随着618等大型活动的落幕，企业和团队急需一份清晰、系统的复盘流程来评估活动效果、总结经验教训。本文详细介绍了活动复盘的四大关键步骤：目标回顾、效果评估、原因分析和优化建议，并结合实际案例，提供了实用的分析方法和模板。

刚过618，有一堆复盘报告要写。同时，还有很多常规的活动，比如新人发券，老用户召回等等。如何进行全面深入的复盘？今天一文带大家看清楚，一共4个步骤哦。

一、目标回顾

活动复盘报告的第一页，应写清楚：

1）活动时间：开始/结束/每阶段市场

2）活动规则：目标人群/参与商品/优惠力度

3）活动目标：计划达成XXX销量/吸引XXX客人

这一页的作用，是“清晰标准，买定离手”。因为做活动复盘，最怕目标不清晰，看到效果不好就反复横跳，企图通过修改目标的方式强行过关。所以第一页，先把规矩讲清楚。

注意！活动本身有五种类型，目标设定可以很灵活。也不是每个活动都必须设个业绩目标的（如下图），提醒业务，提前规划好目标，能有效提高复盘效率，彰显业务贡献。

二、评估效果

复盘报告第2页~第3页，要列出：

1）本次活动是否达成预定目标

2）本次活动投入多少，投产比如何

3）本次活动与同类型活动相比，效果更好/更差

特别提醒，第三点很重要！优秀的分析师，会建立一个活动标签库，将同一类互动编制成册，打上标签，这样后续深入分析“为什么没达标”时，能横向对比，找到很多线索（如下图）。

三、原因分析

复盘报告第4页~第5页，要分析未达标原因。

第一：有可能活动不达标，是执行本身出了问题，比如：

1)活动未能按时上线

2)活动期间出现缺货

3)人数多过导致系统宕机

4)活动素材出错临时更换

这些情况可能只是一段文字描述，但是会结结实实影响效果。应提前收集信息，先呈现出来。

第二：对活动流程进行分析，可以发现推广渠道/文案/活动路径上典型问题。

第三：对参与活动的各商品购买率分析，可以看出选品的问题，常见的比如：

1）选了10款产品参与，仅2款畅销 → 选品不行！

2）设定了买赠组合，结果销量不如单品→ 搭配没选好

3）针对旧品打折清仓，结果清不动→ 打折力度不到位

4）新品定价明显高于同行，推不动→ 调价/调整卖点，体现价值感

第四：对于参与活动用户行为分析，可以看出活动是否偏离预设方向。

1）产品目标是青少年用户，结果35+购买占比60% →推广偏差

2）针对沉睡用户持续唤醒，结果响应率不足1% → 手段不给力

3）定位高端商品打折，结果80%购买者是羊毛客 → 促销方式不对

这一部分析可以做的很深入，如果页数不够，扩展到5~6页都行。横向对比是非常重要的，很多人不去和其他活动横向对比，只盯着当前活动的数据，是很难下结论的。

四、优化建议

复盘报告第6页，应给出相应整改建议。如果我们在4~5页里做的分析到位，那么提出建议是水到渠成的。

1）执行不到位 → 培训运营人员，加强流程管理

2）推广不到位 → 更换素材/主图，更换推广计划

3）流程不合理 → 压缩流程，简化用户操作

4）选品不给力 → 更换选品/追加折扣力度

5）用户不配合 → 进一步用户分析

然而，实际工作中，大家最怕的还是用户类/产品活动，一句“到底怎么衡量自然增长”，引出ABtest，因果推断，复杂因素拆解等多重问题。

在数据分析领域，什么是真正的“高级”？是复杂的技术模型，还是能够实际解决问题的实用方法？本文将通过生动的比喻和实际案例，深入探讨数据分析中的“高级”概念，并提供实用的建议，帮助读者提升数据分析的“高级感”。

“你有没有做过高级的数据分析？”

这个问题一出，又问劈了很多同学。

妈耶，平时都在跑取数单，啥是高级的数据分析见都没见过，咋整？今天系统分享一下。

一、通俗解释，什么算高级

问一个简单的问题：汽车上如果没导航，能不能开车？答：绝对可以。实际上导航普及也没几年时间。但没有导航，开车会异常麻烦：找不到路；错过路口兜一大圈；傻乎乎堵在路上不会绕……总之开车效率低了很多。

这时候，只有各种路况牢记于心的老司机才能又快又准的抵达终点——这是人们通常心目中的“高级司机”。如果你去采访他，他一定有很多“高级开车方法”可以分享。

但是有了导航以后，开车学习成本极大降低，以前菜鸟连路都找不到，现在按着导航走，也能大差不差地到达终点。虽然高级的司机肯定还是会略快一点，但是高级程度已经大大下降了——因为结果上的差距拉近了很多。

虽然老司机们口头上还是会有很多复杂的，难以学习的技巧，但是结果的差距相近，让人们不再那么迷信他们。反而开始吐槽他们的各种恶习：加塞、压实线、变道不打灯……

所以我们看到，所谓的高级有两种理解：

1、业务上的高级：被少数高人掌握，结果上又快又准，口头炫酷复杂。

2、技术上的高级：能帮助大量菜鸟，结果上提升效率，操作简单轻松。

那么问题来了：数据分析，算是技术呢？还是业务呢？

二、高级的数据分析，需要什么

之所以举导航的例子，是因为数据分析和导航非常类似：

所以理论上，最高级的数据分析成果，就应该类似导航：

真正高级的数据分析，是体系化作战，以业务流程为保障，以数据采集为基础，以报表为骨干，以数据产品为卖点，兼有业务经验沉淀与模型辅助，是一套简单易用的工具体系（如下图所示）。

但是，如果在面试或者对外交流的时候，经常有些不懂行的人出来嘀咕：你这个做得不够高级呀。为啥呢？？？

三、为啥不识货的人那么多

越高级的数据分析，在菜鸟眼中越简单！

因为其中太多脚踏实地干活的部分，完全不够炫酷、玄幻、高大上嘛！

他们会不停嚷嚷：

数据本来就很大呀！

不就是做个报表吗！

不就是做个提醒吗！

你这预测也太简单了！

能不能我嘴上不说，你自动预测我心里想什么！

你要是试图给他们解释：这个只是看起来简单，需要打通n个系统，做n多埋点，采集n多数据，进行n次反复实验。就像你要跟他解释导航软件需要搞卫星遥感，街道实拍，预计算路径一样——他既听不懂，也不觉得很高级。

他们会继续嚷嚷：导航不是很多人都能做吗，不就是输入一个地址吗，有啥难的。总之，对他们而言，操作简单就是方法简单，只要听懂名字就等于理解过程。他们渴望的是过程听不懂且效果出人意料地牛逼的玩意。

是滴，菜鸟们需要的不是个数据分析师，而是个巫师。带着尖尖帽子，拿着魔杖，穿着灰色长袍，口中念着：阿瓦达克拉夫拉！然后变出一堆钞票来。你不张嘴，他掐指一算，便知施主今日星座运势——这看起来多高级！

当然，行业里还是有识货的人，但是万一遇上这种菜鸡，还偏爱跟你较真：“你有没有啥高级的方法”，该咋对付呢？

四、如何提升数据分析的高级感

我们拿看似最简单的销售分析举个例子。注意，以下方法只适用于面对不懂行且豪横的坏人。本质上，这种质疑来自对数据分析工作的不理解，和对自身能力的过度自负。所以想要怼回去，刹掉对方的锐气，可以这么干：

第一步：反客为主。

把他想抨击你的话，主动说了。走他的路，让他无路可走。

第二步：展示神迹。

注意：评价数据分析方法是否高级，本质看效果。所以想说一个高级的东西，先讲，这么干有什么好处。（如下图）

第三步：引经据典。

本质上菜鸟们喜欢：模型、思维、范式这种巨牛逼的名字，所以起个牛逼名字。比如：“我用数据分析发现了与销售业绩关联度高的5个维度”，直接叫“构建销售五力模型”。是不是逼格一下上来了。类似的：“我按照5个维度对销售进行了聚类分析，划分为5个群体”直接叫“构建分层精准运营体系”……绝对好使！

第四步：繁花似锦。

不要解释太多操作细节，解释多了，他听懂了，还嫌弃你不够“高级”。类似：“我按照XXX规则提取销售名单交给业务部进行跟进，经过1个月检验发现65%预测正确，30%出现误差”就太脚踏实地了。直接叫：“建立赋能系统，进行5轮迭代，持续优化模型效能”直接把人看趴下。

差不多几步下来，对方或是喷人锐气丧尽，或是被吹得心满意足。如果有诚意合作的就直接往下聊了。如果是故意找茬的人，也无从下口——因为他自己也没有高明到哪里去。

那些天天吹高大上方法的人，一碰上数据采集，一碰上数据清洗，一碰上落地流程，基本都化成灰了。想反抗都反抗不了。

陈老师每次去见类似的好高骛远的客户，都喜欢直接下载他们的APP，或者去他们的门店逛一圈。核心就关注他们的数据采集流程，以及活动规则设定。

当我切换到微信小号一遍又一遍薅新人羊毛，让我在销售/导购那里听到：“先生您随便填一下这个就好”，我都会截图、录音记录。之后再遇到跟我扯各种高级、智能、神奇方法的时候，就把这些基础数据质量问题甩出来给大家看，然后话题基本都转成：粪坑之上能不能盖摩天大楼，哈哈哈。效果群拔。

当然，作为从业者，我们还是希望业内浮躁盲目的气氛少一点，大家多认真干活，这也是陈老师努力科普的原因。并且这里有些工作，比如预测业绩，比如预测响应率，还是需要用到一定算法，比直接跑报表有技术含量。

想做出高级的数据分析，需要构造更复杂的分析逻辑，具体考虑问题。

本文将为您介绍四种实用的业务分析模型，包括总分式模型、矩阵式模型、循环式模型和逻辑树模型。这些模型能够帮助您从不同角度分析关键指标、评估业务表现、处理供需匹配问题以及诊断问题原因。

经常有同学困惑：“遇到业务问题，该怎么快速找到思路？”这里推荐四个好用的模型，能快速帮你找到思路。同学们记得先点赞再看，后边遇到问题，还可以翻出来再对照下。

第一类：总分式模型

总分式模型一般用于：分析一个关键指标是否出问题。比如：

1、收入为什么低了？

2、成本为什么高了？

3、费用为什么多了？

此时，需要把整体收入根据渠道、商品情况拆开（如下图），从而看清楚：

1、哪些是占收入大头

2、哪些是新增长点

3、哪些地方有问题

成本分析也能用类似方式，比如分析一个商品的生产成本，需要拆解：

1、该商品需要哪些原材料

2、该商品有多少步工序

3、每一步需要多少人工，投入多少原料

总分式模型应用非常广泛，因为大部分业务部门就只背一个关键KPI指标，因此直接拆KPI指标，就能得到该部门的分析模型。但要提醒的是：总分式模型只能发现问题点，无法深入分析原因，要深入分析得用别的模型

如果遇到一个部门同时有好几个任务，那么拆解会复杂，但仍然可以用总分式模型。比如一个公司的客户服务部门，工作职责同时有：

1、接客服电话

2、跟进售后服务

3、借售后机会推销新品

此时，它的总分式模型如下图，要列出每一个任务的投入，产出，过程指标。

第二类：矩阵式模型

矩阵式模型一般用于评价业务表现好坏。比如把收入成本摆在一起，对某个业务的投入产出情况进行分析，评价业务表现，发现问题点。

当然，实操的时候，收入、成本的形态会很复杂：

• 收入端：不同商品、不同客户、不同渠道、有没有促销叠加
• 成本端：变动成本、固定成本、前期投入的沉没成本

因此，矩阵式模型的关键，在于：根据业务特点+业务目标，合理地划分收入/成本。

比如开店，如果仅评估当月经营情况，是不需要考虑沉没成本的。但考虑新开店计划，就必须考虑沉没成本的回收速度。比如促销活动评估，自然增长率既可以用历史同期，也可以用活动前后，也可以设参照组，需要结合活动形式具体考虑。这是非常考验数据分析/财务分析水平的事情。

第三类：循环式模型

所有“供需匹配类问题”，都适用循环式模型，比如电商/零售的商品管理，比如互联网平台业务中打车，都属于这个情况（如下图）因为业务是循环开展的，因此一般会选一个起点开始分析。

比如商品进销存管理，可以：

1、先盘点库存

2、参考过去销量，预估未来销量

3、进行缺货情况判断

4、做出下架/补货决定

注意！在循环式模型中，人们很喜欢问：“供需到底匹不匹配？”供需匹配实际上是个动态过程，不是一个固定参数算出来的。而且受供给端影响更大。比如上了一个受欢迎的全新产品，用户原本没有的需求被激发。比如打车，推出一个更廉价的车型，用户需求又变多了。

所以，解供需匹配问题，一般设定观察指标，比如：

• 新商品上市后30天售罄率
• 新品上市后购买人数
• 新品上市后连带率
• 新品上市后其他品下降幅度
• 新品上市后大盘增长

如果新品上市数据表现好，就持续做，如果不行，就停手，这是经济学上讲的“边际效益高低”问题

第四类：逻辑树模型

逻辑树模型一般用来诊断问题。之所以叫“树”，是因为在诊断问题的时候，经常需要做“是XX原因，不是XX原因”的判断，这些判断逻辑写出来形同树枝。

比如要分析：为什么A店铺销量不达标。有一位同学提出：是因为A店的位置不好。那么他提出这个假设的时候，就默认了：不是因为A店的店长不行。此时写出来分析逻辑如下图所示（如下图）：

如果想进一步验证判断，就需要大量列举数据，支持结论。随着例子的增多，逻辑树也会越来越大（如下图）：

逻辑树模型最考验数据分析能力

1、如何提合理的假设

2、如何设计排查假设顺序

3、如何设计实验验证真伪

每一项都是硬功夫

对着数据库里的表冥思苦想，可能到头来还是发懵。