數據分析師最怕的，那必須是無窮無盡的取數需求，這一次，面對這個需求場景，我們從被動變成主動，做到了用數據分析助力運營，直接上干貨，開整！
問題場景：某電商公司，近期通過數據發現有大量用戶出現添加商品至購物車但不付款（簡稱：加購未購）的情況，運營已針對此情況開展工作，但領導們不滿意，要求數據分析組通過用戶畫像模型進行加購未購客群分析，提升付款比例。假設你是該公司的數據分析師，問……
-
看過去3個月加購未購的數據走勢
-
建立用戶畫像模型
-
進行加購未購客群分析
-
進行付款率分析
-
和運營聊聊他們在干啥
先思考這道問題。如果這個題目想不明白，那思考下個題目
-
需要用戶畫像模型
-
需要客群分析報告
-
需要提升付款比例
-
需要改善運營工作
先思考這道問題。如果這個題目想不明白，那思考下個題目
問題3：你在網站買東西，以下哪個最能讓你下決心付款
-
網站服務器里多了一段代碼
-
網站工作人員寫的ppt
-
你看到了新上市的爆款iphone
-
你看到了新上市的爆款iphone且比其他地方都便宜
-
你看到了新上市的爆款iphone且比其他地方便宜500多塊錢
數據分析之所以做了沒屁用，80%是脫離實際，閉門造車的結果。脫離實際，閉門造車的根源，在于做數據的人太沉迷于數據本身，忘了真正要干啥。比如本案例場景，如果扒皮抽筋的問上邊三個問題，傻子都會看明白：
1、用戶只會為了一個具體價格的具體商品買單，不會為ppt、代碼買單。
2、領導需要的是改善運營工作，運營工作對應的是文案、活動、頁面、價格。
3、改善運營工作，得先整明白人家在做什么，到底有多少空間可以改善。
4、至于算法、模型、報告、公式、甚至數字，都是尋找改善方法的一種手段。
注意，第一步要了解的是具體動作，至于這個動作的好壞，可以聽運營解釋，但是更多的要自己去分析。結合數據趨勢，發現潛在機會點和問題點（如下圖）
這里溝通的技巧也很重要。注意，在本場景里，領導們的不滿已經是掛在臉上的，這時候在運營面前，要堅決表現出：“我是和你們一起想辦法，我們一起把這個差交了”。這樣才能爭取到更多支持。如果擺出一副：“我牛逼，你們都是傻逼”的態度，那就等著被人各種掣肘，最后落魄收場吧 。
問題4：經了解，發現運營目前的做法是，按加入購物車的金額的10%派券，比如100元商品派10元，200元派20元，無差別派券。了解到這個以后，你會做……
-
建立用戶畫像模型
-
撰寫客群分析報告
-
分析付款比例曲線
-
拆分商品轉化情況
先思考這道問題。如果這個題目想不明白，那思考下個題目
問題5：你會如何證明，你對加購未購問題產生了積極作用
-
匯報用戶畫像模型
-
匯報客群分析報告
-
匯報付款比例曲線
-
匯報運營效果變化
先思考這道問題。如果這個題目想不明白，那思考下個題目
問題6：以下哪種情況，能證明新策略產生了效果（如下圖）
人的普遍心理就是：等得越久，期望值越高。特別在已經開始著急的時候，就更希望能快速見到效果。
所以在本場景里，用戶畫像也好，模型也好，報告也好，都對，但是首要考慮的是：多長時間見效。見效越快越好。
同時，見效的方法越簡單越好。因為越復雜的方法，能參與進來的人越少，意味著自己背的鍋越大。
比如上一個“超精準購買模型”，除了做數據的誰都看不懂。那最后如果效果不好，勢必只有做數據的自己背鍋。這又牽扯到：“寫多少行代碼能讓顧客消費”的問題。總之，不要指望代碼，要和運營并肩作戰，優先丟優惠券。
可能很多同學聽了：見效又快又好，就覺得難辦。注意，這里“見效”也是有好幾種效果的。用最簡單的投入產出比概念，減少投入，增加產出，提高比率，都算有效。所以，從一開始就不要把目標定為徹底解決問題，而是不斷優化效果。這樣既容易交差，又能持續見成績。
這樣梳理后，思路就清晰多了：目前的全面派券是很粗暴的做法，不同商品的利潤率不一樣，這么簡單粗暴打折，很有可能嚴重壓縮毛利，甚至出現負毛利產品。同時，有些商品臨近保質期，可以釋放更多利潤出來清貨，有些商品本身利潤很高，有空間再釋放出來。這樣梳理完，第一階段的行動就很清晰了（如下圖）
注意，本場景，是領導已經不滿意了，都找到外部門了。這種情況下，如果上來就說：“我們還要追加XXX萬投入”，要么本直接噴回來，要么領導們期望值會被吊得更高，以為追加以后效果無敵好。
這兩種情況都是在給自己挖坑！所以最好先從砍成本的角度入手，先砍掉一個明顯負產出的補貼，釋放營銷費用；之后再做一些臨期產品、清庫存產品；之后再拿釋放出來的費用貼高利潤產品，把加購轉化率拉高。
之后還可以持續迭代，比如高利潤產品的轉化率已經提高的前提下，可以做價格彈性測試，適當減少補貼，再釋放一波營銷費用；單品做的差不多了，可以拿釋放出的利潤做滿減、或者交叉銷售。
這些還都是單純的在價格上做文章，數據計算難度小，又容易見效。畢竟給的是真金白銀的優惠券。
這樣折騰下來，不但能見效，而且能拖很長時間。每個月試點，迭代四五次，至少也能拖個半年。這半年寶貴的時間，可以拿來為“人工智能算法推薦”“大數據用戶畫像洞察”做數據積累，也能爭取到充足的時間訓練模型。
在價格玩的差不多的時候，就能自然續上，效果持續優化，人人開心。比一開始憋大招，憋半年然后屁用，沒有灰溜溜的走人，要強的多（如下圖）。
有的同學會問：這個場景里，是運營先做了全面補貼，之后再優化，所有有砍負成本的空間。如果運營只是試點了一個小群體，結果沒做成，需要優化，又該怎么做呢？這是個好問題，特別在小范圍MVP測試的時候，樣本本來就少，有需要分析各種情況，咋辦？有興趣的話，加入我的知識星球，我們一起深入討論。
