数据分析领域有几个经典的终极难题。多影响因素归因，绝对是其中最让人头大的。特别是临近促销旺季，品牌、售后、客服、供应链、运营、产品、商品管理都会跑来，问：“今年业绩不错呀，那么问题便来了：今年公司多赚的10个亿，到底几个亿归功于品牌，到底几个亿归功于供应……请量化分析一下，谢谢”。
那么，到底该怎么分析呢？今天我们详细讲解一下。
一、多影响因素归因的表面
为啥这个问题是终极难题，只要做一个实验，马上便知道。
同学们可以亲自试试哦
第一步：请闭上眼睛
第二步：回忆淘宝里最近买的一件商品
第三步：在脑海里回忆该商品的名称、包装、价格、品牌、客服小妹声音……
第四步：睁开眼，告诉自己：我为这个商品付费的XXX钱，其中有X%是付给名称，X%付给包装，X%付费给商品上blingbling的广告，X%付给快递叔叔……
答得出来不？
不但很难答出来，估计很多同学连最近买的是啥都不记得了。
消费者不是所有消费都理性。
消费者不是所有商品都重视。
商家提供的品牌、服务、产品本身就是一个整体。
因此站在消费者角度，这个问题从源头上就不成立。特别是啤酒瓜子矿泉水一类的快消类产品。价格低，消费频次高，冲动消费多，心情好了就买点，心情不好了也买点，因此很难讲清楚。大宗耐用品，比如房子、车子可能思考得多一些，有一定概率区分出来，但是仍然很难量化到每个因素的得分（如果怀疑这点的，想象你结婚那一刻有多纠结，就秒懂了，哈哈）。
那么问题来了：为啥明知道分不清楚，各个部门还一而再、再而三要求分家呢？
这就触及到问题的本质：大家的屁股坐在哪里。
二、多影响因素归因的本质
表象上看，多影响因素归因，难在很难拆解数据。
本质上看，多影响因素归因，只是部门间分赃不均的结果。
每个部门都太急于证明自己的价值，总想努力跟业绩指标挂上联系。
特别在年底，要为部门争取奖金，要为明年争取预算，分家的冲动就更高。
因此，多影响因素归因，本质上是在衡量部门价值，这才是核心难点。
很多同学会忽视这个核心问题，用一些简单的数据方法处理。比如：把各个部门的费用设为x，把业绩设为y然后怼一个线性回归模型出来。然后把各个参数的系数视为贡献大小。且不说，这么干，首先完全误会了回归模型的含义；其次，也没有考虑分类变量和连续变量的问题。单纯就结果本身，也会被人喷死。
比如，算出来销售的系数是2，供应链的系数是1，那明年多找2倍的销售，却只提供1倍的商品，还能有这个销售业绩吗？肯定不可能啊，有枪没子弹啊！部门之间分工合作，不是简单的1+1=2的关系，这是常识。因此强行割裂部门间联系，把不同分类的部门拉在一起评价，是注定要扑街的。
因此，破局思路，在于从一开始，就应该直接否掉这种一条公式打天下的想法。从部门工作性质出发，建立科学的衡量机制，从而有效化解这种立功焦虑。
三、破局思路
想破局，首先得分清各个部门的工作类型与贡献方式（如下图）：
之后，就可以分门别类进行分析考察。
软支持类：放弃直接关联销售业绩，按需分配。
软支持的核心问题，在于不能自证清白。对于品牌宣传而言，即使所有宣传都带链接，导流到购买页面，也无法证明到底用户购买是多大因为品牌，甚至这些年爆款打法、网红带货，都在可以弱化品牌，突出产品功能和粉丝效应。
况且，至少6成以上的品牌宣传，根本连带货链接都没有（比如上市前的宣传），就更无从谈起了。客服、售后也同理，虽然顾客找上门来的时候，这两者服务很重要。但是主动发起的客户比例少，因此很难关联整体业绩。
这种不做不行，做了说不清楚效果的事，最好直接按整体业绩比例分配资源，考核自身的效果，而不是非要强行关联销售业绩。
比如根据产品生命周期/时间，配置宣传力度（如下图）宣传能达成足够市场认知，覆盖足够人数（考核点击、转发、阅读数等等）即完成任务。
比如客服、售后。根据业务总量分配资源和人力。考核本身服务满意度，服务覆盖率，从呼叫到响应的速度，严重投诉/风险事件的应对速度，等等。做好本职工作及完成任务。
硬支持类：考核。
硬支持类的考核就简单清晰很多：供给到位，损耗降低。并且追求的是峰值控制与长期水平的下降。太过计较一城一地得失，反而容易定出来很死板的流程，搞出很多乌龙（如下图）
硬拉动类：引入ABtest机制，提前预设目标。
硬拉动类，属于叠加buff的做法，因此必须事先设好控制变量，否则混在一堆因素里，事后根本无法拆分。比如事先设定好拉动的总目标，事先测试方案效果，事中余留参照组，采集过程数据，这样才能在事后做好区分。
硬拉动类是可以评估的，问题总是出在：事先不做工作，事中不留参照，不踩数据。啥都没有，事后能分析出来就见鬼了。
核心流程：建立分级机制，深入分析影响。
核心流程里，销售和产品互怼的事也很常见，但是这种互怼是可以分析出，到底过错在谁那边的。只要建立好分级机制，对渠道质量、商品属性进行打标签分析，监控过程转化率，是可以做深入分析的，因此核心流程尽量多做分析，不留扯皮空间（如下图）。
四、现实永远很骨感
以上只是理想状态下的建议，实际开工：
- 总有人想争取更多资源，大喊：“品效合一！”“心智资源！”
- 总有人认为客服售后没必要，今年再扣他点费用？（从而引发服务部门的奋起反击“老子也有贡献！”）
- 总有人喜欢夸大自己贡献，促销活动效益写的巨高，甚至比自然销量还高。
- 总有人怕被追究责任，拼命往：没有促销！没有支持！产品不给力上推责任。
所以有关“到底每个部门贡献多少，能不能具体到每一块钱里几毛几分是谁来的”的议题，永远不会停下来。
加之，总有新入行的数据分析师，认为只要怼几个数据进线性回归或者因子分析模型，就能算个参数出来让每个部门满意。所以这种来来回回扯皮的事，还会延续很多很多年，哈哈哈。
五、小结
类似的数据分析千古难题，还有很多：
- 为什么ABtest中实验有效，投产没效，到底怎么测得准！
- 自然增长率要怎么计算，才是全宇宙最公平合理的！
- 用户心智资源的开发与认知深度的变化，如何衡量！
- 销售预测，到底怎么才能预测100%精准！
- ……
每一个问题，都是表面看似数据分析，背后是人心贪婪，推过拦功。业绩好了就说是自己做的，业绩不好就甩给外部各自因素，内部各种无法量化的因素，以图自保。实在不行就说是数据分析能力不行，你咋不早点预测出来呢！做数据分析的同学们，要对这些问题有足够清晰的认知，不要轻易上当哦，剩下的几个终极难题该怎么解，以后慢慢分享。
