BI里的数据决策:决策建议

2 评论 12834 浏览 45 收藏 8 分钟

编辑导语:BI分析利用数据技术,分析数据中的规律,以指导业务项目进行,BI系统则提升了数据业务处理效率。其中,BI系统中的决策建议功能可以通过模型、数据等多种方式驱动,进而协助用户进行决策。本篇文章里,作者对BI系统里的决策功能进行了相关介绍,一起来看一下。

专注“BI+”,带你发现数据产品的更多可能性。

今天我们来谈谈BI系统里很有亮点的一个场景应用——决策建议。

一、什么是决策建议?

有决策建议的BI系统常常被冠以 “决策支持系统” 的光环。决策建议也是让业务方能够最直接感知数据驱动的功能。

决策建议,是能够告诉用户【在何种情况下,应该如何做】。

前面的文章我们谈了风险告警、问题诊断,现在通过一个例子看看他们和决策建议产品形态的区别:

  • 风险告警:全站活跃用户数比昨日降低10%;
  • 问题诊断:今日全站活跃用户数比昨日降低10%,可能原因:10点-11点APP 活跃用户数比昨日降低50%(减少10000人);
  • 决策建议:今日活跃用户数比昨日降低10%,可能原因:今日10点-11点APP 注册用户数比昨日降低50%(减少10000人),建议持续关注未来48小时内 APP 每小时注册用户数趋势和分布,点击订阅此数据。

二、决策建议的产品设计思路

决策建议可以有多种实现路径:

  • 模型驱动:以算法模型为核心,常见的场景是,用户输入参数值或一些数据,来得到预测结果或者仿真模拟结果;
  • 知识驱动:也可以叫做经验驱动,将专家领域知识(方法论)沉淀到系统里;
  • 数据驱动:通过对数据的挖掘分析(通常是时间序列数据)。

不管用什么实现路径,产品设计核心是对现状、目标、执行措施三者关系的本质理解,将模型、知识(业务方法论)、数据转化为建议。

这里先不谈需求调研和确认需求范围这些工作,重点介绍当确定需求后,输出产品方案的方法。

第一步,我们先把决策建议进行分类。

一般来说,决策建议可以划分为以下几种类型。

1)建议做线上操作——设置阈值、操作功能等,需要提供建议值、建议条件、具体功能。

比如:新零售场景,发现店铺会员进店率降低了50%,建议增加会员触达,点击设置会员运营策略。

2)建议做数据分析——观察数据分布、数据趋势等,需要提供具体观察对象的内容/指标或者指向具体的数据分析功能。

比如:电商场景下,发现件单价(成交订单中平均每件商品的价格)近10天内降低了50%,建议关注高价商品的供给与销售,查看定价合理性分析。

3)建议做线下操作——提供解决方案方向,需要提供定性的建议或者知识文档。

比如:物流场景,发现目前分拣中心包裹数量是历史峰值的80%,建议增加分拣格口。

第二步,找准决策建议的触发条件,将触发条件转化为数据需求。

触发条件有这么几类:

  • 阈值触发:数据指标达到某个指定的数值,比如:店铺会员进店率阈值,低于这个阈值会触发计算决策建议;
  • 事件触发:当出现某个状态时触发,比如:当包裹派送状态为分配快递员,且客户的另一个包裹将在1小时内到站,触发提示快递员是否将已分配包裹标记为等到齐包裹后一起配送;
  • 时间触发:指定时间时触发,或者达到一定的时间周期时触发,比如:每天早上9点,提供建议巡检设备清单。

第三步,将决策建议值转化为研发需求。

我们按建议内容分为2类。

1)定量建议

需要给出具体的数字或者数据清单,比如增加10%库存,巡检设备的具体设备编号。

定量建议一般考虑采取算法模型的方式,产品经理要重点整理清楚算法的输入输出和逻辑,整理好算法需求,强调设定合理的评价方式和评价指标,对算法调优可以提供一个明确的目标值。这个过程中,和算法工程师的反复沟通比较重要。

2)定性建议

需要给出具体的指向目的(文档、文字说明、功能等),比如查看定价合理性分析、建议关注粉丝新增率、建议把系统切换成节能模式。

定性建议一般考虑给出建议的规则集(策略),规则策略可以由产品经理输出,设计要点是,力求对业务场景状态进行全面分类,让规则可以尽可能多覆盖较多的场景。这个过程中,和业务方反复沟通比较重要。

三、总结

在产品目标主要是数据可视化、业务模型建设的情况下,决策建议确实是大多数据产品经理比较少接触到的业务场景,但随着数据对业务越来越重要,要求数据能够发挥更大价值,产品经理应该多思考如何能够提供更加智能化产品给用户。

我们常说,解决方案本身其实是术,产品 PRD 里面写的是策略规则、模型需求,其实多做几个 case 积累一些经验就能够熟练。但是对于个人能力来说,我们要锤炼的,是一种你如何去解决一个未知陌生问题的方法,当接到需求时,能够判断出好的解决方案的核心是什么。

下一篇,我会带大家放飞思维,看看一个真正“智能化”的产品可以如何打造。

 

作者:经海路@薄荷点点,京东物流数据PM一枚;公众号:一个数据人的自留地

本文由@一个数据人的自留地 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

作者:阿坤,“数据人创作者联盟”成员。

本文由@一个数据人的自留地 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 你好,请问 问题诊断 这篇文章在哪呢,翻遍了,也木有找到,多谢!

    来自陕西 回复
  2. 👍🏻

    回复