如果数据分析脱离业务，那么数据分析无任何意义，数据分析师或者数据分析部门于企业而言没有任何存在的价值。

这不仅是企业老板的想法，这也是所有业务部门的想法。

所以任何数据分析都要紧密贴切企业的业务，这看似简单但又很复杂，之前经常有人问我如何让一个数据分析师具备更高的价值，这个问题也一度成为我在分析师招聘过程中的一大困惑。

数据分析师的价值在于很好地实现数据分析应用，所有的数据分析都应该紧密围绕业务，不管在数据分析准备前还是中间过程，最终数据分析结果是否有价值也是基于业务应用进行评估的。

为了讲清如何让数据分析不脱离业务，今天以一个分析模型的决策应用为例充分展示完整的实现思路，为了让大家更好理解，这里选一个食品店作为业务背景，但所有的思维和方法思路无论是互联网企业还是其他零售企业都通用。

01．模型介绍

管理学上有一个非常经典的定律 ：二八定律，即 20% 与 80%。该定律认 为企业 80% 的财富来源于 20% 的用户 ；从商品销售角度看，即企业 80% 的销 售额只来源于 20% 的商品。

二八定律在行业中也有一些别名，例如，用经济学家的姓名进行命名 ：帕累托法则 ；或者按百分比例命名 ：80/20 定律。

02．业务背景介绍（食品专营店）

智能手机普及后，消费购物打破了空间、时间及设备的限制，可以在任何时间、任何地点进行购物，食品专营店就失去了销售的优势，它的市场处境会越来越恶劣，并且很难扭转。

当然，为了应对激烈的市场竞争，食品专营店可以选择做差异化食品，走个性化卖点的市场赛道，但是包装食品要做出差异化难度系数非常高。市面上的食品种类丰富而全面，几乎每一种食品都能找到性价比更高的替代品。目前能做的且最高效的经营策略，是提高用户管理水平。

专营店不是新店，已经沉淀了几年的用户数据，所以可以利用帕累托分析模型帮食品专营店找出头部高贡献的会员用户，对会员实行分级管理制。

03．业务问题思考

在对这家专营店进行帕累托分析前，需要思考以下两个问题。

（1）会员在所有用户中的占比情况如何？要做更精细化的CRM，至少需要一个可以与用户互动的渠道。

（2）目前用户贡献度分布的现状如何？

基于这两个需求思考，我们确定了以下分析数据源的数据维度（见下表）。

04．数据源思考

在选取数据源时，季度的时间分析维度不适用于用户分析的场景。了解用户要尽量全面，秉承所有的用户都是有价值的分析理念，特别是留过个人信息记录（信息收集要注意合规）的会员，所以，我们选出留有联系方式的会员。

消费时间在这里不做主要考虑因素，可以在帕累托分析之后参照用户消费时间的远近分析来做辅助决策。

基于以上的思考逻辑，现在对用户消费数据进行加工，将所有有过交易记录的用户数据都纳入分析范围。

得出帕累托分析模型结果如下图所示。

图1

从图中可以看出，这家食品专营店的用户贡献分布没有遵循20% 和80% 的关系配比，实际结果是55% 的用户贡献了企业80% 的销售额。

05．数据结论思考

基于这个数据结果，思考一个问题：为什么这家食品专营店的用户贡献分布和二八定律的关系配比差距这么大？

在实际工作中，这种情况很普遍，按一般规律是20% 的用户群体贡献80% 的销售额。这家专营店20% 的用户群变成55%，在另外一家企业20% 的用户群可能演变为30% 或者10%，所以思考以下两个问题。

（1）二八定律中的20% 如果变成了55% 是什么业务现象？

（2）二八定律中的20% 如果变成了8% 是什么业务现象？

我们对照二八定律的关系配比现象对上述问题进行以下分析。

上述问题（1）中二八定律的20% 变成55% ：假设企业有100 个用户，按正常规律，高价值用户是20 个人。现在，正常应该由20 个用户创造的价值变成由50 个人创造，也就是80% 的企业价值贡献中，头部用户的人均贡献价值下降了。

所以于企业而言，这种业务现象说明企业没有特别高价值的用户，企业的多数用户属于普通价值用户。

上述问题（2）中二八定律的20% 变成8% ：企业100 个用户中的正常20个高价值用户变成了8 个人，也就是说，应该由20 个人贡献的价值最终由8个人贡献完成，8 个人的人均贡献价值变高。所以于企业而言，企业的高价值用户非常集中，只要维系好这8 个用户，企业的业绩目标就可以达成80%。

如果这8 个用户出现问题，那么企业的主要销售业绩就失去了供给源泉。

上述20% 变高、变低现象的分析结论，如下图所示。

图2

05．业务决策应用思考

回到本案例的食品专营店，80% 的销售业绩由55% 的用户贡献，对照正常规律，数据结果略偏高，结论是专营店缺乏优质的高价值客户。

那么如何培养这样的客户呢？

基于这个数据结果，很难对专营店的用户进行价值分层，因为没有价值特别集中的用户，贡献差异不明显。所以，目前实现业绩增长的策略方案：

第一轮帕累托分析模型找到的55% 用户较剩余45% 的用户购买力相对较强，我们在这部分用户群体中进一步挖掘可以提升潜在价值的用户群体，让他们贡献更多的销售业绩。

销售额是结果性指标，做运营策略需要对它进行详细的业务指标拆分：

销售额= 订单数× 客单价

……

本文节选自《数据运营：数据分析模型撬动新零售实战》一书！

零售业是我们最为熟悉的商业模式，通过理解数据分析方法模型在零售业的使用可以更快理解数据决策，更方便大家的理解。

全书全部以工作中经常会遇见的业务问题作为案例，例如如何进行用户促活？如何培养自身的商业分析和财务分析能力？书中覆盖的场景也非常广泛，包括商品运营、CRM、私域运营等等，在模型选择上，也融入了当前一些流行的模型例如AIPL。

全书共有10+经典的行业模型，20+实战案例，每个模型都有相应适用的业务分析场景介绍及实际工作案例，属于市面上少有的完全以实际工作为基础，完整阐述数据分析模型如何灵活用于解决实际运营问题的书籍。

▊《数据运营：数据分析模型撬动新零售实战》

叶秋萍 著

• 数据分析结果落地应用，帮助企业决策运营。

• 让分析师懂业务，让业务管理懂数据分析。

书中部分案例摘选

01

如何高效达成本月销售业绩

（线上+线下）

02

如何轻松获取私域流量

（私域运营）

03

降本增益，1500个商品如何优化？

（商品运营）

04

企业的客户贡献分布健康吗？

（CRM）

05

快过节了，用户如何促活？

（用户画像）

06

品牌用户增长难如何解决？

（全域运营）

除了以案例为主的数据分析模型应用，同样照顾数据洞察业务刚入门的小伙伴，在开篇部分详细介绍了一些基础分析方法的分析要点、其适用的业务场景以及相应的可视化图表，帮助大家从入门到进阶，最后实现高阶。

送书规则：文末留言点赞前5名每人送书1本

截止时间：2022.03.21（周一） 8:00

公众号推送规则变了

点击上方公众号名片，收藏公众号，不错过精彩内容推送！