必威体育Betway必威体育官网
当前位置:首页 > 运营推广

商业数据分析的四个层次(五) 示例

时间:2019-08-10 07:15:40来源:运营推广作者:seo实验室小编阅读:56次「手机版」
 

商业数据

前面已经通过四篇文章详细介绍了商业数据分析的四个层次,本篇将通过一个示例将这四个层次串联起来。

背景

PAS是一家销售企业管理软件的公司,虽然整个行业欣欣向荣,但是这家公司的业务却陷入泥沼,销售额连续八个季度出现下滑。为了扭转此局面,PAS花重金招聘了过往销售业绩极为出色的老李担任CSO(Chief Sales Officer),直接向CEO汇报。

上任伊始,老李为了摸清情况,召集销售、产品、售前、人事、市场部门一起开了一个沟通会议,没想到这个会议变成了吐槽大会。

销售部门报怨人事部门给的候选人素质不高,经验太少。人事反击说是你们管理不善,有经验的老员工频繁离职,新入职的员工培训不够,不能快速成长。销售又抱怨公司产品功能不完善,在市场上的竞争力不足。而产品则回怼,已上线项目的客户反应良好,是你们销售能力不行。还有销售抱怨售前顾问不给力或者支持力度不够,还说市场部门组织的活动效果太差,获得的销售线索太少等等,不一而足。

在决定接受PAS公司的Offer时,老李已经做好接受挑战、迎接困难的准备。但是没想到实际情况比预想的更严重。虽然老李在销售方面有丰富的经验,但是PAS公司目前的问题貌似是全方位的,各个部门的说法听起来都有一定道理,但是哪些才是关键的问题?要想改变现状,又该从何处破局呢?老李不禁限入深思。

在思路不畅、需要灵感时,老李喜欢到星巴克坐坐。在公司附近的星巴克,老李看到一个年青人正在写商业计划书,于是找这个年青人攀谈起来。原来这个青年叫小白,毕业于斯坦福。小白学成归来打算回国创立自己的商业数据分析公司,并且向老李介绍了数据分析在商业决策中的作用和案例,尤其是描述性分析、诊断性分析、预测性分析和处方式分析这四个层次和所用的具体方法。

听完之后,老李觉得或许在PAS的事情上小白可以提供帮助,于是向小白介绍了自己面临的困境,并希望接下来在改造销售团队和提升销售业绩的过程中,小白能通过数据分析的方法提供有力支撑。当然他也想考校下小白,看他说的数据分析方法是不是有那么神奇。公司还没创立就接到了第一单生意,遇到这种好事小白欣然答应。

描述性分析

在进入PAS公司后,小白先对公司的业务现状和数据情况做了初步调研。PAS公司上线了CRM、ERP、HR等系统,针对商机、合同、付款、客户、价格、销售员的入职时间、接受过的培训等信息都是有详细记录的,这就为后续的数据分析工作打下了坚实的基础。

在做描述性分析时,最重要的是结构化思维,即要把分析的问题或指标进行逐层结构化分解,直到无法分解为止。

比如,总体销售收入=销售漏斗中所有销售机会的数量 * 每个销售机会的交易金额 * 胜率

而每个销售机会的交易金额=每个销售机会包含的产品 * 每个产品包含的模块数量 * 每个模块的平均单价

根据上述思路,小白首先对去年销售员整体的业绩情况做了分析:总体销售指标为 1亿2000万,已签单 1个亿,指标达成了83%,目前有100个销售员,平均每个销售员的签单金额为100万,这样看起来貌似还不错。但是再看下一项数据就会发现比较大的问题,仅有20%的销售员完成了销售指标。

通过查看去年销售员签单金额分布,这个问题体现的更明显,销售业绩主要是靠几个明星销售员来达成的。

再看去年整体销售漏斗的表现,整体销售漏斗金额高达5亿,而每个销售员平均的漏斗金额有500万,但是平均签单金额仅有100万,也就是说胜率仅为20%;另外,去年已完结的交易数量为1000,而销售员平均完成交易数量仅为10个,数量偏少;同样,平均的交易金额仅为10万,平均客户价值仅为20万,在企业管理软件行业,这两个数字都是偏小的。

接着分析新老客户平均交易金额及胜率,可以看出新客户虽然单子大,但是赢单的概率较低;反之,老客户虽然单子小,但是胜率很高。

下面再看新老客户对收入的贡献,可以看到老客户虽然平均交易金额较小,但是对整体收入的贡献还是远远高于新客户的。

再看交易金额分布及其胜率,可以看出单子金额越大,胜率越低。

以及不同产品的收入分布和胜率,A、B、C这三种产品收入贡献较高,并且胜率也相对较高,证明在产品、价格等方面在市场上有较明显的竞争优势,可以重点突破。

诊断性分析

经过初步的描述性分析,小白对现有CRM、ERP、HR、售后、市场等5大系统或数据源中的数据做了梳理,共137个变量或KPI。如此之多的变量想通过传统的数据分析方法分析是很困难的(如通过散点图分析这些变量与销售业绩的相关性),只能使用机器学习技术;通过此项技术,可计算出不同变量(机器学习称为特征)对结果值(即销售业绩)的影响到底有多大。具体结果如下:

去年销售员业绩达成率分布如下图所示:

根据上图把销售业绩分为三类:平庸,中等和优秀;

其中平庸为业绩完成不到50%的;中等为业绩完成50%-99%的;优秀为业绩完成100%的。

下图可以看到优秀组和平庸组在这12个关键KPI的差异:

可以看到:

对业绩影响最大的变量为销售员销售的产品种类:业绩优秀的销售员,是所有产品都销售的;而业绩平庸的销售员,则只销售自己熟悉的产品。

其次,业绩优秀的销售员,和合作伙伴的关系很紧密,销售线索可能来自于合作伙伴,甚至合同都是与合作伙伴联合与客户签订;而业绩平庸的销售员,只依赖于公司内部市场部提供的销售线索。

第三重要的是平均合同金额。业绩优秀的销售员合同金额是平庸的销售员的2倍多;而较大的合同金额通常是因为每个合同销售的产品更多。

第四重要的是销售漏斗金额与销售指标的比率。业绩优秀的销售员会在全年保持稳定的销售机会创造率,其每月创造的销售漏斗金额是平庸销售员的3倍。

预测性分析

再细致分析不同销售人员这12个变量表现:

通过上图可以看出,尺有所短,寸有所长。比如,85号销售员看起来大部分变量都处于平均水平或之下,但是其也有闪光点,这些人里只有他每季度创造的销售机会超过平均水平,那其他人就可以向他学习如何提升这一点。

上图虽然可看出不同销售员在单个变量的表现,但是很难据此直接判断出其未来是否能完成业绩指标。如果可以做到这点,就可以把可能不达标的人提前找出来,进而给予其必要的帮助。

这里就需要用到预测性分析,通过建立预测性模型,根据其关键KPI的表现情况,即可以预测其业绩达标情况。小白根据历史数据训练出的预测模型,预测的准确率已经达到了95%。

处方式分析

预测模型完成后,即开始发挥作用。根据模型预测,刚入职一年的销售员小王很难完成今年的业绩指标,虽然其很努力,每月创造的销售机会比均值高不少,销售漏斗金额与销售指标的比率也OK,但是在部分关键指标表现不佳:

对销售业绩影响最大的因素之一就是合同的平均金额,目前均值是180K,但是其只有25K。

另外,看起来他不怎么和合作伙伴一起合作,公司平均60%的合同是和合作伙伴一起打单打下来的,而他的比率是0;而有合作伙伴参与的订单金额是没有合作伙伴参与的订单金额的6倍,胜率也更高。

因此,小王的直属主管找他沟通后,建议他着重提升合同的金额,并给出了以下改进措施:

首先,主管给到小王负责区域的合作伙伴名单,以及以往公司与每个伙伴签署的平均金额,小王需要更积极地联系合作伙伴。

其次,建议小王要提升捆绑销售软件的数量,公司平均有40%的软件都是捆绑销售出去的。主管给了小王捆绑销售占比较高的产品清单,以及在与合作伙伴和捆绑销售做的好的同事名单,要求小王找他们多沟通,看他们是如何做到的。

尾声

经过一年的时间,PAS公司的业绩得到了明显的提升:

本篇的实例来自于由Jenny Dearborn所著的《Data Driven: How Performance Analytics Delivers Extraordinary Sales Results》,Jenny Dearborn是SAP的高级副总裁兼首席学习官(Chief Learning Officer),被认为是组织学习、人力资本管理、销售绩效管理领域的领军人物。

至此,本系列文章就完结了,希望能帮助大家通过该系列了解数据分析在商业决策中的作用,并能在实际的商业决策中有意识的使用数据分析方法提升决策的效率和质量。

相关阅读

不是专业数据分析师的你,该如何科学地看待大数据呢?

当人们在不了解某样东西的时候,就会很容易神化或者妖魔化它。似乎很多创业人,都喜欢讲一些概念化的东西。例如前两年的互联网+,例如

分析了豌豆荚 7 万款 App,全是万万没想到

使用 Scrapy 爬取豌豆荚全网 70000+ App,并进行探索性分析。若对数据抓取部分不感兴趣,可以直接下拉到数据分析部分。一、分析背景

深入浅出:如何从0开始学习大数据挖掘分析?

文章梳理了学习大数据挖掘分析的思路与步骤,给大家提供一些参考,希望能够对你有所帮助。最近有很多人咨询,想学习大数据,但不知道怎么

数据分析的核心:建模

为什么我们要系统的研究建模过程?我们去扩展一个学科边界的两条路径,去研究底层概念去扩展应用领域,我们今天从底层入手。为什么我们

1.5万字|微信6.6.7产品分析报告

应该没有互联网人不认识张小龙,也没有网民不知道微信。微信作为一款国民级的产品,论产品本身堪称业界标杆,论产品团队,更是业界一流。

分享到:

栏目导航

推荐阅读

热门阅读