本篇會聊一聊線下業務的一些特性，以及如何開展資料分析。

線下業務主要是一類線上下需要與使用者發生實際接觸的業務，它區別於網際網路的線上業務，主要具有以下特點：

地域性
線下業務的一個特徵，就是具有很強的地域性。儘管線上業務也會呈現一定的地域性，但這種地域性差異通常而言是由當地經濟發展水平和人文掛鉤。如一線城市的使用者人均消費水平和付費服務開通率就是會強於三四線城市，四川、湖南、江西、貴州的辣椒醬銷量就是會好於廣東、福建等地。這種線上業務所呈現的地域性多是由外部因素導致，較難去施加影響，但線下業務所表現出來的地域性更多是內部因素導致的，是需要關注和改變的。

那麼線下業務的地域性是如何形成的呢？

當一家企業的線下業務發展到全省乃至全國時，往往需要劃分不同的區域交給數個區域負責人進行管理，從而形成：總部——大區/分部——城市這類金字塔的結構。而區域內線下業務表現則通常會與區域負責人的管理水平具有直接關係，這就是線下業務地域性所形成的核心原因。

滯後性
滯後性這點更多是從總部的資料分析師角度得出的。

上文提到了，不同區域的負責人其管理的水平和方法均有所不同，甚至同一個區域的負責人在前後兩個月裡採用的管理策略也有所差別。這些區域負責人所採取的策略有時會在實施前上報給在總部的老闆或者大領導，又或者乾脆自己先幹了再說，但無論如何不同區域線下業務所實施的具體策略基本是不會給到總部對應的資料分析師的。一個重要理由是，區域負責人和總部資料分析師的職級不對等，處於更高職級的區域負責人沒必要也不太可能把這些業務開展策略和管理方法彙報給資料分析師，而只會向更高職級的領導負責和彙報。

因此，從總部資料分析師的角度，通過資料發現到的現象和問題往往是滯後的。很可能部分割槽域採取新的策略開展業務已經一段時間了，資料分析師才通過指標發現異常，然後一段拆解猛如虎，好不容易得到一些結論彙報給大領導，結果大領導早就知道了，而且知道得更加詳細。

強KPI
線下業務往往具有很強的KPI導向的特性，總部每月給各地區下發當月指標，區域負責人又把該指標分配給各個團隊，團隊負責人又會給個人指派任務，形成了一層一層的KPI結構。通常而言，總部給到各地區會有多個不同的指標，但其核心指標往往只有一個，也是問責時首要提到的指標。

以我在信用卡待過的經歷為例，信用卡直銷總部在前一年末會對老闆給到的明年信用卡新戶數做拆分，按照各分中心的表現和潛力分配明年全年和每月的新戶數目標，分中心就根據這個新戶數制定全年的人力計劃和產能策略，到年末時總部領導就會以當年新戶數任務的達成情況來評估各分中心負責人的表現和績效。在這種情況下，新戶數就是最為核心的考核指標，但信用卡銷售還需要考慮首刷率、登出率、年費卡佔比等，當某個分中心登出率過高時總部也會給分中心劃一條紅線，要求分中心在限定時間內把登出率降到該紅線以下，達不到就在月度會議上公開問責。

分析思路
基於線下業務所具有的以上特點，在處理線下業務資料時需要注意如下幾點：

區分地域

由於線下業務具有很強的地域性，因此進行資料展示時一定要根據地域或地區做好區分。線下業務的彙報可以在一開始按照各項指標做一個總覽，但在接下的部分一定要用條形圖或柱狀圖區分出不同地區在某一項指標上的表現。如果是數量指標，往往會與該地區的經營時間、經濟發展水平、人口規模、業務鋪開廣度有關；而如果是質量指標，則會與管理水平、經營策略等因素相關。

如果僅僅是籠統地展示和分析線下業務的總體情況，而沒有下鑽到各地區和地域，得到的結論往往會不得要領。一定要注意，地域是線下業務資料拆分過程中一個不能忽視的維度。

多考慮完成情況

線下業務除了具有地域性的特點外，還很強調KPI的完成情況。如上所述，總部的KPI會分配給各個地區，各地區需要根據這個KPI在限定時間內儘可能完成，而這個完成情況往往是總部對地區考核的最為重要的因素之一，因此在分析線下業務整體經營時必須審視各個地區對其KPI的完成情況。

例如，當月總部的KPI完成了老闆給到的95%，還有5%的缺口，那麼就需要好好看看這個缺口是哪些地區造成的。在這個過程裡，有一些地區超額完成，那麼需要給與一定的嘉獎，而那些拖了總部後腿的地區則需要在全國裡做出批評，督促其在下個月儘快改善。可以看到，在分析各地區的完成情況是能夠搭配上相應的管理動作的，所以如果各地區有明確的經營任務和KPI，就一定不要忘記展示和分析各地區的完成情況。

強調人的作用

線下業務是由一個個人組成的，可以是外賣騎手、可以是挨個掃街的業務員、可以是逐家拜訪的商務拓展專員，也可以是各個網點裡的快遞員，他們是線下業務的毛細血管，一點一滴地撐起整個業務。而他們向上一層的基層管理人員，則肩負管理、組織的職能，負責在高一些的維度上完成總部給到的任務。

這種金字塔結構是會與線上業務的經營有較大區別的。線上業務往往無障礙的直接接觸使用者，產品經理做的一個改動，運營同學上的一個活動，都可以直接影響使用者。但同時，這些改動和活動又不必然會對使用者相關指標有一個穩定且正面的影響，換句話說不是做得越多指標就越好看，這也才有了AB Test的存在。

但線下業務不一樣，業務員只要多拜訪客戶，最後的業績總會更高一些；基層管理人員只要多上一點心，多想一些辦法，那麼離KPI的完成就更近一點。他們是總部意志和策略的最終執行人，所以當總部需要推動某項政策或需要改善某項指標，就需要下達命令到具體的某些個體，由他們執行落地。這就如上面KPI那段一樣，快到月末了，某些地區的KPI進度明顯落後時間進度，就需要督促對應的負責人和執行人及時提出舉措並儘快落地，避免當月KPI不達標。

模型使用的注意事項

但也正是由於線下業務中人的因素比重過高，並且資料分析師的資訊獲取不全且不及時，因此許多演算法模型是較難線上下業務中落地的。例如，資料分析師想要用時間序列模型去預測未來一段時間裡的線下業務某關鍵指標的表現，但這存在兩個問題：

1、基層和地區管理人員的策略調整能否及時出現在模型的變數當中？

2、就算預測出來了，這有什麼用嗎？

第一個問題解決的是準不準的問題，而第二問題則是有沒有用的問題。

如果想要模型準，就是把管理模式從分權改為集權，一切政令出自總部直達線下業務的各個個體，並且與構建模型的資料分析師共享資訊，當發生變動時能夠及時調整引數，這就能保證預測模型儘可能貼近實際情況。然而，這種理想情況在實際中很難落地，這就導致多數預測模型的準確度有限。

而另外一個問題就是，即使所做的預測模型有很好的準確度，這線上下業務有什麼應用場景嗎？線下業務所需要完成的最重要的一個任務就達成KPI，這個預測模型能夠幫忙業務實現這一目標嗎？資料分析師所做的預測模型可能很準，在月中的時候預測出某地區完成不了當月的KPI，但這與通過對比任務進度和時間進度這種小學生辦法在準確度上又強了多少呢，後者甚至在可解釋性上還要強上數十分。

如果一些常規的時序模型和預測模型線上下業務較難落地，那還有哪些演算法和模型是能在這種場景下應用呢？根據觀察，僅拋磚引玉如下幾類：

1、基於運籌學的模型

這類模型應該是目前線下業務使用時間最長也最為成功的一類模型，在物流、快遞、運客、外賣均有大範圍、高深度的應用。

2、聚類演算法

聚類演算法線上下業務的使用場景多見於對業務員、基層管理者、區域管理者或者業務種類做畫像，幫助總部實行分類管理。

3、異常檢測

異常檢測線上下業務裡多用於識別高風險業務員和業務場景，這點和線上業務通過異常檢測識別高風險使用者的作用和目的區別不大，只是資料收集更難一些、資料質量也更差一些。

4、量化變數

與其說是一類模型，不如是一種線下業務的應用場景。這種場景下需要量化出不同變數的重要性或者改變某個核心指標或做了某個業務動作後對總指標的影響，也包括了對某一個組織或地區經營水平的定量打分。

參考：

[《資料分析篇》——線下業務的資料分析 - 知乎](https://zhuanlan.zhihu.com/p/377155212 )]