本文通过一个互联网电商企业希望提高商品价格的实际案例，展示了数据分析师如何从确认事实出发，经过细致的分析流程，提出切实可行的建议。文章将详细介绍这一过程，包括确认销量的真实性、分析历史数据、设计数据实验，以及如何避免常见的决策陷阱。

很多同学都讨厌当工具人，然鹅每次遇到要提建议的时候就怂了，除了“指标降了，要搞高”，不知道还能说啥。今天拿个具体问题，给大家详细介绍下：如何从数据得出可行的建议。

问题场景：某互联网垂直电商企业，运营的老板表示：A商品最近销量挺好，想提高一下价格，以提升该类产品的整体利润。现在作为数据分析师，你接到了这个需求，问：该如何做？

00问题解析

首先，同学们要注意：这里有几个问题？

思考一分钟。

如果是业务部门听到这种命令，本能反应是：“这里有一个问题，老板想提价，我要怎么提价。”但数据分析师收到这种需求，就不是这么解读的。因为数据分析师首先要保证的是：领导决策建立在正确的事实之上，其次才是保证决策建议的可行性。

对数据分析师而言，这里有两个问题：

问题一：老板口中的“最近销量挺好”，到底是不是个事实

问题二：在问题一成立的前提下，思考如何落地

01解题第一步：确认事实

在现实中，很多商业感觉并非建立在事实之上。此时、此刻，销量是不是真的很好，是需要进一步验证的。

并且这个任务最适合数据分析来做，业务部门捕捉商机，可能依赖的是自己的经验、判断、嗅觉，而数据分析捕捉商机，一定是靠数据说话。

要验证问题一，需要排除的假设是：

1. 不是真的好（仅仅比其他品类多了一点点）
2. 是真的好，但不是现在好（这个信息过时了）
3. 是现在好，但属于暂时/季节性/偶然性好（预计不持久）
4. 是现在好，稳定的好，但已有资源投入（没有涨价空间）

整个逻辑用MECE法归纳如下图：

很多新手数据分析师会忽略这一步。实际上，这一步非常体现数据分析师的价值。老板只是随口一说，数据分析师就把各种可能性一一排除，对老板来说体验非常好。显得数据分析的工作做得很深入。

实际上，何时涨价是有固定套路的，一般参照产品生命周期（如下图）：

• n 如果A品类生命周期走势明显优于过往同款，可涨
• n 如果处于生命周期的早期（上市期、成长期）可涨
• n 如果A品类处于供不应求状态（库存周转快、销量好）可涨

反之，如果A处于生命周期后期、库存仍有富余、表现平平，则不应考虑涨价。可考虑搭售、满减等手段。

02 解题第二步：区分经验与测试

如果确认了第一步，可以做第二步工作：确定分析方向。

第二步要先确认一点：过往有没有做过类似调价？

如果有，则基于上次类似调价场景，分析本次调价预计影响与可行性。

如果没有，就没有历史数据参考，则需要设计一个数据实验，验证方案可行性。

这一点很能体现数据分析与业务的思路区别。如果换了业务，可能通过与客户沟通、对用户的洞察、对商品的理解，能直接作出判断。但数据分析思考问题，一定是从数据出发。如果有历史数据，就基于历史数据分析。如果没有，就先做测试，收集数据再分析。

当然，实际落地的时候，两者可以结合。比如业务先提一个涨价方案，数据分析分两步论证：

1、事前论证：这个方案没有致命伤

2、事后论证：这个方案可以通过XX实验验证

这样就能推动方案落地了。

03 解题第三步：事前论证

事前论证分两种情况

1、在有做过调价情况下，总结历史经验，给出建议

2、在没有做过调价情况下，给出可以调价的范畴，避免踩雷

方案要落地，需要时间、地点、人物、起因、经过、结果六要素齐全。因此在复盘历史经验的时候，要做细一点，上次调价的六要素，要分析齐全（如下图）。

在

在避免踩雷的时候，主要是利用数据剔除一些明显不合理的设想。理论上，消费者都不傻，调价会导致销量下降；销量下降又会导致库存增加，周转时间变长；周转时间变长，又会增加商品过气的风险，可能进一步影响销量。虽然没有数据证明，但业务方在做方案的时候，得思考到这些点。

典型的不合理设想，比如：

1、涨价设定太高，甚至达到了更高档商品价位

2、销量没有调整，默认涨价不会影响销量

3、销量预计太多，没有考虑销量下降导致库存增加

这些明显BUG，大部分来自无经验情况下，业务方过于乐观地拍脑袋。作为数据分析师，理应对这种乐观的YY提预警，至少让他们意识到问题。

04 解题第四步：事后论证

如果没有历史数据积累，则要设计数据实验，验证效果。注意：数据实验的设计，一定需要业务方的参与。因为涨价本身是个业务动作，有明涨/暗涨两种基本方式。

明涨：直接调价

暗涨：通过推升级版、plus版、减少优惠券投放等形式，暗中调价

这些手段可能产生的效果是不同的。如果是明涨，则可以直接测试所有用户对价格敏感度。如果是暗涨，意味着只有一部分用户会响应涨价，需要做用户分群，观察部分用户的反应（如下图）：

理论上讲，暗涨更容易让用户感情上接受，毕竟明涨显得太割韭菜了，颇有囤积居奇之感。但实际操作上，暗涨需要做新的营销方案，很有可能新方案做砸了，导致涨价策略失败，业务方会承担责任。

所以业务方会倾向于明涨，并且要求数据分析师给出预测：到底涨多少，ROI最大化。

这里一定要给业务方讲清楚：没有历史数据，则无法分析，一定要做测试。不要试图用拍脑袋/其他拐弯抹角的方法回避这个问题。价格弹性一定是测试出来的，没有测试就下结论，策略失败的风险就是数据分析师自己背……

05 小结

综上可以看出，一个简单的涨价，需要大量的、细致的分析，具体到各种场景。很多新手不考虑这么多场景，只是拿一个近一周/一个月销量，然后开始拍脑袋：“可能涨价以后会减少销量吧……”

这么粗糙地工作，很容易被领导各种diss，诸如：

“考虑和其他品类差异没有？”

“会不会只是短期效果？”

“有没有证据证明真的能涨价？”

数据分析师会很委屈地说：“那你也没提呀”

此刻领导再怼一句：“你就不多想想！”

这么一来一回，信任就荡然无存了。

我们常说：数据分析师就是企业的军师，你看小说里，主公问军师意见，军师都有上中下三策，上策里还要分上上策、上中策、上下策。工作做得非常细致，场景思考得很全面，这才是一个合格的军师应达到的标准，以上，与大家共勉。