今天来讲一个优秀的数据分析实战案例，全文硬核干货，大家做好扶稳慢慢看哦。

问题场景：某互联网大厂TOB业务线，可以向平台商家提供SaaS/Paas类服务，但苦于销售水平不高，沟通话术质量不佳，转化率不足；现计划做话术培训，提升客户转化率。

一、原始模型

最简单的做法，定义话术A，话术B，俩版本。直接看转化率，哪个高了用哪个就好了！（如下图）

那么，这么做有啥问题不？

二、高级建筑

最简单的做法，可能有几层问题：

问题1：未考虑销售本身的影响；有可能销售本身能力强，所以才卖得好；因此，需要针对不同层级的销售，比如S级、A级、B级、C级，单独分析话术效果。

问题2：未考虑客户的影响；有可能特定客户就是容易成交，因此需要区分客户等级，比如VIP1，VIP2，VIP3，分别看效果。

问题3：未考虑话术实际影响大小；有可能有的客户就是说啥都行，有的客户不管说啥都没用，只看价格；因此要做交叉测试，找到能受话术影响的客群（如下图）。

最后，得到的结果可能如下图，为每一类销售，每一种客户配置合理的话术，最大化产出。

三、第一层地基

问个简单的问题：销售的SABC级别是咋来的？

既然有分级，那么得有判定标准。

而构建判断标准本身，就是一个大工程。

比如：

是否业绩表现好的，就是好销售？

意向、签约、回款、复购，哪个方面能证明他是好销售？

以上四个方面，每个都至少有数量和金额两个指标……

如果选签约和回款，两个指标交叉就是一个矩阵，怎么定义好？（如下图）

如果是三个指标呢？如果是四个指标呢？

以上所有问题，都有的一番纠结，才有产出。

现在简化问题，假设就考察签约金额。签约金额高的就是好销售，那么问题又来了：考察多长时间内的表现？一加入时间维度，新的纠结又开始了：

比如：

考察1个月算不算数？3个月？半年？

考察1个月，这个月好，下个月不好，到底算不算好？

考察3个月，是考察总量，平均值，还是单月达标次数？

考察6个月，稳定性好，越来越好，先好后差的，要不要作区分？（如下图）

以上所有问题的处理，都是为了得出一个简单的业务员分级标签。

同样的问题，在客户那里也存在，一模一样的纠结。

比如评定客户等级：

考察哪些指标？

考察多长时间？

指标到什么水平算好？

考察期波动怎么处理？

在未签约前要不要做预测？咋预？

要不要在签约进度中修正预测？咋修正？

都分析清楚了，才能有准确的客户评级，特别是售前评级。

正是因为以上工作太过纠结。所以衍生出3种常见的处理办法：

从简单到复杂：先做单指标分类，再慢慢加，迭代几次。

先抓典型再总结：比如先让业务方标注几个正样本，然后研究他们的特点。

从结果倒推：比如业务方KPI是签约额，那为了达成这个目标，得做到多少。

每一种方法都有各自的工作办法，这里先不一一展开。只是为了让大家感受到：为了获取一个准确的分类，需要劳民伤财的大量工作，不然你就只能做最简单的，充满bug的模型。

然而，就算这样，问题解决了吗？

四、第二层地基

问：话术A 这个分类又是怎么来的？

实际上销售卖东西很少只说一句话，特别是toB类销售，前前后后得说很多东西。

这里至少有四个部分：

开场问候：开场寒暄，引入话题

产品介绍：主动介绍产品特点，优势，对客户的好处

问题答疑：针对客户的问题，解答客户疑惑

促单话术：催着客户赶紧下单

这里又衍生出来两个问题：

第一， 这四个部分的话术如何分类，上标签，加入到分析之中。

第二， 如何知道销售说了什么。

针对问题一，话术本身如何打标签，如何分类。可以做以下动作：

产品介绍的版本

客户问题点：功能、价格、体验、案例、系统接口

促单的话术分类：按项目进度、按优惠、按资源控制

总之，有了这些扎实的基础工作，才能有最初的话术A这一个分类标签。这是比较好处理的。

问题二，更纠结。

五、第三层地基

针对问题二，核心在于：数据怎么采集。

如果有SCRM系统，那么交易流程可以系统化实现，可以一定程度补足数据，比如展示了哪些案例（产品介绍环节）调用了哪些资料（问答环节）查询了哪些优惠（促单环节）。

如果没有系统支持，那就只能从其他行为反推，比如销售培训，比如销售策略，比如申请体验demo类型、数量，比如申请的优惠。

那么，又衍生出：

销售培训记录，培训类型标签库；

销售策略记录，策略分类标签库；

申请demo记录，申请类型标签库；

价格申请记录，产品价格折扣标签库。

没有这些记录和标签，整个销售过程处于失控状态，一不知道干了什么，二关联不到工作结果，根本无法深入分析。总之，一有记录，二有标签，这样分析起来才得心应手。

六、经验小结

如果孤立地看怎么找一个好的话术，似乎在地表建筑阶段，就已经做得很完美了；可实际上，如果脱离了下层大量的地基建设，再华丽的地表建筑也盖不起来。

整个流程串起来，就是用一个庞大的体系，解决了一点点业务上问题；虽然工作量大，但是它真的有效（如下图）：

注意：这套体系搭建完了，可以起个很好听的名字，比如CST模型（Customer Success Test），配合架构图听起来也是很唬人的。

七、常见问题

为啥实际工作中很难做出有用的分析？本质在于：缺少基建，脱离业务。

做数据的同学，过于指望统计学、算法本身，缺少基础业务标签建设，缺少受业务认可的标准结果，不会推动业务去改善流程，多收集数据。

做业务的同学，忽视流程对数据的影响，不重视流程规范与数据采集；以为数据是天上掉下来的，对数据建设漫不经心，却指望一个“来着头腾阿公司的大神”一炮搞掂。

两者一结合，就是盲人骑瞎马。实际情况是：

就只会拿着交易结果做交叉，然后无脑输出：

甲行业话术A转化率高14个点

乙行业话术B转化率高5个点

……

当销售部门来质疑“到底是销售本身不行、还是话术不行、还是产品不行、还是促销力度不够、还是外界因素？”的时候，一个问题都答不上来。最后只会颤颤巍巍地：“我们找几个销售调研下？？？”

八、场景扩展

有同学可能会说：销售过程本身数字化难度大，如果是线上交易就容易了，每一步都有数据记录呀。是滴，线上交易是有数据记录，是能画出转化漏斗，可真遇到最后转化率不高，咋分析？

要不要对推广渠道评级？

要不要预估各渠道响应率？

要不要对推广内容打标签？

要不要对CTA动作打标签？

要不要对转化产品打标签？

要不要对推送客群打标签？

这些都是同样的基础建设。这些东西不做，遇到最终转化率低，运营来质疑：到底是渠道本身不行、还是文案不行、还是产品不行、还是促销力度不够、还是外界因素？

又是只会拿着渠道类型，客户类型和转化流程拉交叉表。

又是只会叨叨：“因为第三步转化率低了”。

又是颤颤巍巍的：“我们找个用户调研下？”

所以呀，漏斗图和漏斗分析是两码事。做漏斗图容易，做漏斗分析，就得认认真真设计思路，做好基础，排除杂糅因素。

很多同学问：有没有比漏斗模型更高级的分析方法，其实只要做得好，漏斗图分分钟变成UJM模型。