站在数据产品经理角度，说说“业务诊断”
一、前言
在3-4年的那个阶段，是我最迷茫的时候。那时已经接触了大部分数据产品相关工作，做平台、工具、报表、大屏、提数、标签，并且对数仓、数据分析、需求把控、优先级排序、项目管理、价值提炼也有了一些认识，看似做了足够多的事情。但似乎终究是被业务裹挟着跑，业务的极速增长就同步裹挟着需求的增长，无数的报表需求、取数需求扑面而来。
数据产品经理的价值到底是什么？终极目标是什么？数据团队对业务来说，到底是价值还是成本？时至今日其实也还没有问题的答案，但通过工作中的部分实践、以及业内一些资深数据产品的思考。目前我的理解是：泛化数据给使用的人，把分析的理念和框架变成数据产品，让数据“说话”。
听上去很抽象，简单来说就是从“信息化”变为“智能化”，从“数据展示”变为“指导方针”。因此就有了这章的内容，我把它分为3个部分，「业务诊断」「业务决策」「业务预测」。
- 业务诊断：对业务异动进行诊断，讲清楚为什么发生（发现问题，定位原因）
- 业务决策：对于已经出现的现状，给出具体的执行动作（直接告诉怎么做）
- 业务预测：预测未来将要发生什么
接下来先介绍「业务诊断」的部分：
二、典型场景
增长产品昨天发现C端营收，下降严重，老板要求快速找到原因，大概流程如下：
1）找运营、产品等部门问问，昨天有没有重要动作；再找技术排查下是否存在技术故障；
2）问下来没有异常，尝试自己通过报表数据进行分析。
- 「单指标多维度分析」：先看一级商品类型波动，再看二级商品类型波动，再看订单页面来源波动等等，观察是否有异常波动
- 「多指标相关性分析」：看活跃用户数、注册用户数等相关性指标3）思绪混乱，提工单给分析师排查
人工排查通常会耗费大量时间，异动分析过程实际可以泛化为数据产品，交给机器来做，下面介绍「单指标多维度分析」自动诊断方法。
三、自动诊断方法
「单指标多维度分析」难点：
- 如何找到异动的关键维度；
- 找到关键维度后如何找到关键维度值。
解决思路：
- 通过现期和基期对比，看异动情况（通过趋势图）；
- 定位影响异动最大的维度是哪个（通过基尼系数）；
- 定位每个维度下哪个维度值影响最大（通过贡献度）。
1. 基尼系数定位异常维度
基尼系数系数定义：衡量财富分配是否均匀的指标，将拿到的收入数据从小到大排列，x轴代表人数占比的累加，y轴代表收入占比的累加，绘制出一条洛伦兹曲线，计算图中A区域的面积占比，该占比就是基尼系数，即A/A B。基尼系数越大，代表收入差异越大。
由图可知，当权重和影响因子越接近，基尼系数越趋近于0，基尼系数计算公式（火山引擎应用）：
举例验证，造成异动维度 支付平台>商品>支付方式>国家>渠道
2. 贡献度定位异常维度值
在3.1中描述基尼系数时，已经引入贡献度计算逻辑，即某维度值贡献度=（该维度值现期的值-该维度值基期的值）/（大盘现期的值-大盘基期的值）。
四、产品实例（火山引擎）
第一步 ：在折线图中，发现最近一天的GMV突然下降，点击下降的数据点，进行归因分析
第二步 ：归因分析计算完成，点击查看归因结果。
第三步 ：查看归因结果，最近一段时间GMV波动异常，默认和前一月的数据进行比较，数据下降了22.61%，按照引起下降的贡献对维度进行排名，发现sale_city的系数为0.56，是重要的影响因素，就可以针对这个区域的销售情况进行筛选并经一步分析。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
