当我们面对数据的时候，不能光盯着数据本身看，就数据论数据，而是要用一个完整的数据分析框架去解读数据。
光说数据分析理论太干，我想通过一个电商案例，来盘活与销售数据分析相关的术语和方法论，以便各位更策略的应对各类线上大促的挑战。
这个案例是这样的：
一个在信息流平台上卖礼品的电商，之前10个月的销售都不温不火，有涨有跌，每月销售额一直徘徊在40万元左右，但上个月的销售额猛的突破了100万元，而且！是在广告花费不足10万的情况下获得的销售额，这让老板很雀跃啊，感觉春天来了！过去10个月的煎熬终于要出头了！
我忍不住泼了个冷水：
销售额突破预期就意味着经营步入正轨了吗？
如果不是，我们又该怎样发现100万元这个数据背后隐藏的商业洞察呢？
靠分析。
当我们面对数据的时候，不能光盯着数据本身看，就数据论数据，而是要用一个完整的数据分析框架去解读数据。
数据分析有一个经典的6字策略：细分、对比、溯源。
具体来说就是：
- 先从不同的维度去分解问题；
- 再根据每个维度上的数据建立参照系做对比，找到业务的薄弱环节或部分；
- 最后分析原因，找到改进方案。
如此，才可能发现到100万元背后真正的商业洞察，更好的制定下一步的策略。
销售数据分析第一步：细分
所谓细分，是指通过拆解不同维度，找到需要分析的某个指标的影响因素。
什么是维度？
维度起源于几何学，指的是连接两个同种空间的通路，用在数据分析的时候多指一种视角，比如性别、地区、时间、距离等都是数据分析时常会用到的视角。
比如我们要用时间作维度，一种方法是通过同一空间下前后时间的对比来了解事物的发展趋势，比如本案中，上个月销售额是40万元，这个月是100万元，我们就可以说销售额环比增长率是150%，这是时间上的对比，也称为纵比；
也可以通过同一时间下空间上的横向比较来了解的自己现状和差距，如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比。
怎样拆解维度？
拆解的前提是找到了合适的维度，那么怎样找维度呢？
找到细分维度的本质是发现因变量的影响因素。比如本案里，因变量就是销售额。
导致整个销售额发生从60万元到100万元的变化的因素可能有很多，我们可以用6W2H、也可以用营销“4P”的框架来分析，把可能需要思考的维度都列出来，然后再根据案子具体的情况，看他会涉及到哪些维度，从中选择适合的维度，进行下一步的拆解和分析。
这里我们用6W2H给大家演示一遍流程：
1、是What，就是你卖的是什么产品？
根据具体问题还可以展开，比如：
- 你的产品线是什么？
- 你的竞品是什么？
- 你的替代品互补品各是什么？
- 你的目标消费者的固有选择是什么？
- ……
假设我们现在需要从产品线维度来拆，一般礼品电商公司可能不止卖一种礼品，可能还会卖高端签字笔、望远镜等，那么据此可以拆分的问题就是：各个产品的销售额贡献率是多少？按照28原则，理想状态是80%的销售额来源于20%的产品，我们需要知道爆款是什么，卖得不好的产品是什么？细分清楚才能进行下一步的分析，了解销售额变动的原因和判断之后的趋势。
2、是Who，就是考虑谁在卖？
比如企业内部是谁在做这款产品的销售？
外部市场上有多少同行在卖同款产品？
如果考虑内部，我们可以把问题拆分成，有哪几个部门在卖？由哪几个项目经理负责销售？他们各自对销售额的贡献情况如何？
如果考虑外部市场，可以分析看看同行的销售额是多少？这个100万元的水平在同行内的排名在什么位置？
3、是Whom，就是卖给谁？
这一步说的是谁是你的客户？客户类型有哪些？
谁是使用者？谁是影响者？谁是决策者？
消费层次如何？
采购频次如何？
……
就本案来说，我们可以思考，在线上买礼品的人可以为几类？他们各自有怎样的采购特征，等等。
4、是When，什么时候购买？
客户购买的时间分布有何规律？
比如本案里，我们可以比较看看销售额是不是有周期性变动的规律？
5、是Where，客户在哪里买？
我们可以看看有哪些销售渠道，比如是线上还是线下呢？如果都是线上，那么是信息流平台还是网上商城？等等。
就本案来说，这个老板同时铺了几个渠道或者平台在卖，那么多的渠道里，哪个或者哪些渠道的销售额更好？
6、是Why，就是客户的购买动机是什么？
客户为什么要买我的产品？客户消费场景有哪些？客户的痛点有哪些？有哪些环境因素影响了客户的购买？等等。
比如本案中，我们可以思考，在客户的购买动机里，是要送礼的多还是要自用的多？是什么原因促使他们来买礼品？等等。
7、是How，即客户如何购买？
这个如何购买可以是对支付方式的研究，比如是货到付款还是先付款后发货？是微信支付还是支付宝支付？等等。
如何购买也可以是营销组合要素如何影响消费者的购买决策，消费者在购买决策的看重哪些因素，是购买的便利性呢？还是产品的设计性？还是价格？
8、是How much，即客户愿意为产品付出多少成本？
这里就涉及到定价策略了，是采用低价渗透呢？高价撇脂呢？还是歧视定价？等等。
还可以考察一下客户的购买成本是如何构成的，是否包含理解成本、货币成本、风险成本、时间成本、便利成本等，具体问题具体分析。
就本案来说，在这一点上要考虑的是目前的定价策略会不会对销售额有影响？哪种定价方式更有利于扩大销售额？
销售数据分析第二步：对比
完成上一步的细分之后，我们就需要开始对同一维度的数据进行比较，以了解业务现状，找到业务的薄弱环节或部分。
怎么比？
比较主要是通过建立参照系来比较。这里需要强调几点注意事项：
1、要弄清楚是谁和谁在比
这里的“谁”涵义比较宽泛，比如是不是同一单位在比？比如同样是销售金额，3000人民币和900欧元就没法直接比，得先统一单位，然后再比。
2、弄清楚怎么比
也就是选择比较的对象要有可比性。比如公司的某个产品的销售额不能和全省该产品的社会零售总额去比，这都不是一个量级，怎么比？比较只能和同量级的比。
3、弄清楚比完后要干嘛
如果各种步骤都准确，那么比完之后，我们就能知道自己大概所处的状态了，如果这个状态相对较好，就继续保持，如果状态相对较差，就可以着手改进优化了。
对优化师来说，薄弱部分和薄弱环节都是优化工作的切入口，实操中，好的优化师往往对“差”有相当高的敏感性。
找谁开刀？
假设我们通过产品维度的比较发现，本案的这个公司总共在售的10个类目的礼品中，绝大部分产品的对比销售都挺不错，运营各个环节步骤也都表现良好，有的甚至已经做到了极限，只有一款手表卖得特别糟糕，销售额排名在最后，上月销售额只有3000元，仅占整个销售额比例的0.3%——也就是说，这款手表对上个月100万销售额的贡献微乎其微，属于该公司销售的薄弱环节。
这种情况下，我们是去找表现最好的去优化升级、挑战更高的极限呢？还是先试着补足短板呢？
这里我们给出一个判断权衡的参考方向：
- 可以根据优化的投入产出比来判断；
- 可以根据优化的难易程度和改善空间来选择；
- 重点考虑公司的资源情况；
- 参考公司的经营目标和经营策略；
- 其他影响因素的考量，比如当前市场的政策情况、行业的发展趋势、同行竞争情况等等。
假设根据上面的各个因素的分析，我们得出，本案的销售主体公司很看好手表这个类目的发展前景，公司未来经营思路的构想是多头发展，那么我们可以认为，提升手表销售额是当务之急，接下来的工作中就是需要把提高手表的销售额作为提升总体销售额的切入口。
销售数据分析第三步：溯源
一般情况下，碰到某款产品销量差，相关经手人的第一反应是是什么呢？责怪！
怪优化师广告没投好？怪产品经理选错产品？还是怪售价定太高了？各种猜各种怪各种卸责。
这里我想提醒诸位，无根据的猜测于事无补。有效的解决方法，不是拍脑袋猜测，觉得是哪个就是哪个，而是要用一个模型把一条路上所有可能涉及到的问题都追溯一遍，找到问题的源头。
怎么溯源？看鱼骨图
我们用鱼骨图来分析一下电商投放信息流广告时可能遇到的运营问题。
根据图示，我们可以了解到，整个电商投放环节涉及到了6块内容，分别是最开始的选款，然后是针对性的定价，接着是投放相关的定向、创意、落地页，最后还涉及到客服、物流等后端，这里面每一步都可以再拆分成很多小步骤。
比如选款环节。
电商的选款是个非常复杂的过程，对选款人的营销能力和市场敏感度均有很高的要求。那么通常我们在选款时可以考虑的内容有：
1、产品所在行业竞争的关键是什么？
比如大部分快消品行业主要的竞争关键是品牌，如果我们想选的产品是属于这个领域的，那我们就要考虑这个产品的品牌是否有号召力。
比如同样是线上卖手机，同等条件下，你卖iPhone的效果和“YOTA”phone的效果是不一样的。
2、产品是否适销对路？
线上选款和线下选款是有差别的，需要实际体验才能成交或是需要专业的咨询服务才能成交的产品就不是非常适合在线上直接售卖，或是转化门槛太高的产品，在线上销售时用户的折损率也会比较高。
比如有些保险产品的销售就需要专人服务才能成交，在线上销售转化门槛太高，转化成本高也是情理中事。
其他要考虑的问题还有很多，比如产品的利润空间，市场上的竞争情况，进入门槛等等，这里不展开了，遇到具体问题可以再具体分析。
就本案来说，该公司的选款主要参考的是公司所在地的的实体礼品零售店数据。从这些零售店的销售情况来看，此款手表堪称爆款，三个月内来回购送人的客户超过40%！
40%是什么概念？通常来说，线下礼品类销售能有20%的回购率就已经不错了，这个40%就等于翻倍了，也正因为此，给了这个电商公司的老板非常大的信心，觉得可以放到线上卖卖试试。
再来说说客服环节。
客服环节主要考虑的是用户体验，一般影响用户体验的因素有如下几个方面：
1、响应是否快？
比如你问了客服一句问题，半天没人响应，你觉得用户会是啥心情？
据相关数据显示，一般反应时间超过15秒，这个咨询就可能黄了，且越是急切的咨询，或者说越是需求精准的用户的咨询，他们希望得到快速反馈的欲望越强烈，可能15秒都等不及。
2、问答比是否高？
这个是指客服和用户互动的情况，是不是热情到位？用户问你三句，你回答一句，你这一句能说明问题倒也罢了，如果不能，那用户体验也会不好，自然的，转化也就好不到哪里去（有些特殊行业，比如奢侈品零售领域的逆向营销不在我们今天的讨论范围内）。
3、话术是否专业？
我们先解释一下何为专业：一种是指客服人员在线销售的水平是否达标，具体是指客服人员的沟通技巧和逼单能力等。
另一种是指客服人员对产品所属领域知识的掌握是否专业。能不能准确有效的回答用户的问题会直接或间接影响他们对产品的信任程度。比如在某些特定的产品领域，像近视眼镜，客服人员对技术的掌握程度和专业水平都会直接或间接的影响他的接待质量，进而影响用户的购买意愿。
就本案看，该电商公司的客服小组和其他产品的客服是公用的，从响应时间到问答比到客服的接单流程、接单话术的专业水平都是符合营销专业要求的，而且实际的接待人员水平和实体店的店员水平相差不大，甚至略好一些，由此，我们可以大致排除客服环节对销量的影响。
怎么分析？用5why
假设，通过鱼骨图对营销环节的层层剖析，我们发现，最可能出现问题的环节是定价环节，因为目前的定价和同行比，有点太低了，那么会不因为价格太低导致客户认为便宜没好货？对品质没有安全感？所以不愿意买呢？——还是那句话，猜，是不严谨的，我们需要借助专业工具进行分析。
这里我们推荐5why分析法。
5why分析法发源于日本丰田，是丰田前副社长大野耐一发现问题时惯用的一个分析方法：通过连续追问“为什么？”来找寻问题的真正原因和解决方法，适用于多个领域。
就本文举的案例来说，我们可以通过下列这些提问来探究一下为什么手表销量低。
提问开始：
1问：为什么手表价格很低还没转化？
1答：怕是假的。
2问：为什么会担心是假的？
2答：消费者的固有认知，认为比同行价格低可能就是假货。
3问：为什么价格低就是假货？
3答：价格是价值的体现，价格高=质量好，价格便宜=没好货。
4问：为什么用户会认为价格高=质量好，价格便宜=没好货？
4答：人们对一个既复杂模糊又不确定的事件进行判断时，如果没有行之有效的方法，往往会走一些思维的简单化处理捷径，比如，在判断产品质量与价格的关系时，决策依据欠缺，用户可能会根据过去的经验确定锚定值，比如以前买过一样什么东西，很便宜，结果质量很差，他就会认为，价格便宜=没好货。
5问：为什么人们会靠一些思维的简单化处理捷径来做决策？
5答：从2002年诺贝尔经济学奖获得者丹尼尔·卡尼曼撰写的《思考，快与慢》中了解到，大脑中有两套系统，系统1的运行是无意识且快速的，不怎么费脑力；系统2是将注意力转移到需要费脑力的大脑活动上来，例如复杂的运算。
大脑也喜欢决策成本最小化。
日常生活中只用系统1就差不多了。遇到系统1无法自主解决的问题，比如“17×24”这样的运算，才会触发系统2。
问题是，这个过程中，系统1会经常过来捣乱，最麻烦的是我们还无法关闭这个喜欢走捷径的系统1，可以说，想要系统2好好执行工作是很困难的。
（注：5why不是说只能问5个“为什么”，可以多可以少，当你觉得找到问题的根源和解决方法了，就可以停。比如上面这个5问我们还可以继续往下问，问到最后你会发现这其实是一个关于人类进化论的问题…）
所以答案就出来了：你原以为的便宜的这个卖点，并没有被人的大脑认可，便宜本身还未到级别触发理性的系统2，也就是说，用户无法靠理性的系统2来分析出你的价格其实超划算，给出应该要买的指令。
相反，那个喜欢对各种问题都要插一脚的系统1直接给出了便宜没好货的讯号，阻碍了用户的行动，最终导致了销量如此之低。
那么对应的解决方案就是：不要对抗人大脑的决策机制，也不要试图绕过那个喜欢对各种问题都要插一脚的系统1，既然人们觉得便宜没好货，你就不要便宜。
所以接下来我们就可以优化定价策略了，定完后再重新上线测试销售的情况是不是和预期一致，然后再做进一步的优化改进，如此循环往复，持续改进。
整个分析到此就先告一段落了。
回过头来，我们再来看看文章开头说的案例，100万元这个数据本身其实并没有什么意义，我们只有把它代入到具体的商业背景中，通过对比、细分、溯源，才能解读出它背后的商业价值。
当然，实操中遇到的问题肯定会比我们说的案例复杂，需要考虑的因素也会多很多，但，解决问题的基本思路是一致的。
说到底，数据分析是生意的一部分，一切分析工作都是为了帮助我们达成商业目标。