什么时候觉得，数据分析真的非常有用？ 第1页

这是一个关于公司政治和数据的故事。这两个看起来毫不相关的概念，因为数据分析的精彩而解决了公司政治的复杂。

一、新官上任三把火的前戏

2005年，我司接到某国际大公司的项目，助其规划呼叫中心战略。说是“规划战略”，其实是给新上任的呼叫中心负责人提供政治弹药。俗话说新官上任三把火，面对在线客服这种纯成本中心而不容易出成绩的部门，新来的负责人为了尽快做出令人瞩目的突破，可谓是相当激进和勇敢：誓要改变呼叫中心的流程，同时达到省成本和提体验两个本就是互相违背的目的。

他的战略是两手。其一，通过菜单优化和简化，提升IVR体验和加大IVR服务比例。

IVR（Interactive Voice Response），自助语音菜单

其二，人工服务学习欧美医疗的分诊机制，在最前端设立一个“分诊客服”，当用户第一次接触人工的时候，了解用户需求之后，迅速把用户转接到合适的IVR服务或者“专业客服”，由他们提供更专业更精准的服务。

以今天的视角来看，这位领导非常之超前，首先是用机器替代人，只不过是叫IVR，不好意思叫AI；其次是，专业化分工和流水线作业；最后，通过简化产品来提升用户体验，有那么一点苹果Home键的极简思路。但是用在12年前的这个时候，这样的超前战略布局把大部分人都吓尿了。啥？原来的上百个菜单要砍到几十个，虽然那些菜单很不常用，但是用户找不到投诉怎么搞？用IVR替代人是个什么鬼东西？专业化分工客服怎么搞，分诊客服和专业客服能配合好吗？

新领导的手下们纷纷“冒死进谏”，希望步子小点闲着蛋，可是雄心勃勃的老板雷厉风行准备立即开干。大家忧心忡忡担心各自乌纱之际，某位老江湖献计：“老板，这个锅可以让人来背嘛。我们小范围试行您伟大战略的过程中，引入一家国际知名战略咨询公司在一旁帮我们做优化和评估。首先，我们可以及时完善您的伟大战略，让伟大更加伟大。其次，如果时运不济，我只是说如果和假设，您的战略在实施过程中遇到小麻烦，那也是国际知名咨询公司都论证无误的方案，纯粹是个意外，我们也没有责任。”新领导大老板闻言大悦道，“老司机，就这么上车吧！”

以上情节和对话纯粹为脑补，如有雷同纯属意外。

于是我们咨询团队就这样被一个大合同砸中了头然后匆忙上阵。考虑到当年的那种数据基础和技术手段，我们很快就犯难了，就这点通话量等宏观数据，搞不出啥方案评估的结果来。顶多只能找市场调研公司发问卷，定性定量得问问用户体验如何，打个分和之前的服务相比如何。稍微懂行的人就知道，这个调研是一件非常扯皮的事情，存在着样本选择、问题设计以及提问引导等等各种可以随意更改最后结果的环节。而我们咨询团队的领队也是老司机，深知甲方的项目背景以及需要什么样的结论，这种海森堡测不准的事情，我们除了顺着客户说同时在其中找出几个增值点，也就算满足客户需求了。即使不顺着甲方之前的建议来说，作为我们唯一调研方案的用户调研，从方法论到实施过程都是千疮百孔，也经不起用户调查。

二、不服输的数据爱好者

眼睁睁，这个项目只好甲方乙方“沆瀣一气狼狈为奸”糊弄过去。可是可是，那些年那些兔，我还是个非常年轻的技术男，非常不甘心这样，最后站出来告诉老板：希望以市场调查为辅，以纯数据分析为主；定义可量化的目标（成本和服务质量），全程埋点监测用户路径，AB测试……这些当前看似习以为常的术语其实在12年前，许多都还没有专属名词。万幸的是，我老板是毕业于美国名校的生物大牛PhD，一听这套思路寻思联想到自己曾经搞的各种双盲测试结合，非常开放得让我一个人带着两个实习生放手去尝试，剩下的人走市场调研的老思路。

第一步是定义目标函数。

• 什么是成本，每天的话务量和客服人数都有波动，单看来电量或者接通量肯定有误差。最后是通过看单位成本来衡量，单位成本=人工服务时长／所有的有效拨叫用户量。有效拨叫用户量利用来电号码去重。

• 什么是体验，话务量和客服人数的波动会影响体验，单看等待时长或者接通率肯定有误差。最后是通过反复拨叫客服用户的占比来代表体验，因为反复拨叫客服的用户，证明第一次没有接通或者进入呼叫中心后问题没有得到解决而需要重复拨打。

指标定义清楚之后，接着按照下图把各类数据定义清楚，然后在所有可能的地方生成日志以便产生所需的数据，按照当下的术语叫做“埋点”。

在收集到含有所有这些数据的日志之后，进行数据清洗和结构化，最后建立逻辑树（Logic Tree），当然按照现在的术语叫做金字塔模型和漏斗模型。比如：人工服务总时长=人工服务单位时长x人工服务话务量，人工话务量=总话务量x（1-IVR服务比例%），总话务量=发起话务量x接通率，发起话务量=有效呼叫用户量x人均呼叫次数，等等。

绘制出用户的详细轨迹，找出整个流程的瓶颈。

绘制出按操作时间的比例分布图，对用户行为进行详细的拆解和分析。

绘制出IVR菜单的转化漏斗，对IVR菜单设计合理性进行详细分析。

最后设计分流措施，达到AB测试的结果，有纯随机流量的AB测，也有弱一些的按地域分开的AB测，方便结果之间的对比。

三、Data is the new sexy

如果说结果是无可辩驳有点夸张，但是纯数据的方式非常有说服力。一方面验证了大领导的远见卓识，一方面也从实施角度找到若干风险点帮助大领导优化执行节奏，而这些建议都是依靠传统的市场调研无法获得的。比如：

• 新流程虽然降低了平均人工服务时长，实现了大领导的重要目标，但因为分诊客服的操作不熟练，分流不精准而不能解决用户需求，让重复拨打的用户大幅提升，最终反而提升了总人工服务时长，同时降低了服务质量。对症下药就是提升分诊客服的熟练度，以及将解决用户需求的IVR菜单拆分得更原子化以便更精准得解决用户需求。
• IVR菜单根据漏斗模型来优化菜单，重点是降低菜单的宽度和深度。基于用户路径的分析，进行许多微观层面的改进而把用户来电尽可能得引导到IVR服务，比如：把占最大比例的查询话费余额放在首层菜单的首位；对一些下行比例很低的菜单进行删除或者调整；强制用户在听完第一层IVR菜单后才能跳转到人工服务等等。

最后我们的结果震撼了客户以及大老板，虽然有忠言逆耳的部分，但是在认可他的大方向的同时，又用难以辩驳的数据和方法论提出了战略执行中若干需要把握节奏和提升体验的细节，其实帮助他更好地实现其战略和收获不一样的成绩。

数据分析，让我们不用违心的人云亦云，也不用以给客户做枪的方式来获得回报，这一种很好的站着把钱挣到手的方式。

…更多文章请到数据冰山 - 知乎专栏

…更多回答请看何明科

这个问题可以说非常具体了，而我没有机灵可抖（摊手~） 只能从别的方面来讲讲数据分析怎么有用的了。

我这里有一篇共享单车的数据分析文章，讲数据分析如何解决车源调度典型场景，不知当讲不当讲 周五话分析 | 共享单车起航，数据分析跟上。

你不想点我复制过来给你看啊~

共享单车的创意 2015 年起就渐露苗头，2016 年，争夺用户的战争正式打响。五道口、望京、酒仙桥，随处可见橙色和黄色的炫酷自行车，随后永安行、Unibike，小鸣单车等全部进驻市场，某不知名互联网 er 张小红曾经说过，留给创业者的颜色有限，晚一步只能出彩虹单车了。

出色的创意来源于灵光一现，商业模式成功绝非偶然。共享单车产品背后，一张大数据网络正在迅速铺开。

▌ 共享单车车源调度典型场景

每一个人都有过遍寻街道，一车难求的辛酸经历，地铁站单车一排排，我的小区无人睬，这种用户体验简直逊毙了。为此张小红手机上安了六七个共享单车 App。这在我们互联网行当里，需要引起高度重视，当竞品出现在用户手机里，你离用（gong）户（si）流（po）失（chan）只有 36 小时（敲黑板）！

提高用户体验的背后有一座移动共享行业躲不开的大山——资源调度；改变困境不能依靠“人工扫街”，有一个说来容易做来难的方法——精细化运营。如何找到车辆缺失区域，通过数据驱动实现车源调度？神策数据分析师张小红配了一个 DEMO 场景。

车辆缺失可能有两个方面的原因：1. 车少了不够骑。2. 车坏了不够骑。影响两方面的指标千变万化，这里简单阐明几种方法。

1.对比车辆的投放量和活跃量，判断车辆投放少。

活跃量是反应车辆使用率的最直观方式，根据监测的所属片区的车辆投放量与有开始用车行为的车辆数进行对比，如果活跃量接近投放量，则该地区有车辆缺失风险，需要结合其他指标进一步观察。

图1 不同区域车辆投放量和活跃量对比图

2.根据某区域车辆平均使用次数进行判断，判断车辆投放少。

精确追踪每辆车的用户行为数据，由于共享单车通常用于解决短距离交通问题，所以可以大体定位到区域内车辆。如果A区域内，一辆车的平均使用次数是 10 次，B 区域内平均使用次数为 20，那么数据就会传达给城市经理一个信息，该区域缺车，导致同一辆车被频繁使用。城市经理通过历史投放车辆数据的对比和实际考察，可以追踪缺车情况，把控投放策略，提高用户体验。

3.根据10天内车辆不活跃数及假报修率综合解决坏车问题。

图2 10 天不活跃车辆数与假报修率概览

密切关注活跃车辆数据，通过属性分析可以观察到，该区域有哪些车辆连续n天不活跃，说明该车有可能损坏了，再根据该车辆的地理位置属性，可以定位到车辆停放位置，及时维修和补分配车辆。

同时需要警惕用户的虚假报修行为。下图是假报修率漏斗分析图，我们可以看到，红框是报修后发生结束被骑行为的车辆，毫无疑问，这些车辆被假报修了。点开下方数字，可以看到这些车辆的具体信息，方便师傅搬车。

图3 假报修率漏斗分析图

4.利用事件分析找到偏远地区的车辆，合理调配资源。

图4 偏远地区车辆分布线图

关注最后一单时间距离本次开始用车时间长达八小时以上的车辆，这些车辆没有损坏，但是可能被停在了难以寻找到的偏远地区，所以活跃率偏低，浪费了资源。公司需要对这些车辆进行人工调配，这也是一种解决其他区域缺车问题的“曲线救国”方法。

▌ 共享经济下的大数据分析

移动共享意味着大量灵活性的资源流动，而共享单车、充电宝、smart 等产品的层出不穷，则恰恰验证了这一模式的可行性。资源流动不可避免带来碎片化资源的流动数据，用户的多样性也增加了产品的运营难度。

共享经济是基于完善的大数据设施而实现的上层商业生态，互联网为其提供了更大的平台和更丰富的模式，大数据则以科学的方式支撑着他们的运营和决策。数据驱动下的精细化运营与商业决策，帮助创业者解决资源调配问题，产品精准推送到人，在竞品中脱颖而出。

看完了点个赞呗~~~~嗷呜，抛砖引玉，欢迎发散性思维~

顺便近期有个彩蛋，我们举办了一个2017数据驱动大会，邀请到了《精益数据分析》的作者、数据分析专家、哈佛商学院访问执行官阿利斯泰尔·克罗尔中西对话，并邀请20+行业数据大咖同台分享~欢迎关注

2017数据驱动大会 | 智能·追本数源

阿利斯泰尔·克罗尔介绍