做数据分析十年，第一次见到靠谱的归因模型

要深度分析问题原因，不能只统计数字，流于表面！

问题场景：

某硬件+服务的大企业，正在推微信服务小程序，目标是降低人工客服工作量。可全力推进一段时间后，人工客服未见减少。客户服务中心（一级部门，很有权势）领导大为不满，要求做数据分析，为啥推广小程序没有减少人工客服量。

一、核心难点

归因问题首先难在：领导期望太细、太具体，而数据分析给不到。

数据分析产出的：30%的来电用户未绑定小程序，所以应该加强绑定。40%用户绑定了但是近1个月不登录，所以应该加强运营。

领导期望的：用户为什么不绑定？是不知道绑？不会绑？不想绑？为什么又不想绑？是我们没宣传？宣传了还是话术没说对？话说对了但是客人没认真听？

是滴，领导们期望的是这些具体的原因，这样才能针对性做改善。可这些具体的原因往往涉及用户心理、业务动作、用户与一线业务互动，根本没有数据记录，很难量化分析。

可如果只给一个很粗的“加强绑定”的建议，肯定业务方不买单。谁来加强，加强哪里，加强到什么程度，一共十三步操作绑定排第几，这些具体问题都没有答案，自然会抗拒这种结果。

然而，即使是再做细致拆分，还有另一个核心难题：用户绑定了不登录，到底是因为用户太蠢，但是我们没做好？这个问题深挖下去是个无底洞，因为本身这两者就是相辅相成，很难完全剥离某一方面理由。然而却总被人拿来甩锅。咋办呢？

二、破局思路

想破局，关键在于：不要企图把所有的问题，都用数据分出来原因。人的情绪都有感性、复杂、冲动的部分，不可能全部用理性、逻辑的数字来量化。

第一步：要把原因和具体的业务动作对应起来，然后搞成一个政治正确的行为，让业务方不得不接受。

比如：公司今年的大方向是数字化升级，所以在营业厅办理过业务的客户，必须绑定小程序，没有绑定的就是营业厅没做好！虽然有可能是因为客户自己不想绑，但是不管这么多，他不想绑，可以想各种办法，给好处，帮客户操作，总之搞掂他！不要扯什么客户意愿、什么操作习惯。这就叫政治正确。

第二步，要合理地提目标。

当然，真这么强硬要求，结果肯定是逼死一线（所有的政治正确都会逼死人，不止这个）。因此，第二步，要合理地提目标。比如大目标是：减少人工客服量。我们要做的是通过数据优化，让整体趋势下行即可（如下图）。

第三步就可以打数据标签。

有了前两步铺垫，第三步就可以打数据标签。用户的行为、客服服务内容、业务动作，都可以归纳为标签，有了标签，就能把感性的，场景化的，难以量化的行为，部分转化为数据可记录的内容，从而为分析铺路（如下图）。

第四步，就能利用数据标签进行归因了。

比如“营业厅没有做好指引，所以新用户在营业厅注册报装后，还是没有绑定小程序”这种感性的原因就能被简单归为：新用户+已注册+未安装+未绑定。有了这个标签，能够识别哪些用户是因为营业厅没有引导到位而咨询客服，从而进一步思考对策。

当然，实际操作中标签可能很多，因此有必要梳理好标签之间逻辑，从而清晰地进行分层归因，这就是从找一个原因到梳理归因模型的过程。

三、模型构建

构建模型过程，本质上是梳理逻辑，形成系统化解释的过程。因此可以按照用户生命周期，进行分类构建。

从经验上来看：投诉类来电，在业务上性质特殊，属于高风险行为。别的来电都能用小程序替代，唯独怒气冲冲的客户，必须用人工来服务，至少让人家消消气。不然一怒之下弄上新闻媒体，客服领导面子也挂不住。因此在梳理逻辑的时候可以单独分类处理。

非投诉用户可以分为：潜在用户、新用户、已开户用户三类人。三类人需求差异明显，客服服务政策也有区别。比如潜在用户咨询，本身属于有潜在收益行为，因此是可以作为销售线索转营销系统跟进的。

真正要关注的，是常规操作、进度知会、活动咨询等等。这些信息发布、用户互动，没有风险、没有收益、纯粹是用户自己操作还是客服代为操作的问题，甚至在小程序更简单。因此可以想各种办法分流。

梳理完逻辑以后，可以将数据填入模型，观察问题大小。解决问题，可以从大到小安排，优先考虑当前占比高的问题，也可以从简单到复杂解决，优先落实容易执行的。

总之各个击破，逐步降低人工客服的工作量，只要整个曲线走势是持续向下的，就能证明工作成效。且对比建立模型之前，归因的细节极大丰富，很容易在领导那里过关。

当然，以上示例只是一个解题思路，还可以从其他维度入手构建模型。业务流程不同，目标不同，归因方法肯定也有差异。只要业务看到数据以后，能很清晰的知道自己做什么，就算达到目的了。

四、小结

很多人会很纠结：到底原因是什么。其实就跟谈恋爱一样，分手以后追着前女友/前男友苦苦问：为什么！为什么！到底是为什么！一点意义都没有。

企业经营也是同理，我们不是搞科学研究的，而是来挣钱的，所以真实原因可能永远无法知道，但是只要经营指标是向好发展，业务能不断改善，目的就达到了。