基于数据分析给出运营建议，咋整？！思维导图

因为如果面试官多问一句：你准备搞到多高？就能把“要搞高”三个字干废了。无论怎么后续怎么解释都解释不清（如下图）

这就是：“说话的一张嘴，做事的跑断腿”的直观体验。“要搞高”三个字说起来轻松，可做起来一堆问题：

真要提建议，当然得从第一个问题开始。为什么非要搞高是最初的判断，也是最重要的判断。判断错误会把整个方向带歪，搞得大家兴师动众劳而无功，所以一定要慎重。

如果情况1不成立：比如是阅读量、用户数这种过程指标，判定就变得复杂。你得看这些过程指标的涨跌，和销售金额，毛利这种结果指标间有没有直接关系。如果是转化率这种比率型指标，就得先看是分子小了还是分母小了。

如果经过判断有问题，真的要搞高，那第二步的判断就是：要搞多高。很多人会说：不是越高越好吗？显然不是！应该是：在投入一定的情况下，越高越好。你的商品主管、用户运营、产品经理、网站开发在短期内的投入能力都是有限的，因此得定个合理的小目标。

如果上一步做的很扎实，那么这一步就非常好做：

再往下建议，先定干活的人，再讲具体怎么干。注意，不同部门可以干的事是有区别的。

因此想提有用的建议，得先明确是提给谁的。这里就需要拆解问题，落实到具体产品品类、用户等级上。但在拆解之前注意：先区分是整体性问题，还是局部性问题。如果是整体性问题，比如整体上流量不足，竞争对手争抢用户太厉害，产品线整体老化，这时候就得出杀招，考虑整体流量，出爆款。要是只是个别产品的问题，可以再具体考虑。因此看结构性变化，就是个重要的参考数值。

再往下继续提建议，会涉及到具体怎么做。请注意，“怎么做”是不能直接从数据层面推导的。比如在上例一中，我们看到了A产品销量下降是引发问题的关键，但是，是选择C产品替代A，还是基于A重新做活动，还是全站导流。这里需要业务的专业判断。

数据可以做的分两种：

这样层层深入，每一步都基于之前获得共识的判断，能非常有效的助力业务思考，也不容易被推翻。既不是一上来抛个宏大的话题：“要搞高”，也不是一下踩到很细的细节：“老夫掐指一算，只要在2月5日派200张面额50满200减50全场通用的券，定可逢凶化吉扭亏为盈”。这才是数据分析真正发挥作用的方法。

很多同学觉得提建议很难，总觉得提的不够细，其实主要是思考的不够细导致的。如果一上来只有一根曲线，没有走势分析，没有结构分析，没有标杆，肯定建议也细不下去。甚至连“要不要搞高”这么简单地建议都会提的毫无依据，很容易被挑战。

运营、产品、销售、营销做事情都是很具体的5w2h。

这里每一个点其实摊开来都是数据分析可以解释，验证的话题。但是如果直接插入这些细节，就会陷入：“为什么非得是A不是B”的各种论战里无法脱身。

因此我们建议用剥洋葱的方法：

这次结束留个思考题：

如果曲线是同样形状，把问题换成：

有兴趣的同学看可以下来练练，在练以前先思考，这五个指标和销售金额有什么区别，这种区别会导致的差异是什么。