数据分析，如何驱动业务增长-数据驱动业务增长

“数据分析要助力增长!”是很多公司的要求。然而实际执行的时候，很多同学都犯了难。看起来每天的工作就是在计算数据，这还能咋增长?有些案例讲ABtest，可版本是产品出的，裂变活动是运营做的，我只是算了一个数据呀。

今天详细给大家解答一下，到底怎么做能实现增长。

问一个灵魂拷问：业务为什么会增长?想要增长，首先业务本身不能做得太烂，其次，业务得有足够的发展空间。

在这两个前提下，产生了四种增长的底层逻辑：

一张图可总结如下：

那么，下一个问题就来了：在这个过程里，数据分析能做什么?

问第二个灵魂拷问：没有数据，业务真的就不能做吗?当然不是，没有数据业务照做。你看历史上都是这么做过来的，历史上打仗都是“敌兵无数，杀敌无算”，历史上做饭都是“少许、适量、些许、片刻”，没有数据是完全可以做业务的——只是不知道做得咋样而已。

紧接着就是第三个灵魂拷问：

你更喜欢“敌兵无数”还是“敌兵500人”

你更喜欢做饭“放少许盐”还是“5克盐(盐罐配勺的一勺盐)”

你更喜欢办事情“你再稍等片刻”还是“等15分钟就好”

每个人都更喜欢精确的判断，清晰的结果，喜欢可视化的过程。而这些都是数据发挥的作用。

所以，想做好数据助力，从一开始就得清晰思路，不是指望数据分析师提出一个超厉害的活动策划案，超牛X的产品原型图，而是用数据精确判断、可视化过程、检验结果。最好以产品化形式输出。这样给所有作战部队配地图、配雷达、配无人机，从而提升整体作战能力。

有同学开始犯嘀咕了：追加投入，这个业务也会要钱呀，给我50万我做200万，给我100万我做400万嘛。这个还需要分析?

这个真需要分析。因为投入本身涉及好几个类型(如下图)，每个类型的投入都能增加产出。

而销售是一个牵一发动全身的动作，投入方向不对，很容易遭遇瓶颈。常见的，比如：

所以，即使一个简单的：追加投入。都得综合考虑多个因素：

这里每一步计算，都需要若干小分析点支持。比如目标市场潜力，要考虑目标用户基数、目标用户购买力、竞品渗透情况、本品牌已覆盖用户比例，这里需要行业分析的手段支持。而营销活动增量效果，又得考虑非活动下产出水平，活动叠加效果，活动对未来需求挤兑效果，活动带来薅羊毛效应(如下图)。

因此，大量的分析工作是必不可少，可不是”给我50，我做100”这种简单拍脑袋。

从现有业务中找出标杆/找问题，这套方法是很多同学熟悉的。

问题是：区分出好坏以后，又该怎么操作?

对于标杆而言，要解决的核心问题是：标杆是否真的可以复制。

想判断可复制性，首先得对标杆做生命周期分析+特征分析

站在生命周期角度：

站在特征角度：是否只有特殊位置/特殊类型商品/特殊生理特征的人，才能够成功。这些情报的收集工作是非常重要的。需要回顾历史数据，收集市场信息，收集历史业务动作。对门店/商品/人打标签，才能做到充分的分析。

问题分析，在找到问题点以后，重要要解决的是：问题是否可被克服。短期内，很有可能许多问题无法改进。因此，是否有问题改进计划，具体改进了哪一点，改进以后效果如何?要做详细的数据记录，这样在多轮次对比中，才能解答：问题是否可被改善。如果能改善，就突破瓶颈，如果不能，得考虑绕开。

什么是新机会点?

这些都是潜在的机会点。想找出来并不困难，分层分析+同期群分析就能看出来。

问题的难点是：找出来以后，又怎样?新机会点真的有可能做大吗?现有手段真的管用吗?做大以后是不是利益就被摊平了?统统不知道。所以还是需要更多深入分析。

这里，业务已有策略和没有策略，有两种做法。如果已有策略，则直接监控效果，观察是否越做越大，是否有边际效益递减即可。如果没有策略，则得结合历史情况，做充分的机会洞察。以发现某个用户群有机会为例，得看：

有足够的潜力基数+高响应的商品/活动，才能支撑起“机会点”，如果没有，只能交业务考虑，是否安排测试方案，从测试效果做起。

综上可见，真的想驱动业绩提升，需要数据分析围绕“增长”这件事，鞍前马后做大量辅助工作，结合行业数据，历史数据，当前表现，测试结果，真正解读出增长的关键，积累经验/教训，才能实现。

而很多公司里，所谓数据分析，就是简单地计算个渠道ROI，用城市/门店和销售额做个交叉，看一下谁高谁低，那肯定没啥用。