鎖定問題。

比如整體情況是：需求≥供給，但是：

• 偶爾性（1、2個月）
• 經常性（連續發生大于3個月）
• 持續性（新上/臨近報廢）
• 季節性（特定季節發生）

對應的輕重緩急也是不同的，能引導出的落地建議也不同（如下圖）

圖片

第四步：找重點、抓重點

整體情況確定以后，再看局部問題。比如在第一階段，鎖定了問題來自：供給端，就是供給不夠，那么該怎么進一步分析呢？

首先，業務有三條線，三條線誰是重點，要先區分出來。因為廠商/企業這種toB類客戶和toC類個人用戶，是根本兩個發展思路，不僅當前在工單總數中占比不同，而且對未來發展重要性也不同，很有可能toB才是公司生命線。

在不同重要性影響下，即使當前數據相同，對未來發展的判斷也可能是不同的，要先做判斷，再往下細看（如下圖）

圖片

第五步：從整體到局部

其次，售后服務是分區域交付的，因此哪個區域特別嚴重，哪個區域例外，再分出來。這個相對容易理解，每個區域的客戶需求，門店/師傅配置都不同，很可能邊遠地區還是二次外包出去的，因此鎖定問題點，也有助于：抓大放小，先解決問題突出的地區。

這里又有策略上差異：如果真看到某個地區需求特別旺盛，且都是外包在做，很有可能會選擇“更換掉外包，自己設一個服務點”而不是“該外包需保持業績發展趨勢”。

在落地上，從來都不是哪個指標好了就保持，也不是哪個差了就改進的，很有可能有第三選擇。

圖片

第六步：從局部到細節

最后，售后服務是分2個環節執行的，到底是客服派單慢，還是售后執行差，再分出來。

這個分解最為復雜。因為客服派單派不出去，很有可能是因為該區域/該大客戶服務團隊的工作已經飽和了，或者是因為節假日等正常原因，或者是因為在等零件調貨等客觀原因，所以不拿到接到單以后的服務團隊/配套情況/節假情況等明細數據，很難說清楚到底是派單員的問題，還是服務的問題。

在考慮落地方案的時候，越細節的問題，越放在后邊解決。因為很有可能落到特別細的細節以后，你會發現根本沒有數據……手頭有啥數據就用啥，這也是分析的基本原則。

第七步：從數據到管理

面對細節數據缺失，可以用管理手段配合數據建設。比如要求客服在首次接單且售后無異常的情況下，接單30分鐘內完成分配，有異常就人工反饋標注。

還可以提前對各地區配件數庫存進行檢查，提前標注缺貨標簽，這樣分析的時候，能區分哪些因為等配件而延遲。還可以要求服務師傅上門前/服務完成后進行系統打卡登記，這樣統計師傅在崗情況，從而反推是否師傅已飽和。

注意，這些管理手段本身對業績也是有幫助的。可以提前發現配套問題，可以監控一線行為獎勵多勞多得，可以及時發現有增長潛力的地區。

所以，用這些業務上利益點做誘餌，是可以推動管理手段落地的，進而達到采集數據的目的，從而一舉兩得。如果沒有好的管理手段，很有可能數據都采集不上來，自然也無法落地。如果沒有業務上利益點，即使高層強力介入，強行把軟件推下去，業務不配合、亂填一通，數據還是一塌糊涂。

小結

想把數據落地，就是這樣一步步從粗到細，剔除各種異常，擊中要害，最后靠和管理手段結合落地。

而不是簡單地：

1、哪個指標低了就搞高

2、哪個指標高了就保持

也更不是出一套“神威無敵大將軍模型”就能搞掂的。比如有的同學一看：誒呀！有客服派單！立馬條件反射般：我們效仿滴滴/美團，建立人工智能派單模型。

那個，這是售后業務耶，機器的損壞率可不會像打車/外賣一樣天天持續，需求就那么多。且上門還牽扯配件問題，哪里能隨便亂套。所以想做的細，就得深入業務流程，耐著性子剝洋蔥。