本文作者結合資料分析產品從視覺化升級到智慧化的一個實踐案例，對“今天訂單量為什麼下降了”這一問題展開了分析探究，並對過程中存在的問題和解決方法進行了總結，與大家分享。
提到資料產品，大家經常會想到的可能是tableau、growing io、神策資料、諸葛IO等商業化資料產品，也可能是企業內部的報表工具、提取工具等資料平臺產品，或者是A/B-test、使用者畫像、埋點系統等資料應用產品，以及面向業務的各類資料視覺化、Dashboard等資料分析產品。
今天我為大家分享下資料分析產品從視覺化升級到智慧化的一個實踐案例。
在企業發展初期，最需要的其實是報表工具和提取工具等平臺型資料產品，面向分析師和開發團隊，實現資料的提取和加工過程，業務側也基本上只看幾個核心指標。發展到一定階段，才會有資料視覺化分析產品的需求，或採購tableau、BDP、網易有數等商業化產品，或自研分業務主題的Dashboard資料產品。
從基礎的報表工具進化到資料視覺化產品後，在使用者體驗上有了極大地提升，資料統一、及時性也可以透過資料產品的反推方式，逐步得到保證。但如何更好地提升業務團隊的資料分析水平，還是會存在一些問題和提升空間。舉例來講：
那如何來解決這個問題呢？答案是資料分析產品的分析智慧化。我以各大企業業務團隊和分析師團隊經常會遇到的問題「今天訂單量為什麼下降了」，來分享下資料產品應該如何快速、高效、直接地回答業績波動的問題，並且以產品的方式統一方法論、拉齊分析水平。
「今天訂單量為什麼下降了」，是高頻出現在每天早上與老闆的對話裡。一般情況下，都會由資料分析師進行跑SQL、整理資料、進行問題拆解分析，最後給老闆一個回覆。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。
對於這個問題，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）波動的情況和異常判斷
一般情況下，波動的情況可以用環同比的數值和比例進行衡量，比如昨天的訂單量周同比下降了7.36%。日環比下降了2.48%。異常判斷是一個更難的問題，可以借鑑三個方法：
a. 閾值法：根據業務經驗設定閾值，比如波動範圍[-1%, 1%]屬於平穩，在[-3%, -1%)和(-1%, -3%]屬於略微波動，超過±3%的波動屬於大幅波動，並判定為業務異常；
b. 迴歸預測：根據時序進行訂單量的迴歸預測，透過對歷史資料的擬合，預測出昨天資料的數值範圍，比如在置信度95%時的置信區間，如果超出置信區間，則認為是異常波動；
c. 同級城市排序或相似城市對比法：對於業務的區域性單元，比如全國開展的業務，判斷成都市業務的波動是否異常，可以透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務單元未發生異常。
波動的異常分析，在數學和統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）影響範圍的細分
有了波動情況的判斷，就需要進一步下鑽分析波動影響的範圍，根據業務場景的不同，會有不同的下鑽方式。比如常見的時空角度，分析哪些城市的業務波動對全國影響最大，哪些時段的業務波動對全天影響最大，哪些下鑽維度的波動最全域性影響最大。這裡會涉及一個「影響最大」的量化邏輯，方法有很多，以城市維度下鑽舉例，這裡列舉2個簡單規則：
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，並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，用帕累託圖法分析出拐點閾值，求出累計佔比前80%或前90%（閾值）的城市，然後對這些城市的波動幅度進行排序，排序規則與全域性波動保持同向，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。
影響範圍的下鑽分析，核心點是「下鑽維度」和「影響最大的量化邏輯」，在此基礎上「下鑽維度」還可以疊加，進行多層下鑽，「影響最大的量化邏輯」還可以增加更為複雜的加權計算等規則，甚至是演算法規則。
（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驗，但仍然是一個很難的數學和業務問題，大多都只能提供資訊參考，後面會專門寫一篇歸因分析的文章進行介紹，這裡給大家列舉一種簡單易懂的業務拆解邏輯，不能算歸因模型，但足夠實用，適合業務落地。
基於業務場景的指標拆解
以攜程酒店業務為例，核心目標和指標是「消費間夜數」，從「消費間夜數」出發，從相加或相乘的兩個思路進行相關指標的拆解，如下圖：
假設酒店的消費間夜數突然上漲13%，屬於異常上漲，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上漲，又是什麼影響的呢？
可以從圖中的指標拆解腦圖來分析，先看 消費間夜數 = 當天（購買）消費間夜數 預約消費間夜數，可以發現是當天購買影響的，還是預約消費影響的，如七夕、情人節等酒店本地消費爆滿的場景，或者旅遊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和履約率，是否出現大幅波動，再進一步還可以分析購買使用者數和人均購買間夜數的波動，觀察是否出現旅遊季的旅遊團大單情況。
這就是基於業務場景的指標拆解思路，例子不一定嚴謹和準確，大家可以根據自己公司的業務場景進行更實用、嚴謹的拆解，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。
有了抽象化的分析方法後，就需要用自動化的產品來承載，將資料分析進行產品化之後，才能用產品中內含的分析方法實現統一方法論、拉齊分析水平的目標。
那應該如何來設計自動進行資料分析的產品呢？整體分三步：首先是針對資料分析內容和資訊的視覺化展現，其次產品整體互動流程需要遵循資料分析的過程和邏輯，最後還需要考慮兩個原則：
1）便於迭代，實現結構化和可擴充套件；
2）易於理解，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：便於迭代，實現結構化和可擴充套件
業務時刻在變，分析方法也需要緊跟業務去迭代，但產品開發的成本又很高，所以能否實現結構化的產品設計，支援分析方法論的快速迭代和擴充套件，是產品設計需要考慮的第一因素。
這裡列舉一個簡單的產品框架：
產品框架與抽象化的分析方法緊密對映，由「波動和異常判斷結論區」 「多維下鑽分析區」 「歸因分析區」三部分組成。前兩部分的問題結合緊密，建議放到一個頁面中進行佈局，讓使用者可以快速get到「我的業績怎麼樣」「波動如何」「是否是正常波動」「哪些城市、哪些型別的波動和影響最大」。
歸因分析的部分單獨一個頁面佈局，因為歸因分析的邏輯一般比較複雜，視覺化展現的形式也很多樣，所以要有足夠大的空間進行產品設計，與使用者進行互動。
原則二：易於理解，符合人的認知習慣
這一點有兩個方面：
一是要結論先行，進行結構化表達，這一點在上面結構化設計中也有體現，即先讓使用者看到整體結論，再看到細分影響，最後看原因和解決方案切入點；
二是措辭上要把資料化的描述變成業務邏輯的描述，比如用置信區間來判定波動是否異常，不能寫「昨天的數值落在置信區間外，屬於異常數值」，而要直接寫「昨天的訂單量周同比 7.62%，屬於異常上漲，請關注」，這一點在指數化等複雜判斷方法中需要尤為注意。
資料分析產品從資料視覺化到分析智慧化，對於回答「訂單量為什麼下降了」這類問題，其核心是分析方法的抽象化，對於資料產品經理而言，不一定要完全自研方法論 產品設計，更好的選擇是跟資深業務同學、資料分析師、演算法工程師一起合作，產品經理更多地負責定義使用者問題、定義產品目標和思路，以及提出產品結構化要求等。
作者：Probes，微信公眾號：Data To Value，致力於資料產品領域的分享和交流，用資料創造價值。
本文由 @Probes 原創釋出於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議