很多同學總好奇：「數據分析要怎麼做，才能驅動決策？」天天總聽人說：數據驅動，可現實中沒見過，只見過自己寫的報告石沉大海……
今天結合一個具體案例講解一下，到底如何做。話不多說，直接上場景。
問題場景：某二手交易平台，其中舊貨回收環節，需要人工話務員進行轉化。現在計劃引入智能機器人承接轉化流程，領導要求把人工話務員數量砍到80%以下，問：該如何做分析？
思
考
一
分
鍾
0 1
沒有數據驅動，會咋樣
很多人一看題目，說這要啥數據驅動呀。不就是砍人嗎，領導都要求砍80%了，直接派HR去宣讀辭退要求，搞掂！
這麼干行不行？理論上行。但很有可能在砍完以後發現：這機器人不中用呀！電話接不住，轉化率刷刷往下掉。最後導致平台供給出現問題，直接拉低GMV。
這就是數據驅動的直觀作用： 驗證方案可行性，避免重大損失。
02
初級數據驅動
既然要驗證方案可行性，那麼最直觀的做法，就是做測試。那麼怎麼測試砍多少人合理呢？最簡單的方法是：先砍10%，看看機器人能接住不；再砍10%，再砍10%……這樣逐步砍滿80%為止。這是數據驅動的直觀做法。
看起來，似乎很合理，但是隱藏一個問題：砍10%，從誰砍起？如果好死不死，砍到了轉化最好的話務員，那根本進不了下一輪測試，就會發現貨又缺了，GMV又崩了……
因此，做事後驗證，只是一種方式； 事先分析，提前掃雷，也很重要。
03
中級數據驅動
要排砍人順序，理論上應該從最差的砍起。但這麼做也有個前提：真的有人做得更好，不同層級的話務員，轉化數量有明顯差異。因此可以先做分層，根據分層結果，決定砍人策略（如下圖）。
但是，只考慮短期（比如一個月）的表現，並不公平，很有可能一個話務員一直表現很好，只是最近一個月沒有表現好。所以做分層的同時，還要加入行為分析，判斷：話務員是持續好、一開始好、越來越好，還是真的隨機好（如下圖）。
那麼，考慮到這裡足夠了嗎？
還不夠，因為只考慮了最後轉化成果，並沒有考慮轉化率。到底話務員是怎麼做出這個成果的，很重要！如果轉化好，僅僅是靠大力出奇蹟，瘋狂打電話獲得的，那照樣可以用機器人代替人工話務，機器人不是更大力嗎，哈哈。
但是如果真的有話務技巧，可以慢工出細活，就得考慮：到底機器人能不能達成人工的效果（如下圖）。
那麼，考慮到這裡足夠了嗎？
還不夠，因為並沒有考慮線索類型。如果不同種類的線索，轉化率差不多，那自然可以直接替換。
如果有些線索就是天然的轉化好，有些怎麼做都不行，那麼就得考慮：天然好，是因為線索本身就容易轉化，還是話務員服務很得心應手。到底機器人能不能承接住這些線索。（如下圖）
經過這麼多層分析，可以探索出：到底影響轉化率的原因是什麼？
1、是話務員個人素質？
2、是話務員熟練程度？
3、是話務員拚命撥號？
4、是線索本身質量優秀？
這樣的區分，對於解釋為什麼機器人替代人工以後，轉化率不會掉，有重大幫助。從而避免了在測試的時候，只看到結果漲漲跌跌，無法解釋原因的。這樣利用多維度綜合分析，在事前能清晰評估形式，從而避免盲目測試。
04
高級數據驅動
假設在事前分析中，已經能鎖定：和話務員個人素質/熟練程度沒關係，主要看線索本身的質量。此時可以推動下一步測試。因為機器人轉化效果未知，因此可以從好線索/壞線索中，各自抽樣本做ABtest，測試機器人替代人工的效果（如下圖）。
注意：不同的測試結果，會影響進一步的策略
如果真的是機器人全面占優，自然可以直接替代（甚至連20%都不用留）
如果機器人全面占下風，則說明算法還需改進，只能暫緩計劃
如果機器人對優質線索轉化差，對普通線索轉化好，則可以分工合作，人工做優質線索，機器人做差線索。由於原本轉化差的線索由機器人接手，機器人是不知疲倦的，因此完全可以搞「機海戰術」，通過大量的機器人接單，提升需求響應速度，靠走量取勝。
如果機器人更適合轉化優質線索，轉化普通線索更差，則完全是另外的局面：因為壓縮人工是勢在必行的，不可能通過添人手來轉化普通線索。
因此，此時的策略，是調整 算法訓練方向。針對特定來源/商品類型/交易金額的普通線索，提升轉化率。有可能的話，單獨開發一套算法，以最終實現降低人工工作（如下圖）。
之所以稱之為：「高級」驅動，是在此時，後續策略已經完全由數據表現而決定。即使大家有各種想法，最後以數據為準繩，根據數據變化做判斷，已經實現了數據驅動最高級階段，不必再做事後諸葛亮。
05
小結
通過數據驅動決策，靠的是體系化的分析，而不是一個神威無敵大將軍模型，摸一下摸出100%精準結果。 事前預判、事中監控、事後復盤，缺一不可。
並且，決策依據，是可量化的數據結果，而不是「我以為……」「他就是……」「老夫從業十年……「我看別人都這麼干」「我在大廠的時候都是這麼乾的……」我們設定好量化的判斷準則，根據數據結果優化決策。
只是，實現這套方法論，不但需要數據分析師有耐心，做細緻的工作，更需要業務方積極配合，有足夠的耐心和活躍的思路，嘗試多種可能性（而不是簡單地一刀切），這樣共同努力，才能實現最好的效果。
並非每個廠子都有這麼好的氛圍，所以大家能保底做到的，就是事先分析的時候多做一些嘗試，試著接近真相，這樣才能提升個人分析能力，與大家共勉。
盤點 | 帶你了解常見的十種數據相關職位
作為文科生，我是如何轉行數據挖掘工程師的 | 附電信用戶實戰案例
實例 | 分析38萬條數據，分析保險行業中的數據應用
從基礎到進階，掌握這些數據分析技能需要多長時間？
在四大會計師事務所，當數據分析師是怎樣一種體驗 | CDA持證人專訪