需求篇：需求的来源-数据分析

小提示：您能找到这篇{需求篇：需求的来源-数据分析}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的需求篇：需求的来源-数据分析内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导语：数据分析是目前互联网必备的一项基本技能，那么数据分析该怎么做呢？本文作者从需求的来源谈论其数据分析方法，我们一起来看下。

今天给大家带来的是需求来源的第二篇，也是我特别想和大家唠唠的一篇——数据分析。

一、数据是什么

要想搞懂数据分析，首先要理解什么是数据。

一种划分方法将数据分为两种，一种是原始数据，一种是经过处理后的数据。

很多做售后服务的公司会关心客户报修/发起一个服务需求后，一线工程师的回电响应速度和上门维修速度。

有的还会以售后服务的及时性作为核心竞争力，那要如何衡量回电响应速度和维修速度呢？

拿快递公司举例，现在的一个标准为快递员在接到客户的寄件要求后，需要30分钟内回电，2小时内上门。如果以这个为服务标准，可以定义出30分钟回电率和2小时上门率的指标。

在公司内部，一般一次客户服务请求的处理过程叫一个工单。

那么，30分钟回电率和2小时上门率的指标可以用下面的方式定义。

• 30分钟回电率=30分钟内回电的寄件工单数量/所有寄件工单数量；
• 2小时上门率=2小时内上门的寄件工单数量/所有寄件工单数量。

这时候有的小伙伴就会问了，你怎么知道这个工单是否在30分钟内回电或者在2小时内上门呢？快递小哥分布在全国各地，总不能一个个监督盯着吧？

你说的一点毛病都没有，这个问题在信息化时代之前确实不好解决。

而现在不一样了，当客户在小程序上创建好一个寄快递的工单后，可以获取到提交工单的时间，快递公司内部会将工单创建成功的时间录入数据库。

同时，在企业内部一般都有内部的管理系统，用于记录工单的流转过程，可以获取并记录到快递员第一次回拨客户电话的时间。

同理，我们可以要求快递员在上门后点击上电视的广告有哪些门按钮，使用点击按钮的时间作为上门时间。

上面提到的记录工单提交时间，快递员回拨电话的时间，上门的时间等数据的记录过程，有一个专用的概念——数据埋点。

工单创建时间、售后回拨电话时间和售后上门时间，这三个数据都是原始数据。而计算后得到的30分钟回电率和2小时上门率是经过处理后的数据。

二、数据分析是什么

数据是最宝贵的生产资料之一，通过积累的数据可以发现客户潜在的需求，验证PM对于需求的判断是否准确。

使用数据发现需求、验证需求的过程，就是数据分析的一种定义。

在我看来，数据分析既可以用来提供灵感，某些灵感验证后会变成有价值的需求，也用来验证需求是否存在以及需求大小。

这么说有些抽象，我在下面举一些例子来说明。

三、数据分析的两个方向

数据分析一般有两种运用的方向，一种是自下而上的，一种是自上而下的。

首先说第一种自下而上的运用方法。

当你对业务有一定感知，知道某个方向或事件存在机会，但模模糊糊看不清楚时，需要确认自己的判断是否准确、具体的影响范围、影响程度。这时可以用数据衡量出来。

举个例子，假设你所在公司的业务是给饭店酒楼提供冰箱、冰柜之类的制冷设备，并且是租赁的形式。

一个平淡无奇的周一，你突然感到今天的报修电话好像格外多，但是不确定是不是偶发情况。

因为这些设备直接影响食材的质量，出现故障会给商家造成损失腾讯视频 广告。

同时租赁的形式看重的是客户续费的情况、按时回款的情况，如果设备频频出现故障客户满意度会下降，进而影响后续的合作一对一精准营销。所以报修率是一个关键指标。

这个时候可以打开滴答清单记下这个信息，保持关注。

之后一连三四天，报修电话都很多，这个时候你坐不住了，询问客服同学最近有没有感觉报修变多了，客服同学身在一线，感知都很敏锐，会认同你的观点。

接着你可以问，感觉最近多出来报修，客户一般反馈什么故障现象，她们说冰箱制冷总是时好时坏。

这时候你可以拉出最近所有发单备注有制冷、偶发、时好时坏等关键词的报修工单。如果想更精确的了解问题，时间充裕的前提下，可以抽着看下最近一周的所有报修工单。

拿到这些冰箱时好时坏的报修工单，和之前月份同样故障现象的工单数量比较了下，发现确实最近多了很多（数据分析的过程）。

之后你给最近维修过这类故障的售后打电话询问情况，发现是某一个零件老出故障。

然后顺藤摸瓜，询问研发和采购，发现这个零件是个外购件，并且最近更换了供应商，在测试零件质量时时间不够，样本量也不够，导致测试时没发现问题。

背后的原因是引进外购件时，测试环节不完善导致的。

这样你就用数据验证了你的业务感知，并且挖掘出了一个业务上的优化点。

其次来说说自上而下的运用方法。

当对业务有比较深刻的理解后，可以构建指标体系，衡量一个部门的关键指标是否存在异常，通过日常监控指标，发现异常数据，进而去了解背后的问题，从而解决问题。

比如售后部门，一般围绕两个事情做努力：客户满意，服务效率。

怎么能在客户满意的基础上，让一位工程师尽可能多的维护保养一些设备？

可以从满意度和效率两个方向进行指标体系的建设，比如满意可以分为回访满意度、报修后一次解决的比例等。

效率的指标可以用一个人负责的设备台数、一个月内报修的工单数量、完成一个报修的平均时间、核心零部件的故障率等来衡量。

平时把这些关键指标放到一个报表里，日常监督，当发现某一个指标最近突然升高时，去搞清楚背后的原因，有时可以挖掘出有价值的需求。

四、一些小tips

（1）运用数据的前提是对业务有一定感知。

如果没怎么见过客户、也没和一线业务团队经常交流，自己臆想出来的指标通常没什么意义。

（2）数据分析很重要，但是实地的调研更重要。

一周抽一两天时间见客户，比看指标有用的多。因为指标是根据之前的认知定出来的，并且很难衡量现场的全部问题，新的问题不一定全部能反应到指标上。

只盯着指标看，就会出现看似一切良好、欣欣向荣，实则一塌糊涂的情况。

本文由 @易哲 于，，。

题图来自 Unsplash，基于CC0协议