快好知 kuaihz

9张图揭秘:优秀的数据分析项目,这样做

今天来讲一个优秀的数据分析实战案例,全文硬核干货,大家做好扶稳慢慢看哦。

问题场景:某互联网大厂TOB业务线,可以向平台商家提供SaaS/Paas类服务,但苦于销售水平不高,沟通话术质量不佳,转化率不足;现计划做话术培训,提升客户转化率。

一、原始模型

最简单的做法,定义话术A,话术B,俩版本。直接看转化率,哪个高了用哪个就好了!(如下图)

那么,这么做有啥问题不?

二、高级建筑

最简单的做法,可能有几层问题

问题1:未考虑销售本身的影响;有可能销售本身能力强,所以才卖得好;因此,需要针对不同层级的销售,比如S级、A级、B级、C级,单独分析话术效果。

问题2:未考虑客户的影响;有可能特定客户就是容易成交,因此需要区分客户等级,比如VIP1,VIP2,VIP3,分别看效果。

问题3:未考虑话术实际影响大小;有可能有的客户就是说啥都行,有的客户不管说啥都没用,只看价格;因此要做交叉测试,找到能受话术影响的客群(如下图)。

最后,得到的结果可能如下图,为每一类销售,每一种客户配置合理的话术,最大化产出。

三、第一层地基

问个简单的问题销售的SABC级别是咋来的?

既然有分级,那么得有判定标准。

而构建判断标准本身,就是一个大工程。

比如:

是否业绩表现好的,就是好销售

意向、签约、回款、复购,哪个方面能证明他是好销售

以上四个方面,每个都至少有数量和金额两个指标……

如果选签约和回款,两个指标交叉就是一个矩阵,怎么定义好?(如下图)

如果是三个指标呢?如果是四个指标呢?

以上所有问题,都有的一番纠结,才有产出。

现在简化问题,假设就考察签约金额。签约金额高的就是好销售,那么问题又来了:考察多长时间内的表现?一加入时间维度,新的纠结又开始了:

比如:

考察1个月算不算数?3个月?半年?

考察1个月,这个月好,下个月不好,到底算不算好?

考察3个月,是考察总量,平均值,还是单月达标次数?

考察6个月,稳定性好,越来越好,先好后差的,要不要作区分?(如下图)

以上所有问题的处理,都是为了得出一个简单的业务员分级标签。

同样的问题,在客户那里也存在,一模一样的纠结。

比如评定客户等级:

考察哪些指标?

考察多长时间?

指标到什么水平算好?

考察期波动怎么处理?

在未签约前要不要做预测?咋预?

要不要在签约进度中修正预测?咋修正?

都分析清楚了,才能有准确的客户评级,特别是售前评级。

正是因为以上工作太过纠结。所以衍生出3种常见的处理办法:

从简单到复杂:先做单指标分类,再慢慢加,迭代几次。

先抓典型再总结:比如先让业务方标注几个正样本,然后研究他们的特点。

从结果倒推:比如业务方KPI是签约额,那为了达成这个目标,得做到多少。

每一种方法都有各自的工作办法,这里先不一一展开。只是为了让大家感受到:为了获取一个准确的分类,需要劳民伤财的大量工作,不然你就只能做最简单的,充满bug的模型。

然而,就算这样,问题解决了吗?

四、第二层地基

问:话术A 这个分类又是怎么来的?

实际上销售卖东西很少只说一句话,特别是toB类销售,前前后后得说很多东西。

这里至少有四个部分:

开场问候:开场寒暄,引入话题

产品介绍:主动介绍产品特点,优势,对客户的好处

问题答疑:针对客户的问题,解答客户疑惑

促单话术:催着客户赶紧下单

这里又衍生出来两个问题

第一, 这四个部分的话术如何分类,上标签,加入到分析之中。

第二, 如何知道销售说了什么。

针对问题一,话术本身如何打标签,如何分类。可以做以下动作:

产品介绍的版本

客户问题点:功能、价格、体验、案例、系统接口

促单的话术分类:按项目进度、按优惠、按资源控制

总之,有了这些扎实的基础工作,才能有最初的话术A这一个分类标签。这是比较好处理的。

问题二,更纠结。

五、第三层地基

针对问题二,核心在于:数据怎么采集。

如果有SCRM系统,那么交易流程可以系统化实现,可以一定程度补足数据,比如展示了哪些案例(产品介绍环节)调用了哪些资料(问答环节)查询了哪些优惠(促单环节)。

如果没有系统支持,那就只能从其他行为反推,比如销售培训,比如销售策略,比如申请体验demo类型、数量,比如申请的优惠。

那么,又衍生出:

销售培训记录,培训类型标签库;

销售策略记录,策略分类标签库;

申请demo记录,申请类型标签库;

价格申请记录,产品价格折扣标签库。

没有这些记录和标签,整个销售过程处于失控状态,一不知道干了什么,二关联不到工作结果,根本无法深入分析。总之,一有记录,二有标签,这样分析起来才得心应手。

六、经验小结

如果孤立地看怎么找一个好的话术,似乎在地表建筑阶段,就已经做得很完美了;可实际上,如果脱离了下层大量的地基建设,再华丽的地表建筑也盖不起来。

整个流程串起来,就是用一个庞大的体系,解决了一点点业务上问题;虽然工作量大,但是它真的有效(如下图):

注意:这套体系搭建完了,可以起个很好听的名字,比如CST模型(Customer Success Test),配合架构图听起来也是很唬人的。

七、常见问题

为啥实际工作中很难做出有用的分析?本质在于:缺少基建,脱离业务。

做数据的同学,过于指望统计学、算法本身,缺少基础业务标签建设,缺少受业务认可的标准结果,不会推动业务去改善流程,多收集数据。

做业务的同学,忽视流程对数据的影响,不重视流程规范与数据采集;以为数据是天上掉下来的,对数据建设漫不经心,却指望一个“来着头腾阿公司的大神”一炮搞掂。

两者一结合,就是盲人骑瞎马。实际情况是:

就只会拿着交易结果做交叉,然后无脑输出:

甲行业话术A转化率高14个点

乙行业话术B转化率高5个点

……

销售部门来质疑“到底是销售本身不行、还是话术不行、还是产品不行、还是促销力度不够、还是外界因素?”的时候,一个问题都答不上来。最后只会颤颤巍巍地:“我们找几个销售调研下???”

八、场景扩展

有同学可能会说:销售过程本身数字化难度大,如果是线上交易就容易了,每一步都有数据记录呀。是滴,线上交易是有数据记录,是能画出转化漏斗,可真遇到最后转化率不高,咋分析?

要不要对推广渠道评级?

要不要预估各渠道响应率?

要不要对推广内容打标签?

要不要对CTA动作打标签?

要不要对转化产品打标签?

要不要对推送客群打标签?

这些都是同样的基础建设。这些东西不做,遇到最终转化率低,运营来质疑:到底是渠道本身不行、还是文案不行、还是产品不行、还是促销力度不够、还是外界因素?

又是只会拿着渠道类型,客户类型和转化流程拉交叉表。

又是只会叨叨:“因为第三步转化率低了”。

又是颤颤巍巍的:“我们找个用户调研下?”

所以呀,漏斗图和漏斗分析是两码事。做漏斗图容易,做漏斗分析,就得认认真真设计思路,做好基础,排除杂糅因素。

很多同学问:有没有比漏斗模型更高级的分析方法,其实只要做得好,漏斗图分分钟变成UJM模型。

本站资源来自互联网,仅供学习,如有侵权,请通知删除,敬请谅解!
搜索建议:数据分析  数据分析词条  揭秘  揭秘词条  优秀  优秀词条  这样  这样词条  项目  项目词条