标签|5个步骤，用数据分析优化业务( 二 )

有的话题，所有人都感兴趣。比如职业发展、基础技能等等，没必要分。
直播也有成本，需要时间&制作内容。但新人获取的节奏不固定，如果针对新人做，排期很麻烦。
老用户的学习状态并没有单独统计给组织直播的同事，导致无法了解每个学习进度下，到底有多少人。
拆分人群以后，可能某些人群人数很少，转化率不足以支持单独做一场直播。
即使拆分，也不见得能提升转化率，目前没有数据证明这一点。

总之，所谓拆分，可能只是看起来很美好，实操纠结点很多。
但是，这些具体的纠结点，对数据分析来说简直是如获至宝。分析的问题越具体，越容易得结论，分析的问题越模糊，才越难出结论。有了具体痛点，可以看：如何用数据解决问题。
3. 第三步：归纳分析逻辑业务痛点可能是很分散的，用数据进行解决，需要的是分析逻辑。一个最简单的构建逻辑的方法是：从大到小，从粗到细，先排除明显可见的问题，再追细节。
本案例中，站在数据角度，可以将以上业务痛点，总结为三大类问题：

现有直播，是否真的转化率不行？仅限于特定主体不行，还是都不行？
现有用户，是否转化率天生有差异？哪些能被直播突破，哪些不行？
现有产品，是否都适合直播转化，不同单价，是否有不同场景。

这三个问题能直接推导出具体优化建议。
但注意，这三个问题，可能是相互纠缠的，比如一场直播没有带货成功，可能是直播本身不行，也可能是用户没需求，也可能是产品不匹配。此时需要构造分析逻辑。
从题目来看，业务方并没有纠结用户&产品，而是从直播切入。因此构造分析逻辑的时候，也应该从直播开始，先看排除直播本身没有组织好的问题（如下图）。

文章插图
其次，在教育类产品中，直播话题天生和待销售的产品有关系，但是和观看用户不一定有关系。特别是小白用户，经常分不清自己真正要学哪一块，随便看看的情况很普遍，因此第二层级可以分用户，区分新注册用户/老用户（如下图）。

文章插图
这样建好了分析逻辑，可以填充数据了，但还是建议做一些准备工作。
4. 第四步：进行数据准备为了描述业务状况，经常需要使用大量的标签，很有可能这些标签并未事先准备好。因此需要做准备。
比如本案例中：

直播的标签（学习主题、讲师水平、适用于群体、难度）；
用户标签（新用户/老用户，新用户的来源渠道，老用户）；
产品标签（适合群体，价位，学习主题）。

这些都需要一一准备好，这样后续分析才能有线索。
注意：很有可能业务方要分析结论要得很急，之前的基础建设非常地差，根本没有时间一一打标签。此时就要提醒业务方：不打标签的情况下，无法对问题深入分析。建议至少把一些特别重要的先打上，不然总是临时抱佛脚，就总进步不了。
5. 第五步：输出分析结论有了以上所有准备，最后一步就是数据填充，根本就是水到渠成的事。而且这样分析，能按图索骥的找到问题最明显的点，从而提出非常细致的优化建议（如下图，注意，由于篇幅限制，下图没有完整展示全部推演逻辑，有兴趣的同学可以自己补全）。

文章插图
在构建分析逻辑的时候，实际上每一类用户对应的情况，已经是一个具体的业务优化点，只不过数据是最终裁判。哪一类情况出现的多，就有限解决哪一类问题。并且，出现两个因素相互纠缠的时候，也以看数据多少，选择主要问题来解决。这正是数据分析有用之处。不然千头万续，无从下手。