数据诊断模型，该怎么搭建

编辑导语：在日常工作中，数据分析可以帮助你判断很多业务的涨幅，但是用数据下判断看似很简单，实际上要根据实际情况进行判断；本文作者分享了数据诊断模型该怎么搭建，我们一起来看一下。

你会用数据下判断吗？

你怎么确定你的判断是准确的？

现在业务说你判断错了，你怎么应对？

用数据下判断，是看似简单，实则极大影响数据分析结果的一个问题。

同样是本月销售业绩1000万，如果判断是：业绩很好——那么下一步的分析就是总结成功经验；如果判断是：业绩很差——那么下一步的分析就是发现问题，寻找方案。

一、数据诊断问题，为啥那么难

这一点看似简单，可网上90%的文章教的是错的。

网文的逻辑，一般是：

环比下跌了，所以不好，要搞高；

同比下跌了，所以不好，要搞高；

你去问问业务，业务说好就是好。

谁规定的跌就是不好？如果是自然波动呢，如果是计划内的调整呢，如果是营销之后调整期呢？如果是生命周期末尾呢？如果下跌但是KPI仍然达标呢？

太多情况了；然后一堆网文还在一本正经的《指标下跌八大分析方法》，连啥指标、啥场景都不细讲，分析什么呢？

问业务同样有问题——因为你挡不住业务浑水摸鱼。

丫今天说好，明天说不好，后天说：请数据分析深入分析到底好不好，大后天再说：你这分析不符合业务直觉；甚至明明KPI达标了，丫还让“你深入分析KPI达标背后的隐藏危机……”

那么，到底该咋办呢。

二、核心问题：诊断标准

做判断的核心是：找标准。

标准涉及到后续轻重缓急及原因判断；一定要事先分清楚。

而上文讲到的网文的各种错误，本质上都是来自于不考虑业务场景，瞎胡判断；如果结合业务场景来看的话，有四类典型的场景（如下图）。

1）有客观要求：供应链上大部分指标都有物流、化学、交付周期等等客观要求；比如生产质量、产品尺寸、交货时间。这些也被称作硬指标。这种情况下是可以直接拿来做评价标准的。

2）主要要求，但是负向指标：比如客户投诉，虽然大家都知道投诉是不可避免的，但是还是希望越少越好，负向指标标准也好找；只要一直处于下跌趋势，不反弹，就算是好。

3）主观，正向，但是有上一级KPI压力：类似销售业绩、GMV、新用户数，很有可能上一级领导、部门直接塞了个指标给我们；这时候想保住自己的年终奖，就得不惜一切代价的搞掂指标；这个标准可以直接拿来用（这也算硬指标）。

这时候要做好的是硬指标的分配；因为指标达成不是一蹴而就的，可能与业务自然周期、生命周期有关，也有可能与业务作战部署有关系；因此分解任务的时候不要简单地按时间平均，而是根据业务走势，分摊成一个合理数值。

4）主观，正向，需要你自己订KPI：这是最纠结的状况，老板让你做开放题；虽然明知道自己做了他不用会用，但是他还是让你讲一堆道理，不然就怪你：没有深度分析！如果一定要凭空定指标，怎么办呢？

答：用场景还原法，去找一个标杆

三、关键方法：场景还原

场景还原——是从业务场景中提炼出数据标准，主要用于营销、运营这种缺少硬指标且指标间相互关联多的场景。

你问业务方指标是多少，估计他想不出来；但是你问他上一次老板龙颜大悦，上一次被表彰，上一次顺风顺水什么时候，他一清二楚。

同样，你问上一次他手忙脚乱，上一次被痛骂，上一次跟头流希是啥时候，他也一清二楚。

这样我们就能得到正面场景和负面场景。

正面场景，用来做整体的预计目标；这是个把语文作业转化为数学作业的过程。

比如：

我们要在三年内成为行业第一；

我们要在1年内扭亏为赢；

我们要在4季度做出爆款活动；

有了这些场景，可以转化为具体标准（如下图）：

负面场景，用来设定保障型指标的标准。

比如：

新用户注册很多，但是转化太低

业绩增长很快，库存涨的更快

收入指标达标，成本超支严重

有了这些场景，可以转化为具体标准（如下图）：