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？
问题2：在本场景里，领导的需求是什么？
问题3：你在网站买东西，以下哪个最能让你下决心付款
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：
所以第一时间，得去找运营谈这些：
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。
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……
问题5：你会如何证明，你对加购未购问题产生了积极作用
问题6：以下哪种情况，能证明新策略产生了效果（如下图）
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）：
问题7：以下两个选择，先做哪一个？
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？
专栏作家
接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自pexels，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
关注微信
