这是陈老师《做一个人见人爱的数据分析师》长篇连载第四篇
第一篇：https://ask.hellobi.com/blog/chenwen/9670
第二篇：https://ask.hellobi.com/blog/chenwen/9686
第三篇：https://ask.hellobi.com/blog/chenwen/9701
（您现在在这里） 第四篇：https://ask.hellobi.com/blog/chenwen/9729
第五篇：https://ask.hellobi.com/blog/chenwen/9749
第六篇：https://ask.hellobi.com/blog/chenwen/9756
第七篇：https://ask.hellobi.com/blog/chenwen/9773
第八篇：https://ask.hellobi.com/blog/chenwen/9777
第九篇：https://ask.hellobi.com/blog/chenwen/9787
第十篇：https://ask.hellobi.com/blog/chenwen/9804
第十一篇：https://ask.hellobi.com/blog/chenwen/9833
“7月业绩不好？我们早知道拉！天热吗，街上都没人哪来业绩？这还需要分析？”——by 一群懒洋洋的销售。
“所以你们是指望我在外边设个坛给你们求雨吗？还真把写代码的当诸葛亮啦！真要是下雨了你们又要说下雨天没人流，业绩差早知道了。这不，8月份业绩不好，是不是要怪刮台风刮的啊！”——by 一脸无奈的分析师。
业绩差了把原因归结到外部因素，是业务部门很常见的一种态度。特别是实体企业。怨天怨地怨马云放屁，就是不怨自己不争气。这帮人发牢骚也就算了，还次次都黑上做数据分析的。着实令人讨厌。所以有什么办法让这些怂人闭嘴呢？
——很实在的办法：数据推算——
既然要怪天气我们就怪到底！
找到当地气温纪录，把政府发了高温警报的日期抽出来，分别打上高温天和正常天的日期标签。计算高温日单店业绩和正常温度单店业绩。顺便把去年的高温天数也计算出来。并且注意区分：既然是高温导致大家不出门了，那么对单店业绩影响的应该是客流量，不是客单价。
多做几个对比：
1. 是否仅仅是高温天减少了客流量，正常日期呢？（你们的引流是怎么做的）
2. 是否仅仅是减少了客流量，客单价呢？（你们的推荐是怎么做的）
3. 是否同期相比，高温天其实并没有少？（你们去年是怎么熬过来的）
4. 是否同区域相比，某些门店做的好？（人家凭啥比你们有本事）
OK，第四点可能有人继续质疑：人家位置好啊。那么就把地理位置也拿出来，根据交通情况继续打位置标签。比如步行街店（可能受高温影响最大）地铁店（你们应该是高温天的受益者）社区店（高温与你有毛线关系）……继续来对比啊，还有话讲吗？
还可以进一步追击：补充假设做预估。
1. 假设你们这些怂人没有偷懒，保持推荐工作质量，客单价没有下降，那么会不会达标？
2. 假设你们这些怂人没有躲起来吃西瓜，而是向XX门店/团队学习做了老客户拜访，那么会不会达标？
3. 假设你们这些怂人没有像往常一样把单压到月底冲，而是提前发力，那么会不会达标？
这里如果能配合巡店的定性材料，发现这些怂人的终端拦截基本没做、产品展示随随便便的话，就能彻底将他们击溃。业绩是做出来的不是算出来的，这是个基本常识。天天在这里装半仙算天气，有个毛用！
——一个经常被忽略的工具：业务标签库——
这些多维度交叉对比，依赖于数据背后的业务标签库。标签化是一个沉淀经验，简化分析过程的好办法。正如我们乐此不疲的讨论用户画像，推荐系统，讨论用户标签如何生成一样。其实业务部门特征、行为也可以标签化。标签化以后通过分组对比，就能找到一些埋伏在业务动作背后的逻辑，为进一步深入业务做准备
比如最简单的，昨天是2017年9月10日。这个日期身上都有多重标签：
标签1：教师节（节日消费、节日话题）
标签2：周日（假日消费）
标签3：9月上旬最后一天（每旬业绩结算、库存回顾）
标签4：天猫酒水节结束后一天（某些品类受电商影响）
多了标签以后，即使分析数据只有日期，品类，销售额3个字段，都可以衍生出至少4个新字段进行分析。
类似的做法还有很多，实际上针对销售团队，特别是线下销售与B2B的销售，至少有五个方面可以贴标签：
时间维度：节假日/工作日；正常经营日/结算日……
地点维度：根据位置划分，如：步行街/大卖场/社区……
业绩维度：根据业绩总规模和增长速度两维度交叉划分
产品维度：擅长推哪些产品，不擅长做哪些产品，擅长做大单还是打散客
客群维度：高中低客群，特定人群
很多做实体企业分析的同学抱怨数据少，实际上相当多数据可以通过标签来丰富。
——业务标签应用——
业务标签最大的作用，是可以以始为终，从结果反推原因，从而方便快捷的帮销售部门思考对策。比如实体企业的销售们都喜欢抱怨电商冲击，那么我们只要能量化出：在XX电商XX力度的促销下，我们的品类会下降多少。就能帮助他们提前做应对。比如根据今年的电商促销节奏，出一张“全年电商促销表”，标明我们受影响的时间和预计受影响幅度。销售部门就可以提前下手，考虑打个时间差还是集中促销资源投放血拼。
这比纠结：“我们的客户里，到底有多少因为在天猫买了所以没有在我们这里买”要实在的多。即使拿到数据又怎样？业绩是做出来的不是算出来的。既然明知道天猫促销期间会少几百万业绩，为什么不提前做准备？为什么不主动跟进客户？
非要拿到外部影响数据的明细才做分析下结论，其实是业务部门的另一种甩黑锅技巧。这样就可以把决策失误永远怪罪给分析师没有本事，数据不完整上。所以做数据的同学们千万别自己往坑里跳，试图拿全量数据再分析（相当多新人有这个坏习惯）
——本文还差一点点就完了——
实际上，陈老师就做出全年节日清单给到过销售部门，做法相当简单：节日时间—热销产品SKU—对应业绩。但相当受销售欢迎，因为确实非常实用啊。这样通过简单分析能取得信任和口碑的事情，做的越多越好。
正如同用户标签可以做聚类，可以做分群，做用户细分一样。业务标签也可以。这样会进一步指引我们找到业务的核心逻辑，从而增强分析能力。具体技巧，稍后送上。
想体系化了解如何助力业务作出成绩，戳：https://edu.hellobi.com/course/179，完整展示业务分析思路，训练脚踏实地解决问题的技能
然而，你说我就是个专员，天天打杂怎么进步？戳：https://edu.hellobi.com/course/216 ，看如何积累经验，快速摆脱琐碎工作
作者介绍：陈老师，在咨询行业打拼了9年，在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战，天善智能特邀专家。
数据分析职场路上有困扰吗？不妨到《数据分析师八大能力培养课程》https://edu.hellobi.com/course/272 里聊聊！
视频课程特色：
从真实数据分析工作场景出发，训练实战能力
启发式教学+大量实际操练，培养属于自己的能力
不依赖于某个具体技术，也适合对数据分析感兴趣的学生、业务部门人士学习
