标签|5个步骤，用数据分析优化业务

编辑导语：结合数据分析，我们往往能更清晰地获得问题反馈，进而推动问题解决，助推产品或项目的后续迭代优化。然而，你真的知道如何利用数据分析做好业务优化吗？本篇文章里，作者就该问题做了解答，一起来看一下吧。

文章插图
“数据分析，要分析出具体业务优化点”是很多公司对数据分析师的要求，也是让很多同学们头大的问题。
【 标签|5个步骤，用数据分析优化业务】怎么从一个个数据指标里，得出一个优化结论？今天结合一个具体问题场景，系统讲一下该怎么做。
问题场景：某在线教育机构，每周会开免费的直播，所有用户预约后可以观看直播。业务方期望通过直播能提升用户的付费率。但执行了一段时间后，业务方开始纠结：到底直播报名后观看率与观看人数，对付费率有没有用？毕竟开直播也有成本，为啥总感觉开的场次多了，转化率似乎没啥提升？？
问：如何分析该问题？直播业务优化点在哪里？
一、常见错误做法很多同学习惯于数据库里有啥字段就用啥，不区分场景，不打标签，结果自然分析不出东西。比如本例，很有可能原始数据记录，就是一个名叫XXX的直播，有XX人报名，有XX人观看，没了。不深入思考的话，很有可能倾向于：

拿每日直播总观看人数&每日销量总数，做相关分析，看相关系数是多少；
拿每一场直播的观看人数&直播后购买的人，计算直播转化率，然后画一条折线图；
拿每一场看直播的人&报名了没看直播的人，分两组，计算购买率。

这样能算出三个数字，但是下结论的时候，就很容易被业务挑战：

我发现直播人数和销量相关系数0.76——所以呢！所以又怎么样？？？
我发现最近三周直播转化率在下降——废话！我早知道了……
我发现看了直播的购买率高出5%——废话！肯定高呀，所以呢？

常见的质疑就是这么来的。这些结论之所以都是废话，是因为业务看了以后，真的不知道能干啥。业务方期望听到的优化建议，是：直播还能不能做！能做的话，做多少场？做啥话题？挂啥链接？不能做的话，我要怎么解决销售问题！这才是有用建议。

文章插图
那么，如何解决问题呢？
1. 第一步：理解业务场景找业务优化点，第一步当然是回到业务本身。从教育业务本身来看：所有用户一锅炖的来开直播，就不是个很合适的行为。因为不同用户的需求完全不一样：

新注册用户：对教育机构和课程都不熟悉，需要建立信任；
已付费一次用户：如果人家刚上2节，就催着买新课，肯定没人买单；
已付费n次用户：用户已经有了学习成绩&学习进度，再推也是推进阶课程。

总之，不同的人，在教育上需求天生有差异。
很多同学看到这里，本能地会提出：分人群开展直播，效果就好啦！
这样也会被喷哦，因为理解业务场景，仅仅是个开始。
2. 第二步：分析业务痛点在提建议的时候，要避免提：“指标低了，要搞高”、“混播不好，建议分开”这一类听着合理，实则无脑的建议。
为啥？因为人不是傻子。看到指标低了，肯定会想着搞高，有精力做分散场次，肯定会想着分开做。违反常识的做法，背后一般都有隐情。要进一步梳理，先找到业务痛点再说。
从表面上看，目前的问题是：直播带来的转化效果不明显。
再深层次看，可能的问题是：直播一锅炖，缺少分类指引。
再深层地看，为啥会一锅炖，背后隐情，很可能是：

有的话题，所有人都感兴趣。比如职业发展、基础技能等等，没必要分。
直播也有成本，需要时间&制作内容。但新人获取的节奏不固定，如果针对新人做，排期很麻烦。
老用户的学习状态并没有单独统计给组织直播的同事，导致无法了解每个学习进度下，到底有多少人。
拆分人群以后，可能某些人群人数很少，转化率不足以支持单独做一场直播。
即使拆分，也不见得能提升转化率，目前没有数据证明这一点。

总之，所谓拆分，可能只是看起来很美好，实操纠结点很多。
但是，这些具体的纠结点，对数据分析来说简直是如获至宝。分析的问题越具体，越容易得结论，分析的问题越模糊，才越难出结论。有了具体痛点，可以看：如何用数据解决问题。