场景还原：
某互联网企业的B2B商务拓展团队，主要通过电话销售联系潜在客户，外呼名单管理混乱，只有客户企业名称、联系电话两个字段，销售成功率极低，且团队管理混乱，只记录成交金额，没有对未成交原因做记录，也没有跟进记录。业绩完成差，团队流失严重，领导很着急。
问题一（选择题）
你是这个企业的数据分析师，此时你会：
A、在月报里认真分析成功率低原因，写20页整改建议
B、月报只列数字，等着他们来找你谈合作
（题目简单，思考一秒钟）
经过上一篇的教育，大家都选B。是滴，这个场景里的问题根本是业务管理混乱导致的，数据能帮上忙就见鬼了。
如果业务自己意识不到痛，只是数据分析师作为外人blablabla，根本没人理。所以不要干这种出力不讨好的事。退一步讲，即使你干了，人家听了你的建议效率提高了，也是业务独揽大功，关你分析屁事，你怎么证明他们听了呢？人家会说：“我早想到了”“你不说我也知道”。
所以最好的策略是等他们来找，立项目，比如叫“销售业绩提升项目”成立项目组，发邮件告知老板们正式开工，Ok，走起！
问题二（判断题）
现在团队领导找到你，决定立项开干，你把项目目标定为“提升销售成功率”请问是对还是错？
A、对
B、错
（题目简单，思考一秒钟）
这是很多做分析的同学常范的问题：把终极目标当眼前目标。或者压根不知道业务目标是什么。只是凭感觉说：“我们是电商，所以要提GMV”“我们做增长，所以要做DAU”……
请注意：在管理混乱、数据缺失、团队跑路的情况下，指望写200行代码，出个ppt就能拉动业绩，是完全不现实的。所以要和业务领导认真谈谈，除了提升销售成功率外，还有没有二级目标可以做。
比如：
- 论证改善结果需要时间，争取时间
- 论证当前无力做改善，调低KPI
- 探索稳定团队的做法，稳定军心
- 找到一些成功标杆，总结经验
实际上，真遇到业绩不行，业务领导往往第一位想到的是要资源，第二位想到的是调KPI，第三位想到的是找案例。别人真没心思听你说：“活跃率低了，要！搞！高！”。因此，梳理目标，确定一级、二级目标，非常重要。所以这题选B。
问题三（选择题）
现在确认一级目标：提升销售成功率；二级目标：找成功销售经验。马上有人跳出来说：“你都没做过销售，你怎么分析！！！”问：怎么办？
A、通过数据分析出最佳销售方法
B、承认自己不懂
（题目简单，思考一秒钟）
这是很多做分析的同学常犯的问题*2：指望数据直接算出一个最佳方案。带着这种想法的同学往往会被人用：“你成交过几单？”“你行你上啊”打趴下。
在谈及“如何做”这个问题时，数据分析的作用不是算出最佳的方案。因为每一个成功的个案，一定有不可复制的独特优势，比如销售，有些人就是天生巧舌如簧，天生形象好让人喜欢，你不能回避这些。
数据分析的作用是：分析具体案例，区分可复制部分和不可复制部分。把可复制部分沉淀为经验，把不可复制的特征提取出来，以后找更多类似特征。
比如我们发现本地靓女做销售成交高，那就让每个城市在本地招聘高颜值闺女就好了；如果是某个特殊时间，特殊动作要做，那就让其他人复制这个操作。数据分析擅长的不是卖货，而是总结经验，寻找特征。这个题选B
问题四（看图说话）
一个月基本工资1300，每单提成250，以下两种分层哪种好用？
A、图1
B、图2
（题目稍复杂，思考一分钟）
出这个题不是考如何分层，而是考一个基本思路：根据业务需求找分类标准。比如这个例子里，有个很大的问题是：团队流失严重。可能人均订单10单、8单、4单在统计上是有区分的，但在业务上毫无区分，一个业务员不管是10还是8，都挣不够一个月的生活费,他还是会跑路。但25单可以让他挣到25*250+1300=7550的收入，对电话小哥来说很可观了。
这是数据分析与数据挖掘的一个核心区别。我们建数据模型，为的是大概率模拟现实情况，所以可以处理掉一些数据，虚拟填充一批数据，反正为的是整体效果。
做数据分析，有独特效果：能指导业务部门创造现在不存在的情况。比如业务觉得，能月入7500的骨干至少占比20%，团队才稳定，那现有的薪酬制度、操作系统、招聘流程都能改，这就打破了现状。因此做数据分析，往往更看重对业务的指导意义，找标准，要找符合业务需求的标准。此题选B。
问题五（看图说话）
还是上图，如采用B图分层，是否可锁定第一层就是业务标杆，进行深入研究
A、能
B、不能
（题目稍复杂，思考一分钟）
答：不能。因为尚不知道这些人业绩好，是持续性好、还是偶尔好。如下图所示，有可能一个月内选出来的优胜者，有四种不同走势：
注意：一般为了取数方便，我们不会一次捞所有数据。因此推进项目往往是从个案到普遍，从单月到整年，这样分步骤输出成果。一方面可以提高效率，不至于项目拖很久不见产出；另一方面，短期突发情况更容易被解读，想知道是不是真的找到规律，就得从短期推广到长期来看。
比如这个例子，我们可以从一个月表现里先选出准标杆，再看他们的稳定情况。从而解读出更丰富业务含义，建立下一步分析假设。有了分析假设，就可以继续深入，做更深的分析。
这个题目，是陈老师做内训题目之一。原题可没这么多提示，就六个字段：
1、业务员ID
2、客户汉字名称
3、客户联系电话
4、是否成交
5、成交时间
6、成交金额
很多同学看完一脸懵逼：“卧槽这分析啥啊，啥都没有。”可他真真就是很多公司现状。挂个“互联网企业”的名号，实际管理比传统企业还落后。
从解题步骤来看，只要目标设定合理，一步步做，还是可以产生很多有用结论的。哪怕最后发现，销售就是很随机的，那对于业务也是很大支持，至少以后就可劲招人好了，搞人海战术。如果能总结出一套标杆话术，当然是更理想的结果了。
而且，也不是所有数据都不能获得。比如我们真的选出标杆，他的话术、联系客户时间，跟进次数就是可以记录和补充的。基于这些分析结果，我们可以进一步推动系统升级改造。有了更好的系统，业务既能提高效率，数据也能有更多分析素材，大家都有获益。
既然提到数据采集，那么问题又来了，从哪里做起呢？
问题五（排序题）
经过第一阶段分析，业务认可复制标杆的做法，想进一步完善数据，那么下边数据数据都是需要系统支持的，优先级排序是：
A、用爬虫爬客户详细信息
B、把业务员简历录入系统
C、上CRM记录业务员操作
D、完善客户信息表让业务员填
（题目稍复杂，思考一分钟）
有多少程序员小哥是把A排在第一位的？请举手，哈哈。请注意，虽然ABCD选项都需要系统，但数据本身的获取难度、需要业务支持程度、有用性是不一样的：
简历：格式化程度最高，且不要经销售的手，被污染可能最低。
CRM数据：直接记录操作，不需要经销售的手。
信息表：需要经销售的手，得有配套管理措施。
爬虫：看似可做，可很难保证数据质量稳定性（特指本例，B2B商务数据可能很零散，不像电商销量、评论可以集中爬）。
因此从易到难，排序是B≥C≥D≥A。举这个例子，只是为了提示大家：不要因为我们是做技术的，就沉迷技术。很多技术工具需要配套制度，以保证数据不被污染。这时候要和业务通力合作，考虑技术的可用性，便捷性。有些小哥太沉迷搞数据，会把业务流程搞得巨复杂，数据表搞得太多字段，结果销售们随便应付，到头来坑的还是自己。
小结
这一篇，我们总结下做优秀数据分析项目五大坑点：
1、 没有立项，没有共识，只谈数据，没法落地
2、 直接拿最高目标当项目目标，无法完成
3、 生搬硬套模型，结果陷于数据不足动弹不得
4、 一次做的太复杂，迟迟出不了结果
5、 没有循序渐进迭代，成果至于一张ppt
想避免这些大坑，核心就是：拒绝闭门造车，结合业务需求，从低到高进化。在这个过程中，需要大量的需求洞察，沟通协作，这样才能让业务测试分析结果，最后去伪存真，推动业务进化。
这就是为啥网上“泰坦尼克”“波士顿房价”“美国某信用卡”“猫眼电影评论”一类的玩意不算项目的原因。这些所谓的网红项目，就是跑一张数据表而已。
况且很多自学者都不是自己跑这张数据表，代码都是抄网上现成的。除了打字能力（和读英文单词能力）以外，没有任何沟通、需求分析、方案制定、结果测试、迭代升级过程。虽然这些网红项目都会冠以“人工智能”“21天转行年薪百万”之类名字，但丫就是自娱自乐而已。
所谓：猛将必发于卒伍，宰相必起于州郡。好的数据分析师，不是一上来就搬弄模型，而是能从数据细节里，读出企业的问题；能基于哪怕最简单的数据基础，设计出可行方法帮助业务从低端向高端升级。这才是好的数据分析师真正起到的作用。
然而有些同学会说：老师，这个场景是业务有痛点，来找我们解决。可还有一个场景是：业务自己也不知道想要什么？然后问我们“你们要解读出来一些我们不知道，且很重要的东西”这时候模模糊糊、混混沌沌，我该怎么办？
