编辑导语：结合数据分析，分析人员可以更加直观地验证方案的可行性，进而降低风险和决策成本，达到数据驱动决策的效果。不过，数据驱动决策也分多个层级。本篇文章里，作者就数据驱动决策一事做了总结，一起来看一下。

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

一、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。

二、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。

三、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。

四、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。

五、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。

小插曲

我在参加人人都是产品经理2021年度作者评选，希望喜欢我的文章的朋友都能来支持我一下~

点击下方链接进入我的个人参选页面，点击红心即可为我投票。

每人最多可投3票，投票即有机会获得百万惊喜礼品&起点课堂千元豪礼哦！

投票传送门：http://996.pm/zrJ26

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。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。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议。