中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文作者結(jié)合數(shù)據(jù)分析產(chǎn)品從可視化升級到智能化的一個實踐案例，對“今天訂單量為什么下降了”這一問題展開了分析探究，并對過程中存在的問題和解決方法進行了總結(jié)，與大家分享。

提到數(shù)據(jù)產(chǎn)品，大家經(jīng)常會想到的可能是tableau、growing io、神策數(shù)據(jù)、諸葛IO等商業(yè)化數(shù)據(jù)產(chǎn)品，也可能是企業(yè)內(nèi)部的報表工具、提取工具等數(shù)據(jù)平臺產(chǎn)品，或者是A/B-test、用戶畫像、埋點系統(tǒng)等數(shù)據(jù)應(yīng)用產(chǎn)品，以及面向業(yè)務(wù)的各類數(shù)據(jù)可視化、Dashboard等數(shù)據(jù)分析產(chǎn)品。

今天我為大家分享下數(shù)據(jù)分析產(chǎn)品從可視化升級到智能化的一個實踐案例。

在企業(yè)發(fā)展初期，最需要的其實是報表工具和提取工具等平臺型數(shù)據(jù)產(chǎn)品，面向分析師和開發(fā)團隊，實現(xiàn)數(shù)據(jù)的提取和加工過程，業(yè)務(wù)側(cè)也基本上只看幾個核心指標。發(fā)展到一定階段，才會有數(shù)據(jù)可視化分析產(chǎn)品的需求，或采購tableau、BDP、網(wǎng)易有數(shù)等商業(yè)化產(chǎn)品，或自研分業(yè)務(wù)主題的Dashboard數(shù)據(jù)產(chǎn)品。

從基礎(chǔ)的報表工具進化到數(shù)據(jù)可視化產(chǎn)品后，在用戶體驗上有了極大地提升，數(shù)據(jù)統(tǒng)一、及時性也可以通過數(shù)據(jù)產(chǎn)品的反推方式，逐步得到保證。但如何更好地提升業(yè)務(wù)團隊的數(shù)據(jù)分析水平，還是會存在一些問題和提升空間。舉例來講：

• 問題一：方法論不統(tǒng)一和水平參差不齊。有了各類Dashboard，但還是無法保證每個業(yè)務(wù)同學都能按照預想的思路去使用數(shù)據(jù)產(chǎn)品，也無法確保業(yè)務(wù)同學能夠自我探索新的分析思路，以及每位同學分析水平的高低。
• 問題二：分析過程仍舊很繁瑣耗時。各類Dashboard雖然以自動化的形式提供了數(shù)據(jù)，并且不需要再進行數(shù)據(jù)處理，有一定的可視化分析能力，但遇到問題后的分析過程并不能減少，還是需要進行大量的多維度多角度下鉆分析，時間效率上還有待提升。

那如何來解決這個問題呢？答案是數(shù)據(jù)分析產(chǎn)品的分析智能化。我以各大企業(yè)業(yè)務(wù)團隊和分析師團隊經(jīng)常會遇到的問題「今天訂單量為什么下降了」，來分享下數(shù)據(jù)產(chǎn)品應(yīng)該如何快速、高效、直接地回答業(yè)績波動的問題，并且以產(chǎn)品的方式統(tǒng)一方法論、拉齊分析水平。

分析智能化的兩大核心：分析方法抽象化+產(chǎn)品自動化

1. 分析方法抽象化

「今天訂單量為什么下降了」，是高頻出現(xiàn)在每天早上與老板的對話里。一般情況下，都會由數(shù)據(jù)分析師進行跑SQL、整理數(shù)據(jù)、進行問題拆解分析，最后給老板一個回復。效率高的情況下，大概需要花1個小時的時間，效率低、或者趕上數(shù)倉計算排隊壓力時，可能要花費半天甚至一天的時間，來回答這個問題。

對于這個問題，分析方法一般都會有相對固定的思路和過程，在此舉一個例子作為參考，分析方法可抽象為三個部分：

1. 波動情況如何？是否屬于正常波動？
2. 影響范圍的細分，哪些城市、哪些時段、哪些類型的業(yè)務(wù)波動影響最大？
3. 是什么原因引起的？應(yīng)該如何解決？

（1）波動的情況和異常判斷

一般情況下，波動的情況可以用環(huán)同比的數(shù)值和比例進行衡量，比如昨天的訂單量周同比下降了7.36%。日環(huán)比下降了2.48%。異常判斷是一個更難的問題，可以借鑒三個方法：

a. 閾值法：根據(jù)業(yè)務(wù)經(jīng)驗設(shè)定閾值，比如波動范圍[-1%, 1%]屬于平穩(wěn)，在[-3%, -1%)和(-1%, -3%]屬于略微波動，超過±3%的波動屬于大幅波動，并判定為業(yè)務(wù)異常；

b. 回歸預測：根據(jù)時序進行訂單量的回歸預測，通過對歷史數(shù)據(jù)的擬合，預測出昨天數(shù)據(jù)的數(shù)值范圍，比如在置信度95%時的置信區(qū)間，如果超出置信區(qū)間，則認為是異常波動；

c. 同級城市排序或相似城市對比法：對于業(yè)務(wù)的局部單元，比如全國開展的業(yè)務(wù)，判斷成都市業(yè)務(wù)的波動是否異常，可以通過找到與成都市相似的對標城市或者同級城市，判斷相似或同級城市訂單量的波動差異，如果大家都普遍下降，則認為城市角度的業(yè)務(wù)單元未發(fā)生異常。

波動的異常分析，在數(shù)學和統(tǒng)計學中還有非常多的方法可以使用，大家可自行檢索，在此不做贅述。

（2）影響范圍的細分

有了波動情況的判斷，就需要進一步下鉆分析波動影響的范圍，根據(jù)業(yè)務(wù)場景的不同，會有不同的下鉆方式。比如常見的時空角度，分析哪些城市的業(yè)務(wù)波動對全國影響最大，哪些時段的業(yè)務(wù)波動對全天影響最大，哪些下鉆維度的波動最全局影響最大。這里會涉及一個「影響最大」的量化邏輯，方法有很多，以城市維度下鉆舉例，這里列舉2個簡單規(guī)則：

a.絕對值影響度：將各城市訂單量波動值的絕對值進行降序排列，取TOP5或TOP10進行展示，并輔助以各城市的波動比例；

b.降序累計波動幅度：將各城市的訂單量進行降序排列，用帕累托圖法分析出拐點閾值，求出累計占比前80%或前90%（閾值）的城市，然后對這些城市的波動幅度進行排序，排序規(guī)則與全局波動保持同向，即全國如果同比下降，則波動幅度升序排列，下降最多的城市排在前面，反之把上漲最多的城市排在前面。

影響范圍的下鉆分析，核心點是「下鉆維度」和「影響最大的量化邏輯」，在此基礎(chǔ)上「下鉆維度」還可以疊加，進行多層下鉆，「影響最大的量化邏輯」還可以增加更為復雜的加權(quán)計算等規(guī)則，甚至是算法規(guī)則。

（3）原因定位和解決方案

歸因分析方法和邏輯有很多成熟的經(jīng)驗，但仍然是一個很難的數(shù)學和業(yè)務(wù)問題，大多都只能提供信息參考，后面會專門寫一篇歸因分析的文章進行介紹，這里給大家列舉一種簡單易懂的業(yè)務(wù)拆解邏輯，不能算歸因模型，但足夠?qū)嵱?，適合業(yè)務(wù)落地。

基于業(yè)務(wù)場景的指標拆解

以攜程酒店業(yè)務(wù)為例，核心目標和指標是「消費間夜數(shù)」，從「消費間夜數(shù)」出發(fā)，從相加或相乘的兩個思路進行相關(guān)指標的拆解，如下圖：

假設(shè)酒店的消費間夜數(shù)突然上漲13%，屬于異常上漲，其中北京市的上漲影響度最大，時段上沒有明顯的波動。那北京市的消費間夜數(shù)上漲，又是什么影響的呢？

可以從圖中的指標拆解腦圖來分析，先看 消費間夜數(shù) = 當天（購買）消費間夜數(shù) + 預約消費間夜數(shù)，可以發(fā)現(xiàn)是當天購買影響的，還是預約消費影響的，如七夕、情人節(jié)等酒店本地消費爆滿的場景，或者旅游季異地人群預約消費爆滿的場景。

進一步可以觀察銷售間夜數(shù)和履約率，是否出現(xiàn)大幅波動，再進一步還可以分析購買用戶數(shù)和人均購買間夜數(shù)的波動，觀察是否出現(xiàn)旅游季的旅游團大單情況。

這就是基于業(yè)務(wù)場景的指標拆解思路，例子不一定嚴謹和準確，大家可以根據(jù)自己公司的業(yè)務(wù)場景進行更實用、嚴謹?shù)牟鸾?，而拆解的目標一定不只是看看而已，最終還是要落到抓手上，如何去解決問題，從哪些方面去解決問題。

2. 產(chǎn)品自動化

有了抽象化的分析方法后，就需要用自動化的產(chǎn)品來承載，將數(shù)據(jù)分析進行產(chǎn)品化之后，才能用產(chǎn)品中內(nèi)含的分析方法實現(xiàn)統(tǒng)一方法論、拉齊分析水平的目標。

那應(yīng)該如何來設(shè)計自動進行數(shù)據(jù)分析的產(chǎn)品呢？整體分三步：首先是針對數(shù)據(jù)分析內(nèi)容和信息的可視化展現(xiàn)，其次產(chǎn)品整體交互流程需要遵循數(shù)據(jù)分析的過程和邏輯，最后還需要考慮兩個原則：

1）便于迭代，實現(xiàn)結(jié)構(gòu)化和可擴展；

2）易于理解，符合人的認知習慣。

今天著重為大家分享要考慮的兩個原則。

原則一：便于迭代，實現(xiàn)結(jié)構(gòu)化和可擴展

業(yè)務(wù)時刻在變，分析方法也需要緊跟業(yè)務(wù)去迭代，但產(chǎn)品開發(fā)的成本又很高，所以能否實現(xiàn)結(jié)構(gòu)化的產(chǎn)品設(shè)計，支持分析方法論的快速迭代和擴展，是產(chǎn)品設(shè)計需要考慮的第一因素。

這里列舉一個簡單的產(chǎn)品框架：

產(chǎn)品框架與抽象化的分析方法緊密映射，由「波動和異常判斷結(jié)論區(qū)」+「多維下鉆分析區(qū)」+「歸因分析區(qū)」三部分組成。前兩部分的問題結(jié)合緊密，建議放到一個頁面中進行布局，讓用戶可以快速get到「我的業(yè)績怎么樣」「波動如何」「是否是正常波動」「哪些城市、哪些類型的波動和影響最大」。

歸因分析的部分單獨一個頁面布局，因為歸因分析的邏輯一般比較復雜，可視化展現(xiàn)的形式也很多樣，所以要有足夠大的空間進行產(chǎn)品設(shè)計，與用戶進行交互。

原則二：易于理解，符合人的認知習慣

這一點有兩個方面：

一是要結(jié)論先行，進行結(jié)構(gòu)化表達，這一點在上面結(jié)構(gòu)化設(shè)計中也有體現(xiàn)，即先讓用戶看到整體結(jié)論，再看到細分影響，最后看原因和解決方案切入點；

二是措辭上要把數(shù)據(jù)化的描述變成業(yè)務(wù)邏輯的描述，比如用置信區(qū)間來判定波動是否異常，不能寫「昨天的數(shù)值落在置信區(qū)間外，屬于異常數(shù)值」，而要直接寫「昨天的訂單量周同比 +7.62%，屬于異常上漲，請關(guān)注」，這一點在指數(shù)化等復雜判斷方法中需要尤為注意。

結(jié)語

數(shù)據(jù)分析產(chǎn)品從數(shù)據(jù)可視化到分析智能化，對于回答「訂單量為什么下降了」這類問題，其核心是分析方法的抽象化，對于數(shù)據(jù)產(chǎn)品經(jīng)理而言，不一定要完全自研方法論+產(chǎn)品設(shè)計，更好的選擇是跟資深業(yè)務(wù)同學、數(shù)據(jù)分析師、算法工程師一起合作，產(chǎn)品經(jīng)理更多地負責定義用戶問題、定義產(chǎn)品目標和思路，以及提出產(chǎn)品結(jié)構(gòu)化要求等。

作者：Probes，微信公眾號：Data To Value，致力于數(shù)據(jù)產(chǎn)品領(lǐng)域的分享和交流，用數(shù)據(jù)創(chuàng)造價值。

本文由 @Probes 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議