数据分析终极一问:多影响因素下,到底如何归因?!

CrazyPM产品经理社区  阅读数  54  2021-07-15 18:24:43

编辑导语:在数据分析领域中,面对多因素归因总是很难分析的。尤其是在临近年底,面对各大岗位的人,都会跑来喊你量化一下,那该如何量化啊?

数据分析终极一问:多影响因素下,到底如何归因?!

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。特别是临近年底,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、车子可能思考的多一些,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)

数据分析终极一问:多影响因素下,到底如何归因?!

之后,就可以分门别类进行分析考察。

1. 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,即使所有宣传都带连接,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。

数据分析终极一问:多影响因素下,到底如何归因?!

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。

2. 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)

数据分析终极一问:多影响因素下,到底如何归因?!

3. 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。

数据分析终极一问:多影响因素下,到底如何归因?!

4. 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)。

数据分析终极一问:多影响因素下,到底如何归因?!

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。

就比如看似最简单的:自然增长率怎么算,到底咋算才能让业务部门服气呢?有兴趣的话,关注接地气学堂公众号,我们下一篇分享哦。

#专栏作家#

接地气的陈老师,微信公众号:接地气学堂,CRAZYPM产品经理社区专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

本文原创发布于CRAZYPM产品经理社区。未经许可,禁止转载

题图来自Unsplash,基于CC0协议。

 

赞助商推荐:数极客是新一代用户行为分析与数据智能平台,支持用户数据分析运营数据分析留存分析路径分析漏斗分析用户画像SEM数据分析等16种分析模型的数据分析产品,支持网站统计网站分析APP统计APP分析等分析工具,以及会员营销系统A/B测试工具等数据智能应用,支持SAAS和私有化部署,提升用户留存和转化率,实现数据驱动增长!

 

【独家稿件及免责声明】本站原创文章如需转载请联系我们,未经书面许可禁止转载,本站转载文章著作权归原作者所有,如有侵权请通过邮箱editor@kaifou.com联系我们。

增长工具