社区编辑申请
注册/登录
数据驱动决策的三个层级,你在哪一级?
大数据 数据分析
很多同学总好奇:“数据分析要怎么做,才能驱动决策?”天天总听人说:数据驱动,可现实中没见过,只见过自己写的报告石沉大海……

本文转载自微信公众号「接地气学堂」,作者接地气的陈老师   。转载本文请联系接地气学堂公众号。

很多同学总好奇:“数据分析要怎么做,才能驱动决策?”天天总听人说:数据驱动,可现实中没见过,只见过自己写的报告石沉大海……

今天结合一个具体案例讲解一下,到底如何做。话不多说,直接上场景。

问题场景:某二手交易平台,其中旧货回收环节,需要人工话务员进行转化。现在计划引入智能机器人承接转化流程,领导要求把人工话务员数量砍到80%以下,问:该如何做分析?

思考一分钟

01没有数据驱动,会咋样

很多人一看题目,说这要啥数据驱动呀。不就是砍人吗,领导都要求砍80%了,直接派HR去宣读辞退要求,搞掂!

这么干行不行?理论上行。但很有可能在砍完以后发现:这机器人不中用呀!电话接不住,转化率刷刷往下掉。最后导致平台供给出现问题,直接拉低GMV。

这就是数据驱动的直观作用:验证方案可行性,避免重大损失。

02初级数据驱动

既然要验证方案可行性,那么最直观的做法,就是做测试。那么怎么测试砍多少人合理呢?最简单的方法是:先砍10%,看看机器人能接住不;再砍10%,再砍10%……这样逐步砍满80%为止。这是数据驱动的直观做法。

看起来,似乎很合理,但是隐藏一个问题:砍10%,从谁砍起?如果好死不死,砍到了转化最好的话务员,那根本进不了下一轮测试,就会发现货又缺了,GMV又崩了……

因此,做事后验证,只是一种方式;事先分析,提前扫雷,也很重要。

03中级数据驱动

要排砍人顺序,理论上应该从最差的砍起。但这么做也有个前提:真的有人做得更好,不同层级的话务员,转化数量有明显差异。因此可以先做分层,根据分层结果,决定砍人策略(如下图)。

但是,只考虑短期(比如一个月)的表现,并不公平,很有可能一个话务员一直表现很好,只是最近一个月没有表现好。所以做分层的同时,还要加入行为分析,判断:话务员是持续好、一开始好、越来越好,还是真的随机好(如下图)。

那么,考虑到这里足够了吗?

还不够,因为只考虑了最后转化成果,并没有考虑转化率。到底话务员是怎么做出这个成果的,很重要!如果转化好,仅仅是靠大力出奇迹,疯狂打电话获得的,那照样可以用机器人代替人工话务,机器人不是更大力吗,哈哈。

但是如果真的有话务技巧,可以慢工出细活,就得考虑:到底机器人能不能达成人工的效果(如下图)。

那么,考虑到这里足够了吗?

还不够,因为并没有考虑线索类型。如果不同种类的线索,转化率差不多,那自然可以直接替换。

如果有些线索就是天然的转化好,有些怎么做都不行,那么就得考虑:天然好,是因为线索本身就容易转化,还是话务员服务很得心应手。到底机器人能不能承接住这些线索。(如下图)

经过这么多层分析,可以探索出:到底影响转化率的原因是什么?

1、是话务员个人素质?

2、是话务员熟练程度?

3、是话务员拼命拨号?

4、是线索本身质量优秀?

这样的区分,对于解释为什么机器人替代人工以后,转化率不会掉,有重大帮助。从而避免了在测试的时候,只看到结果涨涨跌跌,无法解释原因的。这样利用多维度综合分析,在事前能清晰评估形式,从而避免盲目测试。

04高级数据驱动

假设在事前分析中,已经能锁定:和话务员个人素质/熟练程度没关系,主要看线索本身的质量。此时可以推动下一步测试。因为机器人转化效果未知,因此可以从好线索/坏线索中,各自抽样本做ABtest,测试机器人替代人工的效果(如下图)。

注意:不同的测试结果,会影响进一步的策略

如果真的是机器人全面占优,自然可以直接替代(甚至连20%都不用留)

如果机器人全面占下风,则说明算法还需改进,只能暂缓计划

如果机器人对优质线索转化差,对普通线索转化好,则可以分工合作,人工做优质线索,机器人做差线索。由于原本转化差的线索由机器人接手,机器人是不知疲倦的,因此完全可以搞“机海战术”,通过大量的机器人接单,提升需求响应速度,靠走量取胜。

如果机器人更适合转化优质线索,转化普通线索更差,则完全是另外的局面:因为压缩人工是势在必行的,不可能通过添人手来转化普通线索。

因此,此时的策略,是调整算法训练方向。针对特定来源/商品类型/交易金额的普通线索,提升转化率。有可能的话,单独开发一套算法,以最终实现降低人工工作(如下图)。

之所以称之为:“高级”驱动,是在此时,后续策略已经完全由数据表现而决定。即使大家有各种想法,最后以数据为准绳,根据数据变化做判断,已经实现了数据驱动最高级阶段,不必再做事后诸葛亮。

05小结

通过数据驱动决策,靠的是体系化的分析,而不是一个神威无敌大将军模型,摸一下摸出100%精准结果。事前预判、事中监控、事后复盘,缺一不可。

并且,决策依据,是可量化的数据结果,而不是“我以为……”“他就是……”“老夫从业十年……“我看别人都这么干”“我在大厂的时候都是这么干的……”我们设定好量化的判断准则,根据数据结果优化决策。

只是,实现这套方法论,不但需要数据分析师有耐心,做细致的工作,更需要业务方积极配合,有足够的耐心和活跃的思路,尝试多种可能性(而不是简单地一刀切),这样共同努力,才能实现最好的效果。

并非每个厂子都有这么好的氛围,所以大家能保底做到的,就是事先分析的时候多做一些尝试,试着接近真相,这样才能提升个人分析能力,与大家共勉。

 

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2022-05-18 23:42:08

网络安全安全分析工具

2022-05-18 10:58:36

LinuxKali Linux

2022-05-17 14:03:42

勒索软件远程工作

2022-05-11 14:48:33

腾讯云寿险民生保险

2022-05-17 15:51:32

数据中心运维能力基础设施

2022-05-16 10:36:08

GitHub开源项目

2022-05-10 14:11:05

网络安全网络犯罪

2022-05-19 19:26:33

区块链大数据数据分析

2022-05-24 09:57:32

微软开源AI 驱动

2022-05-25 10:49:02

云存储云计算

2022-05-20 18:04:53

新华三

2022-04-25 14:06:28

数据分析人工智能机器学习

2022-04-17 23:02:08

数据分析数字化转型人工智能

2022-05-11 14:05:11

区块链网络安全存储

2022-05-25 16:52:55

数据智能瑞数信息API

2022-05-12 14:44:38

数据中心IT云计算

2022-05-11 15:08:52

驱动开发系统移植

2022-05-23 09:16:46

新华三

2022-05-26 10:57:51

机器人人工智能

2022-05-20 08:17:43

Java日志

同话题下的热门内容

2022年优秀预测分析工具和软件大数据技术的成功案例及趋势使用替代数据的五个隐性成本为什么不能忽视建筑物中的数据分析?数据驱动业务的18个有效策略

编辑推荐

什么是数据分析的漏斗模型?数据分析师还吃香吗?用数据告诉你对比解读五种主流大数据架构的数据分析能力《狄仁杰之四大天王》影评分析(爬虫+词云+热力图)22个免费的数据可视化和分析工具推荐
我收藏的内容
点赞
收藏

51CTO技术栈公众号