要深度分析問題原因，不能只統計數字，流於表面！每次寫原因分析類報告，都有領導這麼咆哮道。而聽到這個要求，很多新手同學又是眉頭一皺眼睛一閉：媽耶，咋整啊。今天我們系統講解下。

問題場景：
某硬體+服務的大企業，正在推微信服務小程式，目標是降低人工客服工作量。可全力推進一段時間後，人工客服未見減少。客戶服務中心（一級部門，很有權勢）領導大為不滿，要求資料分析，為啥推廣小程式沒有減少人工客服量。

1 核心難點

歸因問題首先難在：領導期望太細、太具體，而資料分析給不到。

資料分析產出的：30%的來電使用者未繫結小程式，所以應該加強繫結。40%使用者綁定了但是近1個月不登入，所以應該加強運營。

領導期望的：使用者為什麼不繫結？是不知道綁？不會綁？不想綁？為什麼又不想綁？是我們沒宣傳？宣傳了還是話術沒說對？話說對了但是客人沒認真聽？

是滴，領導們期望的是這些具體的原因，這樣才能針對性做改善。可這些具體的原因往往涉及使用者心理、業務動作、使用者與一線業務互動，根本沒有資料記錄，很難量化分析。可如果只給一個很粗的“加強繫結”的建議，肯定業務方不買單。誰來加強，加強哪裡，加強到什麼程度，一共十三步操作繫結排第幾，這些具體問題都沒有答案，自然會抗拒這種結果。

然而，即使是再做細緻拆分，還有另一個核心難題：使用者綁定了不登入，到底是因為使用者太蠢，但是我們沒做好？這個問題深挖下去是個無底洞，因為本身這兩者就是相輔相成，很難完全剝離某一方面理由。然而卻總被人拿來甩鍋。咋辦呢？

2 破局思路

想破局，關鍵在於：不要企圖把所有的問題，都用資料分出來原因。人的情緒都有感性、複雜、衝動的部分，不可能全部用理性、邏輯的數字來量化。想破局，第一步要把原因和具體的業務動作對應起來，然後搞成一個政治正確的行為，讓業務方不得不接受。

比如：公司今年的大方向是數字化升級，所以在營業廳辦理過業務的客戶，必須繫結小程式，沒有繫結的就是營業廳沒做好！雖然有可能是因為客戶自己不想綁，但是不管這麼多，他不想綁，可以想各種辦法，給好處，幫客戶操作，總之搞掂他！不要扯什麼客戶意願、什麼操作習慣。這就叫政治正確。

當然，真這麼強硬要求，結果肯定是逼死一線（所有的政治正確都會逼死人，不止這個）。因此，第二步，要合理地提目標。比如大目標是：減少人工客服量。我們要做的是通過資料優化，讓整體趨勢下行即可（如下圖）

有了前兩步鋪墊，第三步就可以打資料標籤。使用者的行為、客服服務內容、業務動作，都可以歸納為標籤，有了標籤，就能把感性的，場景化的，難以量化的行為，部分轉化為資料可記錄的內容，從而為分析鋪路（如下圖）

第四步，就能利用資料標籤進行歸因了。比如“營業廳沒有做好指引，所以新使用者在營業廳註冊報裝後，還是沒有繫結小程式”這種感性的原因就能被簡單歸為：新使用者+已註冊+未安裝+未繫結。有了這個標籤，能夠識別哪些使用者是因為營業廳沒有引導到位而諮詢客服，從而進一步思考對策。

當然，實際操作中標籤可能很多，因此有必要梳理好標籤之間邏輯，從而清晰的進行分層歸因，這就是從找一個原因到梳理歸因模型的過程。

3 模型構建

構建模型過程，本質上是梳理邏輯，形成系統化解釋的過程。因此可以按照使用者生命週期，進行分類構建。從經驗上來看：投訴類來電，在業務上性質特殊，屬於高風險行為。別的來電都能用小程式替代，唯獨怒氣衝衝的客戶，必須用人工來服務，至少讓人家消消氣。不然一怒之下弄上新聞媒體，客服領導面子也掛不住。因此在梳理邏輯的時候可以單獨分類處理。

非投訴使用者可以分為：潛在使用者、新使用者、已開戶使用者三類人。三類人需求差異明顯，客服服務政策也有區別。比如潛在使用者諮詢，本身屬於有潛在收益行為，因此是可以作為銷售線索轉營銷系統跟進的。真正要關注的，是常規操作、進度知會、活動諮詢等等。這些資訊釋出、使用者互動，沒有風險、沒有收益、純粹是使用者自己操作還是客服代為操作的問題，甚至在小程式更簡單。因此可以想各種辦法分流。（如下圖）

梳理完邏輯以後，可以將資料填入模型，觀察問題大小。解決問題，可以從大到小安排，優先考慮當前佔比高的問題，也可以從簡單到複雜解決，優先落實容易執行的。總之各個擊破，逐步降低人工客服的工作量，只要整個曲線走勢是持續向下的，就能證明工作成效。且對比建立模型之前，歸因的細節極大豐富，很容易在領導那裡過關（如下圖）

當然，以上示例只是一個解題思路，還可以從其他維度入手構建模型。業務流程不同，目標不同，歸因方法肯定也有差異。只要業務看到資料以後，能很清晰的知道自己做什麼，就算達到目的了。

4 小結

很多人會很糾結：到底原因是什麼。其實就跟談戀愛一樣，分手以後追著前女友/前男友苦苦問：為什麼！為什麼！到底是為什麼！一點意義都沒有。企業經營也是同理，我們不是搞科學研究的，而是來掙錢的，所以真實原因可能永遠無法知道，但是隻要經營指標是向好發展，業務能不斷改善，目的就達到了。

可惜即使講到這裡，還是有很多人不明白，甚至一些做資料的老鳥也會猜這個坑。非要糾結於細節原因，甚至丟下資料，去搞使用者訪談，去做1對1深度溝通。結果嗎，自然像你拖著前女友/前男友，痛哭流涕的問：“為什麼！為什麼！到底為什麼！”一樣，人家回答：

渣男：你很好，我們只是沒緣分
渣女：你很好，我只是不喜歡男人

你信嗎？！……你最好不要信！萬一真信了，女的天天求神拜佛苦等渣男回頭，男的胯下一刀胸口一填重新做人，那就真把自己整完蛋了。哈哈哈哈。如果大家感興趣，本篇集齊60在看，我們下一篇分享一個如何對使用者運營歸因的例子，敬請期待哦。

原創精選推薦：

• 資料分析師的績效，該如何考核？
• 業務分析模型，該怎麼搭建
• 資料運營體系，該如何搭建

多倫多 Toronto滑鐵盧 Waterloo英屬哥倫比亞 UBC阿爾伯塔 UA西安大略 UWO-不列顛哥倫比亞 UBC-曼尼託巴 UM-西蒙弗雷澤 Clan麥吉爾 McGill維多利亞 UVic西蒙菲莎 SFU布魯克 Brock薩省 Saskatchewan紐芬蘭紀念 Newfoundland渥太華 Ottawa溫莎 Windsor溫莎 Windsor卡爾頓 Carleton卡普頓 CBU卡爾加里 UofC圭爾夫 Guelph肯考迪亞 Concordia溫哥華島 VIU百年理工學院 CENTENNIAL戴爾豪斯 Dalhousie昆特蘭理工 KPU西三一 TWU卡普蘭諾 Capilano亞崗昆學院 Algonquin勞裡埃 WLU喬治布朗學院 George Brown道格拉斯學院 Douglas哥倫比亞國際學院 CIC昆士蘭 澳洲UQ莫納什 澳洲Monash新南威爾士 澳洲UNSW澳洲國立 澳洲ANU麥考瑞 澳洲Macquarie阿德雷德 澳洲Adelaide墨爾本 澳洲Unimelb皇家墨爾本理工 澳洲RMIT悉尼科技 澳洲UTS臥龍崗 澳洲UOW南澳 澳洲UniSA迪肯 澳洲Deakin塔斯馬尼亞 澳洲UTAS悉尼 澳洲USYD澳洲紐卡斯爾 澳洲UON格里菲斯 澳洲GU昆士蘭科技 澳洲QUT中央昆士蘭 澳洲CQU維多利亞 澳洲UVic詹姆斯庫克 澳洲JCU堪培拉 澳洲UC南十字星 澳洲Southern Cross西悉尼 澳洲WSU斯威本科技 澳洲SUT南昆士蘭 澳洲USQ新英格蘭 澳洲England莫道克 澳洲MU拉籌伯 澳洲LTU西澳 澳洲UWA邦德 澳洲Bond陽光海岸 澳洲USC曼徹斯特 英國UoM雷丁 英國UoR亞伯 英國Aber卡迪夫 英國Cardiff利茲 英國Leeds利物浦 英國Liverpool考文垂 英國Coventry　愛丁堡 英國Edinburgh伯明翰 英國UoB杜倫 英國Durham拉夫堡 英國LU華威 英國Warwick巴斯 英國Bath白金漢 英國UCB牛津 英國Oxon帝國理工學院 英國IC伯明翰 英國UoB格拉斯哥 英國Glasgow南安普頓 英國Soton諾丁漢 英國UNUK薩里 英國Surrey中央蘭開夏 英國UCLAN牛津布魯克斯 英國UNUK伯明翰城市 英國BCU西英格蘭 英國UWE阿伯丁 英國Aberdeen薩塞克斯 英國Sussex倫敦政治經濟學院 英國LSE約克 英國York倫敦學院 英國London謝菲爾德 英國Sheffield埃克塞特 英國Exon倫敦藝術 英國UAL金斯頓 英國Kingston倫敦瑪麗女王 英國QMUL布魯內爾 英國Brunel倫敦城市 英國CITY伯恩茅斯 英國BU樸次茅斯 英國UOP卡迪夫城市 英國UWIC赫特福德 英國Hertford愛丁堡藝術學院 英國ECA澳門 澳門UM香港中文 香港CUHK

香港理工 香港PolyU香港科技 香港HKUST香港教育學院 香港EdUHK香港嶺南 香港LU澳門科技 香港MUST澳門理工學院 澳門IPM香港浸會 香港HKBU澳門城市 澳門CUM香港城市 香港CityU澳門旅遊學院 澳門IFT共和理工學院 新加坡RP南洋藝術學院 新加坡NAFA義安理工學院 新加坡NP淡馬錫理工學院 新加坡TP科廷 新加坡Curtin 南洋理工學院 新加坡ntu 英迪 馬來INTI 世紀 馬來SEGi 亞太科技 馬來APU 精英 馬來HELP 漢陽 韓國Hanyang 慶熙 韓國Kyung 東國 韓國Dongguk 高麗 韓國Korea 建國 韓國Konkuk 中央 韓國Chung 延世 韓國Yonsei 成均館 韓國SKKU 弘益 韓國Hongik 梨花女子 韓國EWU早稻田 日本Waseda筑波 日本Tsukuba立命館 日本Ritsumeikan東京藝術 日本Tokyo名古屋 日本Nagoya九州 日本Kyushu美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國 美國