“数据分析，要分析出具体业务优化点”是很多公司对数据分析师的要求，也是让很多同学们头大的问题。
怎么从一个个数据指标里，得出一个优化结论？今天结合一个具体问题场景，系统讲一下该怎么做。
问题场景：
某在线教育机构，每周会开免费的直播，所有用户预约后可以观看直播。业务方期望通过直播能提升用户的付费率。
但执行了一段时间后，业务方开始纠结：到底直播报名后观看率与观看人数，对付费率有没有用？毕竟开直播也有成本，为啥总感觉开的场次多了，转化率似乎没啥提升？？
问：如何分析该问题？直播业务优化点在哪里？
01常见错误做法
很多同学习惯于数据库里有啥字段就用啥，不区分场景，不打标签，结果自然分析不出东西。比如本例，很有可能原始数据记录，就是一个名叫XXX的直播，有XX人报名，有XX人观看，没了。不深入思考的话，很有可能倾向于：
1、拿每日直播总观看人数&每日销量总数，做相关分析，看相关系数是多少
2、拿每一场直播的观看人数&直播后购买的人，计算直播转化率，然后画一条折线图
3、拿每一场看直播的人&报名了没看直播的人，分两组，计算购买率
这样能算出三个数字，但是下结论的时候，就很容易被业务挑战：
1、我发现直播人数和销量相关系数0.76——所以呢！所以又怎么样？？？
2、我发现最近三周直播转化率在下降——废话！我早知道了……
3、我发现看了直播的购买率高出5%——废话！肯定高呀，所以呢？
常见的质疑就是这么来的。这些结论之所以都是废话，是因为业务看了以后，真的不知道能干啥。业务方期望听到的优化建议，是：直播还能不能做！能做的话，做多少场？做啥话题？挂啥链接？不能做的话，我要怎么解决销售问题！这才是有用建议。
那么，如何解决问题呢？
▌第一步：理解业务场景
找业务优化点，第一步当然是回到业务本身。从教育业务本身来看：所有用户一锅炖的来开直播，就不是个很合适的行为。因为不同用户的需求完全不一样：
1、新注册用户：对教育机构和课程都不熟悉，需要建立信任
2、已付费一次用户：如果人家刚上2节，就催着买新课，肯定没人买单
3、已付费n次用户：用户已经有了学习成绩&学习进度，再推也是推进阶课程
总之，不同的人，在教育上需求天生有差异。
很多同学看到这里，本能地会提出：分人群开展直播，效果就好啦！
这样也会被喷哦，因为理解业务场景，仅仅是个开始。
▌第二步：分析业务痛点
在提建议的时候，要避免提：“指标低了，要搞高”、“混播不好，建议分开”这一类听着合理，实则无脑的建议。
为啥？因为人不是傻子。看到指标低了，肯定会想着搞高，有精力做分散场次，肯定会想着分开做。违反常识的做法，背后一般都有隐情。要进一步梳理，先找到业务痛点再说。
从表面上看，目前的问题是：直播带来的转化效果不明显。
再深层次看，可能的问题是：直播一锅炖，缺少分类指引。
再深层地看，为啥会一锅炖，背后隐情，很可能是：
1、有的话题，所有人都感兴趣。比如职业发展、基础技能等等，没必要分。
2、直播也有成本，需要时间&制作内容。但新人获取的节奏不固定，如果针对新人做，排期很麻烦。
3、老用户的学习状态并没有单独统计给组织直播的同事，导致无法了解每个学习进度下，到底有多少人。
4、拆分人群以后，可能某些人群人数很少，转化率不足以支持单独做一场直播。
5、即使拆分，也不见得能提升转化率，目前没有数据证明这一点。
总之，所谓拆分，可能只是看起来很美好，实操纠结点很多。
但是，这些具体的纠结点，对数据分析来说简直是如获至宝。分析的问题越具体，越容易得结论，分析的问题越模糊，才越难出结论。有了具体痛点，可以看：如何用数据解决问题。
▌第三步：归纳分析逻辑
业务痛点可能是很分散的，用数据进行解决，需要的是分析逻辑。一个最简单的构建逻辑的方法是：从大到小，从粗到细，先排除明显可见的问题，再追细节。
本案例中，站在数据角度，可以将以上业务痛点，总结为三大类问题：
1、现有直播，是否真的转化率不行？仅限于特定主体不行，还是都不行？
2、现有用户，是否转化率天生有差异？哪些能被直播突破，哪些不行？
3、现有产品，是否都适合直播转化，不同单价，是否有不同场景。
这三个问题能直接推导出具体优化建议。
但注意，这三个问题，可能是相互纠缠的，比如一场直播没有带货成功，可能是直播本身不行，也可能是用户没需求，也可能是产品不匹配。此时需要构造分析逻辑。
从题目来看，业务方并没有纠结用户&产品，而是从直播切入。因此构造分析逻辑的时候，也应该从直播开始，先看排除直播本身没有组织好的问题（如下图）。
其次，在教育类产品中，直播话题天生和待销售的产品有关系，但是和观看用户不一定有关系。特别是小白用户，经常分不清自己真正要学哪一块，随便看看的情况很普遍，因此第二层级可以分用户，区分新注册用户/老用户（如下图）。
这样建好了分析逻辑，可以填充数据了，但还是建议做一些准备工作。
▌第四步：进行数据准备
为了描述业务状况，经常需要使用大量的标签，很有可能这些标签并未事先准备好。因此需要做准备。
比如本案例中：
1、直播的标签（学习主题、讲师水平、适用于群体、难度）
2、用户标签（新用户/老用户，新用户的来源渠道，老用户）
3、产品标签（适合群体，价位，学习主题）
这些都需要一一准备好，这样后续分析才能有线索。
注意：很有可能业务方要分析结论要得很急，之前的基础建设非常地差，根本没有时间一一打标签。此时就要提醒业务方：不打标签的情况下，无法对问题深入分析。建议至少把一些特别重要的先打上，不然总是临时抱佛脚，就总进步不了。
▌第五步：输出分析结论
有了以上所有准备，最后一步就是数据填充，根本就是水到渠成的事。而且这样分析，能按图索骥的找到问题最明显的点，从而提出非常细致的优化建议（如下图，注意，由于篇幅限制，下图没有完整展示全部推演逻辑，有兴趣的同学可以自己补全）。
在构建分析逻辑的时候，实际上每一类用户对应的情况，已经是一个具体的业务优化点，只不过数据是最终裁判。哪一类情况出现的多，就有限解决哪一类问题。并且，出现两个因素相互纠缠的时候，也以看数据多少，选择主要问题来解决。这正是数据分析有用之处。不然千头万续，无从下手。
02小结
所以，深入业务场景，剥丝抽茧，层层论证，才能更好地得到优化点。注意：作为优化建议，一般都是从补缺的角度来提，但是补齐现有缺点，并不意味着就是最优解，很有可能有更好的点子。
