很多同學在工作和麵試時都遇到一個要求：數據的分析要給出“可執行”的建議。“可執行”這仨字難倒了好多人。怎麼才算可執行？我要給銷售一個可執行的建議，所以我要自己去賣幾百萬的貨？我要給內容運營一個可執行的建議，所以我要建議她在標題裡“震驚！”“沸騰！”一下？我平時就會寫：“活躍率低了，要搞高”，該咋辦呀！以上種種問題，今天系統解答一下。
什麼叫可執行
很多做數據的新人，喜歡寫：活躍率低了，建議搞高。這就是典型的“不可執行”的建議。“搞”是一個動詞，光禿禿一個動詞丟出來，別人鐵定問：誰來搞？要搞誰？在哪搞？怎麼搞？搞多少？……一連串連珠炮似的問題。
面對這種疑問，沒有經驗的同學會直接被突突暈掉。可有經驗的同學知道，這裡是有套路的，就是5w2h方法，按這個思路梳理需求，就很容易整明白：到底要具體到哪些細節（如下圖）
然而梳理完成後，又有一個新問題：怎麼從數據裡推導出這些細節呢？這裡要結合具體的例子來講。我們就舉在線教育的例子，假設你是一個在線教育機構數據分析師，雖然全世界都在吹“在線教育2020年要火”可眼前就是光見花錢圈用戶，收入不見提升。領導要求你分析出“可執行”的建議了！咋辦？咱可以這麼做。
▌第一步：清晰宏觀方向
雖然具體的方案千差萬別。但是歸根溯源，都跟倆個東西有關：
- 時間緊迫性：需要用多久解決問題
- 資源豐富性：到底有多少投入
兩者對乾貨方法的影響，如下圖所示。
所以想讓自己的建議可行，首先得保證宏觀上的判斷正確：
- 這個事是多大的事，要搞到什麼程度才算結束（why）
- 這個事是不是現在要搞，能預留多久解決？（when）
把這兩個定下來，後邊就能調配資源，才能談細節
我們給的場景是：光見花錢圈用戶，收入不見提升。到底用戶增長，收入增長情況如何？通過趨勢分析法，可以進行初步判斷，比如下邊兩種場景，對應的問題嚴重性，緊迫性就不一樣。
經過趨勢判斷+目標計算，我們可以得出一個大致範圍。比如：
- 如目前趨勢持續3個月，年度銷售目標將無法達成
- 想達成目標，以下三個月必須扭轉局面
- 需要把人均付費做到1000以上
- 需要至少拉動20000個付費用戶
有個這個測算，我們就對宏觀形勢有了判斷，可以爭取資源，鎖定工作範圍。
注意：很多做數據的同學，在這一步會很糾結。越是做數據的，越想用一個精細的模型來論證未來走勢。經常做項目的人完全不這麼幹，他們反而傾向於簡單的加減乘除算賬，語言表達也很簡單直接：“現在一個月就500萬上下，不做到1000萬任務完不成！！！”
這是因為，這裡測算是為了爭取資源，需要領導們認同。因此：越複雜的方法，反而越容易誤導決策，越容易讓人們把精力放在“數字算的對不對”而不是“這個事到底該不該做”上。越簡單的推算，反而越容易讓不同知識背景、能力層次、認知水平的領導們達成共識。最終推動事情往下做。
所以如果做數據的同學們真想做可執行的建議，一定要控制自己的糾結程度。牢記：“說服別人才是第一目的，達成共識才是最終結果”，千萬別自己陷進細節出不來了。
▌第二步：落實作戰範圍
明確了方向，鎖定資源以後，可以具體討論該怎麼幹活。這就涉及：
- 誰來幹？（who）
- 哪裡幹？（where）
- 幹誰？（what）
這三個問題。
真想讓項目落地，選中責任人是最重要一環。責任不清楚，事情沒人理。做數據分析的同學們往往缺少這個責任意識，只是泛泛建議：“要推高客單價產品，要加強付費刺激，要做多活躍用戶”。這種建議當然不夠落地了。比如“做多活躍用戶”，既可以讓渠道多拉一些優質客源，也能讓運營多做一些拉活躍活動，還能讓商品管理出一些吸引力商品，幾乎人人工作都和它有關。人人負責就等於人人不負責，所以泛泛而言是無法落地的。
這裡有三個問題，在實際解決時候反而沒那麼複雜，因為企業的組織架構往往和任務是捆綁的。往往鎖定了where或者what的同時就把who一起搞掂了。所以熟悉組織架構，瞭解每個部門對應哪個環節，哪個群體進行工作，非常必要。
在線教育機構，可能組織架構與任務對應如下圖：
因此，對分析而言，這裡最要的是：找到關鍵問題癥結，集中發力。比如原問題：光見用戶多，不見收入漲。可以衍生出若干假設：
- 投放問題：用戶本身質量不高，對課程沒有需求
- 推廣流程問題：推廣環節多（比如先拉群，聽直播再推付費課），效率低
- 運營問題：學生復購低，原本推出來引流的課程無轉化
- 課程質量問題：課程吸引力低，競爭力差
之後分別尋找數據，驗證假設推導出核心問題。
注意：這是數據分析師最能發揮作用的地方，沒有之一。因為一般業務部門討論這些問題的時候，都會陷入本位主義，大家相互指責，都想證明自己沒問題。或者大家爭搶資源，都想證明自己的環節最重要。特別在在線教育，這種串行業務邏輯，上下游爭吵更激烈。數據分析師作為第三方角色，可以輸出更有說服力的答案。
▌第三步：鎖定執行細節
假設在第二步分析中，我們明確了：
- 首要問題內容產出不佳，對用戶吸引力不夠
- 次要問題是投放力度不足，需要增加投入
- 產品本身和競品差異不大，不怕競爭
那麼在第三步，可以聚焦解決“如何設計優秀內容，做好投放”上了。這樣分析建議離落地只差最後一步：建議以何種形式做。
大量數據分析同學都倒在了這一步。往往大家一聽“如何做”就怕了。“我是真不會寫文案啊！”其實完全不需要大家自己寫。站在數據分析角度，關注的不是某個具體idea，而是哪個套路更管用 。所謂：方向不對，努力白費。結合數據，找到更好的套路，才是數據分析的作用方式。
想找套路，就要先研究套路。這裡需要數據分析師對常用的業務套路所有了解。比如在線課程，是有常用推廣方式的：
有了分類以後，我們可以對每個分類推廣效果做分析，找到：
- VS自身，哪個類型推廣更容易達成效果
- VS行業，哪個類型與同業差異最大
- VS時間，哪個類型可以持續用
這樣在最後給建議的時候，可以給的非常精準：我們是XX類做的太少，需要加大力度到XX水平就能達成目標。比起空口說“要多做內容引流”，我們在開頭已經計算過具體還欠多少業績，因此完全可以根據每一類引流ROI，推算出花多少錢，達成多少效果。已經給足了時間和經費，後續想再做創意也有了空間。
小結
縱觀整個過程，大家會發現通過數據分析解決可執行問題，是一種從上自下層層遞進的方法。先確保方向正確，再落實到具體責任人，再具體到對象，再看具體操作大類的投入產出，至於最後的創意，能有就有，沒有拉倒。反正給足了時間、費用，只要做到平均水平，也能交差。頗有一種“只要開好了分礦，你平A過去就贏了”的感覺。
當然，這種層層遞進的邏輯方法，也是數據分析的短板。從經驗上看，數據分析師做的方案往往傾向於保守，往往缺少創意，這些都是太過理性的後遺症。而實際上商業成功往往不是理性的結果。天才的創意、勇猛的膽識、無敵的運氣、過人的機智、誘人的魅力、不可挑戰的權力，可能都是成功的因素。
然而，數據分析的獨特吸引力也在這裡。你會發現創意、機智、魅力是天生的，權力、運氣可遇不可求的，膽識加在蠢人身上就是災難。唯獨數據分析能力是可以通過學習、訓練、實驗、記錄來不斷提升的。所以基於數據提可行性建議，可能不會被採納，但只會越來越被重視。經濟大潮來了，怎麼都能成功，現在水勢不明的時候，就是數據方法大放異彩了。與大家共勉。
閱讀更多 商助科技 的文章
