数据驱动决策的三个层级,你在哪一级?

大数据 数据分析
很多同学总好奇:“数据分析要怎么做,才能驱动决策?”天天总听人说:数据驱动,可现实中没见过,只见过自己写的报告石沉大海……

[[437858]]

本文转载自微信公众号「接地气学堂」,作者接地气的陈老师   。转载本文请联系接地气学堂公众号。

很多同学总好奇:“数据分析要怎么做,才能驱动决策?”天天总听人说:数据驱动,可现实中没见过,只见过自己写的报告石沉大海……

今天结合一个具体案例讲解一下,到底如何做。话不多说,直接上场景。

问题场景:某二手交易平台,其中旧货回收环节,需要人工话务员进行转化。现在计划引入智能机器人承接转化流程,领导要求把人工话务员数量砍到80%以下,问:该如何做分析?

思考一分钟

01没有数据驱动,会咋样

很多人一看题目,说这要啥数据驱动呀。不就是砍人吗,领导都要求砍80%了,直接派HR去宣读辞退要求,搞掂!

这么干行不行?理论上行。但很有可能在砍完以后发现:这机器人不中用呀!电话接不住,转化率刷刷往下掉。最后导致平台供给出现问题,直接拉低GMV。

这就是数据驱动的直观作用:验证方案可行性,避免重大损失。

02初级数据驱动

既然要验证方案可行性,那么最直观的做法,就是做测试。那么怎么测试砍多少人合理呢?最简单的方法是:先砍10%,看看机器人能接住不;再砍10%,再砍10%……这样逐步砍满80%为止。这是数据驱动的直观做法。

看起来,似乎很合理,但是隐藏一个问题:砍10%,从谁砍起?如果好死不死,砍到了转化最好的话务员,那根本进不了下一轮测试,就会发现货又缺了,GMV又崩了……

因此,做事后验证,只是一种方式;事先分析,提前扫雷,也很重要。

03中级数据驱动

要排砍人顺序,理论上应该从最差的砍起。但这么做也有个前提:真的有人做得更好,不同层级的话务员,转化数量有明显差异。因此可以先做分层,根据分层结果,决定砍人策略(如下图)。

但是,只考虑短期(比如一个月)的表现,并不公平,很有可能一个话务员一直表现很好,只是最近一个月没有表现好。所以做分层的同时,还要加入行为分析,判断:话务员是持续好、一开始好、越来越好,还是真的随机好(如下图)。

那么,考虑到这里足够了吗?

还不够,因为只考虑了最后转化成果,并没有考虑转化率。到底话务员是怎么做出这个成果的,很重要!如果转化好,仅仅是靠大力出奇迹,疯狂打电话获得的,那照样可以用机器人代替人工话务,机器人不是更大力吗,哈哈。

但是如果真的有话务技巧,可以慢工出细活,就得考虑:到底机器人能不能达成人工的效果(如下图)。

那么,考虑到这里足够了吗?

还不够,因为并没有考虑线索类型。如果不同种类的线索,转化率差不多,那自然可以直接替换。

如果有些线索就是天然的转化好,有些怎么做都不行,那么就得考虑:天然好,是因为线索本身就容易转化,还是话务员服务很得心应手。到底机器人能不能承接住这些线索。(如下图)

经过这么多层分析,可以探索出:到底影响转化率的原因是什么?

1、是话务员个人素质?

2、是话务员熟练程度?

3、是话务员拼命拨号?

4、是线索本身质量优秀?

这样的区分,对于解释为什么机器人替代人工以后,转化率不会掉,有重大帮助。从而避免了在测试的时候,只看到结果涨涨跌跌,无法解释原因的。这样利用多维度综合分析,在事前能清晰评估形式,从而避免盲目测试。

04高级数据驱动

假设在事前分析中,已经能锁定:和话务员个人素质/熟练程度没关系,主要看线索本身的质量。此时可以推动下一步测试。因为机器人转化效果未知,因此可以从好线索/坏线索中,各自抽样本做ABtest,测试机器人替代人工的效果(如下图)。

注意:不同的测试结果,会影响进一步的策略

如果真的是机器人全面占优,自然可以直接替代(甚至连20%都不用留)

如果机器人全面占下风,则说明算法还需改进,只能暂缓计划

如果机器人对优质线索转化差,对普通线索转化好,则可以分工合作,人工做优质线索,机器人做差线索。由于原本转化差的线索由机器人接手,机器人是不知疲倦的,因此完全可以搞“机海战术”,通过大量的机器人接单,提升需求响应速度,靠走量取胜。

如果机器人更适合转化优质线索,转化普通线索更差,则完全是另外的局面:因为压缩人工是势在必行的,不可能通过添人手来转化普通线索。

因此,此时的策略,是调整算法训练方向。针对特定来源/商品类型/交易金额的普通线索,提升转化率。有可能的话,单独开发一套算法,以最终实现降低人工工作(如下图)。

之所以称之为:“高级”驱动,是在此时,后续策略已经完全由数据表现而决定。即使大家有各种想法,最后以数据为准绳,根据数据变化做判断,已经实现了数据驱动最高级阶段,不必再做事后诸葛亮。

05小结

通过数据驱动决策,靠的是体系化的分析,而不是一个神威无敌大将军模型,摸一下摸出100%精准结果。事前预判、事中监控、事后复盘,缺一不可。

并且,决策依据,是可量化的数据结果,而不是“我以为……”“他就是……”“老夫从业十年……“我看别人都这么干”“我在大厂的时候都是这么干的……”我们设定好量化的判断准则,根据数据结果优化决策。

只是,实现这套方法论,不但需要数据分析师有耐心,做细致的工作,更需要业务方积极配合,有足够的耐心和活跃的思路,尝试多种可能性(而不是简单地一刀切),这样共同努力,才能实现最好的效果。

并非每个厂子都有这么好的氛围,所以大家能保底做到的,就是事先分析的时候多做一些尝试,试着接近真相,这样才能提升个人分析能力,与大家共勉。

 

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2021-06-28 17:30:53

数据分级模型

2022-11-15 11:46:17

2018-03-19 10:00:26

IT工程师等级

2012-06-06 11:29:15

2012-06-06 09:30:07

2013-07-23 10:24:00

2022-03-23 10:25:39

IT基础设施医疗保健

2015-10-12 17:20:21

产品设计层级

2023-03-16 15:13:41

缺失值据集中数据分析

2012-12-19 10:25:48

2012-12-31 09:50:37

2021-04-21 11:12:09

CIO大数据数据驱动

2019-08-12 11:18:12

机器学习数据集模型

2022-07-21 18:51:13

性能优化

2023-10-07 18:03:18

Code插件WSL

2021-12-07 14:49:39

数据驱动生态系统数据分析

2009-09-21 17:09:38

Hibernate C

2021-10-29 21:26:39

前端引擎层类型

2013-12-09 09:39:26

移动互联网云计算

2022-04-14 14:09:25

数据治理数字化转型工具
点赞
收藏

51CTO技术栈公众号