活动做的好不好，到底谁说了算？
“花费300万成本做促销推广，买了一堆KOL，淘宝广告，微博刷屏，最后转化率0.00008，也是极其成功的活动，原因有三：”
“第一，花钱做社交媒体就是没转化的，这是常识”
“第二，营销的核心关注点是用户的情绪，不是数据”
“第三，这种活动对品牌长期效应难以估量，数据是不管用的”
品牌总监振振有词的说道，还随手转发了若干自媒体，公关大V发的《谈ROI的都是耍流氓》一类文章。“你看资深人士都是这么说呢！不要相信数据分析的结论，他们不懂业务！”
作为数据分析师的你，听了这种言论是什么心情？
呵呵！
活动做的不好的时候，数据就不是重点了。
活动做的不好的时候，就开始抱怨什么难以量化了。
活动做的不好的时候，就开始扯什么“长期”，“情绪”了。
十有八九，后边还有一句：“不是我们策划的不好，是我们的数据分析做的不到位。我们的数据分析没本事估量长期效应，收集不到口碑数据。我们的大数据建设严重落后，无法做深入分析。你看，我们刚刚又花了笔钱做调研，调查回来用户满意度99.9%，用户6个月后都考虑购买呢”。
呵呵*2=呵呵！呵呵！
可以预见，如果活动做的好，一定是这么个场景：
我们ROI=1:250，新增用户300万人，拉动业绩7.5亿，推动老板您本月KPI达成率250%。这个时候就没有数据不准，数据不是重点，数据难以量化了。所以数据管不管用，准不准确，主要是根据业务部门的心情与需要来决定的，恩恩。
呵呵*3=呵呵！呵呵！呵呵！
当然，上述场景只是最近爆火的一个话题引出的段子。然而问题却是很现实的。我们总说：“数据驱动决策，分析提升效益”然而数据经常成为业务部门的玩具。碰上强势的，好诡辩的业务部门是很郁闷的事。数据变成了他们事前立flag，事后甩锅的工具.轻则抱怨分析无能，重则把责任都甩给你，说是你分析不准导致误判，着实令人气愤。
拒绝黑锅，可以做这三件事
（1）摆正位置：反映事实是数据分析师基本职责
业绩是做出来的，不是算出来的。数据分析师只对事实负责。再好的分析，也得靠业务部门落地。再好的报告，也需要文案，策划，投放，促销力度，礼品，图片来支持。最终成果是所有部门通力合作的结果，不是数据分析师神机妙算，掐指一算就出来的。
数据分析师的基本职责与第一要务，是保证反馈事实的真实性。所谓的真实，是可观察，可量化，可复核的明确指标。因此需要聚焦内部的，可跟踪的，可查来源的数据。这也是为什么数据分析一般会和调研分开两个部门独立工作的原因。如果一个指标难以观察，无法量化，也无从复核，那么宁可大大方方的承认我们无法分析，也不要随意的蹚这趟浑水。因为失去了真实性与客观性，数据分析师的存在的根基就没有了。
不解决增长问题的营销都是耍流氓，不支持增长的分析也是耍流氓。数据分析师们关注数据指标，量化复核，本质上是为了积累成功经验，提升后续工作的效果。如果一个活动真的不考虑收益，不考虑效果（随便玩玩），那跟数据分析师有什么关系？如果不承认眼前的效果，非要扯长期效应，那么我们就认真来探讨：什么算长期，是观察3个月？6个月？还是9个月？是关注消费金额还是消费频次。
所以大家注意：如果真的业务方坚持：“这个XXX项目就是不赚钱，没效益，花几百万是为了玩玩，这是常识”那么在立项的时候大家说清楚，不考核，不设KPI，不做分析。泾渭分明。只要涉及效益，涉及考核，那么在事前一定要了解清楚业务背景，选择老板认可的观察指标。事前谈清楚，事后少扯皮。数据质量，数据采集，数据分析都不是问题的遮羞布。
（2）明确标准：“好”“坏”是什么，提前说清楚
单纯有指标是不够的，什么算好，什么算坏必须提前说清楚。好和坏都是相对值，那么参照物是谁就非常重要。理论上，可以参照：
活动前XXX天 VS 活动后XXX天
参与活动群体 VS 不参与活动群体
有活动区域 VS 没有活动区域
有活动产品 VS 没有活动产品
有活动时期 VS 无活动时期
正常销售进度 VS 活动预定目标进度
然而，没有一种对比方法是完美的。因为很难完全剥离其他因素。比如季节，比如产品特性，比如其他活动影响，比如“自然购买率”。越是声势浩大的活动，越会夹杂各种乱七八糟的因素。所以取一个完全无争议的，纯净的对比方式是很困难的。
树立标准，更多是要达成共识，特别是和老板的共识。只要老板认这个结果就万事好办。执行过程中，大家对这着结果努力。毕竟，业绩好万事好说，业绩差罪责难逃。做的不好，在老板面前找什么理由都白费。所以没必要自己折腾自己，非要提炼一个纯净的指标。而是聚焦到老板的关注重点。
当然这个标准也是要事先说清楚的。不然事后就等着业务部门无休无止的质疑你的评估算法不合理吧。
（3）梳理逻辑：潜在问题要主动分析提示
有了明确的考核指标与清晰的评估标准，数据分析师们可以施展拳脚了。我们说无法量化就无法考核，无法考核就无法改进。但是可量化，可考核的话，就能找出问题了。还是开篇的例子，如果要支持一个推广促销活动，可以至少分析以下维度：
整体上活动逻辑是否有偏：活动设计是建立在用户需求洞察之上的。虽然调研能更深层的捕捉用户意见，但用户实际购物行为靠内部数据更容易验证。比如活动希望向XX类型用户推一个产品，那么通过用户画像，该类型用户是否真的有需求？是否过往有购物记录？是正好在补货周期内还是已经被满足？这些分析可以防止活动出一些本质性问题。
策划上，具体要求是否合适：80%的用户单笔消费在300以下，非要把活动参与门槛定在单笔1000块；70%用户购买后3个月内才会补货，非要把活动时间放在上次活动结束1个月后。这种问题都是典型的思路正确，执行错误。虽然业务部门做方案的时候会有自己的理由，但是这种明显误差必须主动提示，让他们想清楚可能的风险。
推广上，渠道选择是否合理：对于各个推广渠道，历史的新人数，转化率，ROI数据是非常重要的。对于推广效果不佳的渠道，既然已经吃过亏了，下次就得慎之又慎。而不是拍脑袋搞什么大张旗鼓，全线铺开；也不是自以为换个文案图片就能摆平所有问题。业务部门可能脑子一热就想出来一个很好听的口号，但是疗效还是要靠分析是来把关的。
运作上，即时告知风险与机会：虽然考核结果的时候关注的是一两个核心指标，但为了提高运作效率，监控活动执行时，推广→响应→销售→库存一整个活动链上的数据最好都详细看。保证产品供应充足，在响应低的时候主动提示，便于业务部门第一时间启动预案，免得事后再懊恼效果不好。
当然，以上的话是说给知心人听的。数据支持业务，优先支持的是尊重数据，共同打造业绩的业务部门。
原文发布时间为：2018-11-10
本文作者：陈文
本文来自云栖社区合作伙伴“Python爱好者社区”，了解相关信息可以关注“Python爱好者社区”。
