由 dawei 很多同学总好奇：“数据分析要怎么做，才能驱动决策?”天天总听人说：数据驱动，可现实中没见过，只见过自己写的报告石沉大海……
今天结合一个具体案例讲解一下，到底如何做。话不多说，直接上场景。
问题场景：某二手交易平台，其中旧货回收环节，需要人工话务员进行转化。现在计划引入智能机器人承接转化流程，领导要求把人工话务员数量砍到80%以下，问：该如何做分析?
思考一分钟
01没有数据驱动，会咋样
很多人一看题目，说这要啥数据驱动呀。不就是砍人吗，领导都要求砍80%了，直接派HR去宣读辞退要求，搞掂!
这么干行不行?理论上行。但很有可能在砍完以后发现：这机器人不中用呀!电话接不住，转化率刷刷往下掉。最后导致平台供给出现问题，直接拉低GMV。
这就是数据驱动的直观作用：验证方案可行性，避免重大损失。
02初级数据驱动
既然要验证方案可行性，那么最直观的做法，就是做测试。那么怎么测试砍多少人合理呢?最简单的方法是：先砍10%，看看机器人能接住不;再砍10%，再砍10%……这样逐步砍满80%为止。这是数据驱动的直观做法。
看起来，似乎很合理，但是隐藏一个问题：砍10%，从谁砍起?如果好死不死，砍到了转化最好的话务员，那根本进不了下一轮测试，就会发现货又缺了，GMV又崩了……
因此，做事后验证，只是一种方式;事先分析，提前扫雷，也很重要。
03中级数据驱动
要排砍人顺序，理论上应该从最差的砍起。但这么做也有个前提：真的有人做得更好，不同层级的话务员，转化数量有明显差异。因此可以先做分层，根据分层结果，决定砍人策略(如下图)。
但是，只考虑短期(比如一个月)的表现，并不公平，很有可能一个话务员一直表现很好，只是最近一个月没有表现好。所以做分层的同时，还要加入行为分析，判断：话务员是持续好、一开始好、越来越好，还是真的随机好(如下图)。
