经营分析师-《验证合理值》

经营分析师-《验证合理值》

前言：

在工作过程中，有一个环节的工作最常见，也最难做，那就是合理值到底应该是多少，怎么去判断合理值应该设置为多少，本次文章针对历史操作过内容进行分享，文末告知大家验证合理值方法论。

验证合理性文章框架

1.结论
（1）现阶段合理值
（2）未来阶段合理值，合理值提升点
（3）强行提高标准风险点

2.正文-数据处理
（1）数据获取、数据指标、指标解释
（2）数据拟合测试
（3）选取拟合较好数据指标对

3.总结-数据整理
（1）选择拟合对带入业务实际情况
（2）极限值测算
（3）合理值获取

4.准备结论
（1）经验法：结合业务确定属性，最符合业务数据
（2）算法：极限合理值，极限值代表含义
（3）现状分析：现状与经验法、算法存在差异原因

5.建议
（1）基于上述结论给予一些建议

举例（网约车为例）：

背景
A公司要做网约车业务，已在全国30个城市开城2年，通过招聘司机达成供给目标，限制城市发展主要原因为无自招能力，仅能过花钱招聘司机完成订单目标，有一个例会上，老板问业务我们现在的成交率只有50%，这个指标到底合理不合理，有没有可能70%的成交率比较合理，还能带来20万订单，没有人能够回答， 这个经营分析师回去做了一篇报告（备注：数据纯属虚构）。

1.结论

（1）70%成交率增加20万订单，理论可行，但是受限供需匹配时空分布不均。 （2）70%成交率投入产出比ROI较低，花费3000W能够换20万订单。 （3）对于北京城市来说，由于开城时间足够多，60%的成交率比较合理。 （4）对未来而言：如招聘司机花费费用降低或免费，成功率越高越好。 （5）数据测算法：55%是相对合理成交率，对供给、需求、平台三方收益最高。

2.正文-数据处理

（1）数据获取、数据指标、指标解释 数据时间段：2024-2025两年数据 需求用户数：用户、冒泡次数、需求类型、呼叫次数，完单数 供给司机数：司机、在线时长、服务状态、服务类型、空跑时间 成交率：呼叫次数/完单数 （2）数据拟合测试 数据关系寻找： 1.供给需求单一维度数据关系验证，获取相关性结果 2.组合指标数据验证，获取相关性结果 （3）选取拟合较好数据指标对 1.选择相关性较高三组数据对，进行拟合测试 2.对最终拟合度最高的两组数据进行整理

3.总结-数据整理

（1）选择拟合对带入业务实际情况 对拟合度最高的两组数据进行业务解释 例如：用户冒泡次数vs司机在线时长 10个用户冒泡对应10小时在线时长相关性较强，业务解释，司机在线时长10小时，可以承接5个用户冒泡，得出一个表,表格数据可以进行穷举。

（2）极限值测算 针对拟合度较好两个字端，获取拟合方程。 求这个拟合方程对应极限点 （2.1）这里会有一元一次方程、有一元二次方程、指数函数、对数函数 （2.2）如果不记得具体这些函数代表含义，可以翻翻书或者百度一下 （2.3）针对不同的函数，取到极限值 （3）合理值获取 （3.1）归一化处理，对上述两个业务指标进行归一化处理 （3.2）求导处理，有一些函数没有办法取到极限值，那就需要我们对其进行求导数进行处理。 （3.3）55%是合理的成交率

4.准备结论

（1）经验法：结合业务确定属性，最符合业务数据 北京是开城最久的城市具有2～3年的沉淀，那么北京的数据会有一些参考性，而且北京城市的成交率也可以反应不同时间、不同节日的情况，所以北京的成交率55%～65%这个区间可以作为合理的成交率区间。 （2）算法：极限合理值，极限值代表含义 投入产出临界点成交率为55%，但成交率55%为全年平均成交率，可对应北京不同月份成交率波动，可计算得出不同月份成交率。若只需全年平均成交率合理值，55%可以作为标准值。 （3）现状分析：现状与经验法、算法存在差异原因 时空匹配不平衡+供需匹配机制导致成交率较低， 例如1，【空间分布不均】北京昌平有一个用户，在北京通州有一个司机，这两个在相同时间内，不同的空间内，成交率就为0%。 例如2，【时间分布不均】北京昌平上午10点有一个用户，在北京昌平下午2点有一个司机在线，相同的地点，不同的时间内，成交率为0%。 例如3，【匹配机制不同】北京昌平上午10点有一个用户需要一个专车，在北京昌平正好有一个快车司机在线，相同的地点，相同的时间内，服务类型需求类型不匹配，成交率为0%。 供需匹配需要考虑较多的因素，需要有灵活的匹配机制，当然也要考虑平台效率最优。

5.建议

（1）基于上述结论给予一些建议 业务上这种供需匹配的问题，一直存在，那么我们需要在业务层面，给出一些建议。 （1.1）如果可以进行认为干预，或人为干预后可改善，那就优先人为干预，但是要保证平台的公平性，避免出现淤青。 （1.2）供需匹配分析，这个是非常有必要的，我们要去研究用户习惯，比如在昌平的用户就是喜欢下午2点后出门打车。有海量数据，用户的习惯也是可以研究出来的，可以针对这个习惯进行专项优化。 （1.3）供给调配，供给侧的司机会有自己的想法，我们针对分析用户习惯后，要做一些引导，昌平现在司机饱和，但是通州司机较少，可以告知一部分司机，可以往通州区走走，可以获得更多的订单，更多的收入。 （2）工作分析中一些建议 （2.1）【最优解法】我们都知道Python会直接帮我们分析出来我们想要的东西，但是当你不会Python的时候，你要知道你现在学习需要花费较长的时间，必要的时候可以换一条路。 （2.2）【替代方案】Excel的学习成本较低，而且我今天学习，今天就能够用上，看似复杂的分析类报告，其实用Excel也是能够解决的，主要的方法论。 （2.3）【允许误差】可能python分析出来的成功率是65.4%，可以精确到小数点后，但是你用excel算出来的是65%，两个结果存在差异，但是0.4%对于业务中一些不需要很精确的场景中，其实并不重要，适当的时候可以不用去较真。 （2.4）【多问自己为什么】对于验证合理性，得出65%就已经结束了，但是作为分析师我们要多问自己为什么，我们不是工具人，我们要有自己的思考，要给一些建议，要给一些方向，多思考一步，可能会有不一样的收获。

～～END～～