数据驱动决策的三个层级，你在哪一级？ _信息快讯

事前预判、事中监控、事后复盘，缺一不可。
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？

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！

文章插图

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）。

文章插图

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）。

文章插图

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）。

文章插图

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）

文章插图

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？

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。