編輯導語：不同等級的數據分析師對“複雜”一詞的看法不一樣，那理解的意思也會有所偏差；那怎麼能快速並且正確的get到領導和客户的點呢？本文用數據分析的方式巧妙的解釋了這個問題。
很多同學表示：從0到1的文章很多，可面對複雜問題，該怎麼搭建數據分析思路呢？
首先，“複雜”一詞在不同等級的數據分析師裏含義不同。對小白而言，領導傳達命令的時候，有“模型”倆字的就是複雜問題，一聽“模型”，新人就開始狂翻《西瓜書》《統計學習》《機器學習》誓要與“模型”血戰300回合。
而有經驗的同學都知道，企業裏真正複雜的才不是這些。
來看個具體例子：
場景——電商行業（紙質書、視頻光盤等商品為主），客服領導對物流領導意見非常大，認為物流問題影響了客户滿意度；但物流領導表示：所有發貨不及時，發貨過程中包裝破損等問題已經被處理了，怎麼可能還有物流問題。現在有一份分析需求，要求：建立全面、細緻的客户滿意度評估指標體系。
一、什麼是真正的複雜問題問題1：收到這個需求，你會百度哪個關鍵詞？- 評估指標
- 客户滿意度指標
- 客服客户滿意度指標
- 物流客户滿意度指標
很多新人一看這種問題就覺得：簡單。不就是建個評估指標嗎，這種文章網上一天能見8篇。而且“客户滿意度”這個詞我也熟悉，又不是私域流量，精準畫像這種玄乎詞。於是開始百度上邊四個關鍵字，找一個看起來可行的就開始幹了。
可關鍵問題是：眼前的問題，是大家不知道客户滿意度怎麼考核嗎？
不是！眼前的問題是客服跟物流倆部門幹上了！這才是大問題。
所謂“客户滿意度”只是兩邊幹架的一個由頭。如果“客户滿意度”的標準不能讓兩邊共識，那不管書本上是怎麼定義的，只要你甩出來，都會被其中一方噴到死。這才是第一大難題。
所以這一題根本就不該選。第一步要乾的事，是先了解具體不滿的點在哪裏。
又有新人表示：既然是客服對物流不滿，那客服記錄用户來電裏，有“客户投訴”這一項，直接把這個指標拿出來不就完了（如下圖）
這就涉及到第二個難題：客户滿意度，是個含義豐富，但採集數據非常難的指標。
- 到底啥算滿意？
- 客户不滿意是不是就一定投訴？
- 是不是客户滿意了就不會投訴？
都不一定！特別是涉及物流問題：
- 可能客户假裝發脾氣，只是為了讓客服處理速度快一點。
- 也可能客户悶聲不響，但是最後退貨！退貨！退貨！
- 更有可能客户撥打的是諮詢/建議，但是發脾氣：為啥還不發貨！
只靠一個字段：投訴，是無法真實反映情況的。
比如客服領導給出來的“客户不滿意”是以下場景
如果按客户領導的説法，得把所有客户來電都轉文字記錄+關鍵詞過濾一遍才能識別情況。可顯然這麼幹太費時費力，得找個簡單的處理辦法。
然而這又涉及到第四個問題：客服的工作流程得調整。不調工作流程，依然會有大量真真假假的投訴混雜在其他來電裏，後續還是沒法跟蹤，客服依然會無休無止的抱怨，物流依然不知道自己錯在哪。然而，調流程這事，又涉及業務部門能不能、肯不肯、想不想的問題。
這時候如果有個人冒出來，説：“你們做數據的不是會人工智能大數據嗎，就不能我們照常幹，你們Duang一下就分析的一清二楚嗎。肯定是你能力不行”……是不是你也想打爆他的狗頭了。
部門利益有衝突
指標含義不清楚
原始數據內容亂
相關流程要改動
這些才是老鳥眼中真正難解決的問題。然而這也是企業真實的經營場景，那種數據完美，含義清晰，靜靜躺在excel表裏等着被建模的事，只存在於網上文章裏。現實就是各種利益糾葛，數據混雜，流程不清，咋弄呢？？？
二、如何建立分析思路總結下本次的問題。表面上看，是：客服反饋物流問題多，客户滿意度低。
可往深入看，客服與物流對客户滿意度口徑不統一，導致無法解決問題。
再往深入看，客户的很多問題並非物流引起，卻都怪到物流頭上，客服自己沒有做區分，而是一股腦打上門來。
這種場面下，有三種解決思路：
第一：中立判官如果得到了更高層授權，或者兩個部門能平心靜氣談，希望數據部門站在中間當判官，可以用這種思路。這時候可以圍繞客服反饋的客户不滿意問題，逐級梳理，把哪些是真問題，哪些是假抱怨一層層剝清楚：
如果兩個部門打的不可開交，鐵了心要吵架的話，可以用這個思路。數據部門好像一隻人畜無傷的小白兔，表示：“你看我們也不懂物流業務，也不懂客服業務，如果有需要區分哪些來電是不滿意的，可以業務給具體的區分規則，我們按規則去提取數據”。
是滴，讓兩家自己吵架，定清楚了到底什麼算不滿意、從哪裏、依照什麼標準提數，數據部門就當個跑數機。並且只給數據，不給判斷。這樣是看着很慫，但是能在部門混戰裏先保護好自己。
第三：解決問題注意，客户總是想多佔點好處，所以客户真真假假的抱怨是避免不了的。但物流提高配送能力卻是結結實實要花錢的。就像所有的老闆都説要提高客户滿意度，可你問他花100個億來提高滿意度——十有八九就不同意了。
所以站在解決問題的角度，第一步並非建立客户滿意度指標，而是先定義物流的服務原則，比如最長髮貨時間是多久，比如發貨破損率控制在多少等等。
有了這個標準，第二步就能推動客服，在應對客户投訴的時候，先區分有沒有違背服務原則。
如果有就是物流執行沒到位，轉物流處理；如果沒有，就得靠客服努力，或者安撫客户，或者向客户解釋原則。這樣大家都能在有限的成本內，最大化解決問題。
如果用問題解決思路，需要的分析就不1個建立客户滿意度指標體系，而是3個相互配合的分析
- 依據物流原則，目前執行不到位的客户情況分析
- 基於物流原則，客户真實不滿意、假不滿意的分析
- 基於現有客服安撫方式，客户真/假不滿意最終處理情況分析
分析的複雜度大大提高。實際上，解決問題導向的分析邏輯都很複雜，並且依賴於數據分析師的業務處理能力。
小結你會發現：
- 一般網絡文章裏的數據分析思路都是中立判官式的，作者都喜歡把自己當成最大的老闆，指點江山，真他媽爽。
- 一般現實工作中，都是故作小白的搞法。“請業務自己想清楚”“我就是個跑數據的，我啥也不懂”——到頭來經常被人罵“沒有用”“你分析了啥”。
- 一般老闆們解決問題的時候，會用問題解決型思路；可丟給數據分析師的，是三份獨立的取數表，跑數的同學還是不知道在幹啥。
其實三種做法，單獨看都沒錯，難的不是做某一種方法，而是審時度勢，結合真實的問題點，系統數據現狀，處理問題的決心，選擇一個貼合實際的做法。這就要求數據分析師們，如果真想參與解決問題的話，就得從問題溝通、開會、聊天就開始觀察情勢，構建思路，而不是像開篇那樣，上來抓個關鍵詞就百度走起了。
#專欄作家#接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議