《数据分析篇》——线下业务的数据分析

本篇会聊一聊线下业务的一些特性，以及如何开展数据分析。

线下业务主要是一类在线下需要与用户发生实际接触的业务，它区别于互联网的线上业务，主要具有以下特点：

地域性
线下业务的一个特征，就是具有很强的地域性。尽管线上业务也会呈现一定的地域性，但这种地域性差异通常而言是由当地经济发展水平和人文挂钩。如一线城市的用户人均消费水平和付费服务开通率就是会强于三四线城市，四川、湖南、江西、贵州的辣椒酱销量就是会好于广东、福建等地。这种线上业务所呈现的地域性多是由外部因素导致，较难去施加影响，但线下业务所表现出来的地域性更多是内部因素导致的，是需要关注和改变的。

那么线下业务的地域性是如何形成的呢？

当一家企业的线下业务发展到全省乃至全国时，往往需要划分不同的区域交给数个区域负责人进行管理，从而形成：总部——大区/分部——城市这类金字塔的结构。而区域内线下业务表现则通常会与区域负责人的管理水平具有直接关系，这就是线下业务地域性所形成的核心原因。

滞后性
滞后性这点更多是从总部的数据分析师角度得出的。

上文提到了，不同区域的负责人其管理的水平和方法均有所不同，甚至同一个区域的负责人在前后两个月里采用的管理策略也有所差别。这些区域负责人所采取的策略有时会在实施前上报给在总部的老板或者大领导，又或者干脆自己先干了再说，但无论如何不同区域线下业务所实施的具体策略基本是不会给到总部对应的数据分析师的。一个重要理由是，区域负责人和总部数据分析师的职级不对等，处于更高职级的区域负责人没必要也不太可能把这些业务开展策略和管理方法汇报给数据分析师，而只会向更高职级的领导负责和汇报。

因此，从总部数据分析师的角度，通过数据发现到的现象和问题往往是滞后的。很可能部分区域采取新的策略开展业务已经一段时间了，数据分析师才通过指标发现异常，然后一段拆解猛如虎，好不容易得到一些结论汇报给大领导，结果大领导早就知道了，而且知道得更加详细。

强KPI
线下业务往往具有很强的KPI导向的特性，总部每月给各地区下发当月指标，区域负责人又把该指标分配给各个团队，团队负责人又会给个人指派任务，形成了一层一层的KPI结构。通常而言，总部给到各地区会有多个不同的指标，但其核心指标往往只有一个，也是问责时首要提到的指标。

以我在信用卡待过的经历为例，信用卡直销总部在前一年末会对老板给到的明年信用卡新户数做拆分，按照各分中心的表现和潜力分配明年全年和每月的新户数目标，分中心就根据这个新户数制定全年的人力计划和产能策略，到年末时总部领导就会以当年新户数任务的达成情况来评估各分中心负责人的表现和绩效。在这种情况下，新户数就是最为核心的考核指标，但信用卡销售还需要考虑首刷率、注销率、年费卡占比等，当某个分中心注销率过高时总部也会给分中心划一条红线，要求分中心在限定时间内把注销率降到该红线以下，达不到就在月度会议上公开问责。

分析思路
基于线下业务所具有的以上特点，在处理线下业务数据时需要注意如下几点：

区分地域

由于线下业务具有很强的地域性，因此进行数据展示时一定要根据地域或地区做好区分。线下业务的汇报可以在一开始按照各项指标做一个总览，但在接下的部分一定要用条形图或柱状图区分出不同地区在某一项指标上的表现。如果是数量指标，往往会与该地区的经营时间、经济发展水平、人口规模、业务铺开广度有关；而如果是质量指标，则会与管理水平、经营策略等因素相关。

如果仅仅是笼统地展示和分析线下业务的总体情况，而没有下钻到各地区和地域，得到的结论往往会不得要领。一定要注意，地域是线下业务数据拆分过程中一个不能忽视的维度。

多考虑完成情况

线下业务除了具有地域性的特点外，还很强调KPI的完成情况。如上所述，总部的KPI会分配给各个地区，各地区需要根据这个KPI在限定时间内尽可能完成，而这个完成情况往往是总部对地区考核的最为重要的因素之一，因此在分析线下业务整体经营时必须审视各个地区对其KPI的完成情况。

例如，当月总部的KPI完成了老板给到的95%，还有5%的缺口，那么就需要好好看看这个缺口是哪些地区造成的。在这个过程里，有一些地区超额完成，那么需要给与一定的嘉奖，而那些拖了总部后腿的地区则需要在全国里做出批评，督促其在下个月尽快改善。可以看到，在分析各地区的完成情况是能够搭配上相应的管理动作的，所以如果各地区有明确的经营任务和KPI，就一定不要忘记展示和分析各地区的完成情况。

强调人的作用

线下业务是由一个个人组成的，可以是外卖骑手、可以是挨个扫街的业务员、可以是逐家拜访的商务拓展专员，也可以是各个网点里的快递员，他们是线下业务的毛细血管，一点一滴地撑起整个业务。而他们向上一层的基层管理人员，则肩负管理、组织的职能，负责在高一些的维度上完成总部给到的任务。

这种金字塔结构是会与线上业务的经营有较大区别的。线上业务往往无障碍的直接接触用户，产品经理做的一个改动，运营同学上的一个活动，都可以直接影响用户。但同时，这些改动和活动又不必然会对用户相关指标有一个稳定且正面的影响，换句话说不是做得越多指标就越好看，这也才有了AB Test的存在。

但线下业务不一样，业务员只要多拜访客户，最后的业绩总会更高一些；基层管理人员只要多上一点心，多想一些办法，那么离KPI的完成就更近一点。他们是总部意志和策略的最终执行人，所以当总部需要推动某项政策或需要改善某项指标，就需要下达命令到具体的某些个体，由他们执行落地。这就如上面KPI那段一样，快到月末了，某些地区的KPI进度明显落后时间进度，就需要督促对应的负责人和执行人及时提出举措并尽快落地，避免当月KPI不达标。

模型使用的注意事项

但也正是由于线下业务中人的因素比重过高，并且数据分析师的信息获取不全且不及时，因此许多算法模型是较难在线下业务中落地的。例如，数据分析师想要用时间序列模型去预测未来一段时间里的线下业务某关键指标的表现，但这存在两个问题：

1、基层和地区管理人员的策略调整能否及时出现在模型的变量当中？

2、就算预测出来了，这有什么用吗？

第一个问题解决的是准不准的问题，而第二问题则是有没有用的问题。

如果想要模型准，就是把管理模式从分权改为集权，一切政令出自总部直达线下业务的各个个体，并且与构建模型的数据分析师共享信息，当发生变动时能够及时调整参数，这就能保证预测模型尽可能贴近实际情况。然而，这种理想情况在实际中很难落地，这就导致多数预测模型的准确度有限。

而另外一个问题就是，即使所做的预测模型有很好的准确度，这在线下业务有什么应用场景吗？线下业务所需要完成的最重要的一个任务就达成KPI，这个预测模型能够帮忙业务实现这一目标吗？数据分析师所做的预测模型可能很准，在月中的时候预测出某地区完成不了当月的KPI，但这与通过对比任务进度和时间进度这种小学生办法在准确度上又强了多少呢，后者甚至在可解释性上还要强上数十分。

如果一些常规的时序模型和预测模型在线下业务较难落地，那还有哪些算法和模型是能在这种场景下应用呢？根据观察，仅抛砖引玉如下几类：

1、基于运筹学的模型

这类模型应该是目前线下业务使用时间最长也最为成功的一类模型，在物流、快递、运客、外卖均有大范围、高深度的应用。

2、聚类算法

聚类算法在线下业务的使用场景多见于对业务员、基层管理者、区域管理者或者业务种类做画像，帮助总部实行分类管理。

3、异常检测

异常检测在线下业务里多用于识别高风险业务员和业务场景，这点和线上业务通过异常检测识别高风险用户的作用和目的区别不大，只是数据收集更难一些、数据质量也更差一些。

4、量化变量

与其说是一类模型，不如是一种线下业务的应用场景。这种场景下需要量化出不同变量的重要性或者改变某个核心指标或做了某个业务动作后对总指标的影响，也包括了对某一个组织或地区经营水平的定量打分。

 

参考：

[《数据分析篇》——线下业务的数据分析 - 知乎](https://zhuanlan.zhihu.com/p/377155212 )]