數據產品經理需要做的事情，可能是讓數據會「說話」，按照本文作者的看法，即讓數據從「信息化」變為「智能化」，讓數據從「展示」變為「指導」。這個過程，可能就要涉及到業務診斷了。怎麼理解呢？不妨來看看作者的解答。
數據產品經理需要做的事情，可能是讓數據會「說話」，按照本文作者的看法，即讓數據從「信息化」變為「智能化」，讓數據從「展示」變為「指導」。這個過程，可能就要涉及到業務診斷了。怎麼理解呢？不妨來看看作者的解答。
一、前言
在3-4年的那個階段，是我最迷茫的時候。那時已經接觸了大部分數據產品相關工作，做平台、工具、報表、大屏、提數、標籤，並且對數倉、數據分析、需求把控、優先級排序、項目管理、價值提煉也有了一些認識，看似做了足夠多的事情。但似乎終究是被業務裹挾著跑，業務的極速增長就同步裹挾著需求的增長，無數的報表需求、取數需求撲面而來。
數據產品經理的價值到底是什麼？終極目標是什麼？數據團隊對業務來說，到底是價值還是成本？時至今日其實也還沒有問題的答案，但通過工作中的部分實踐、以及業內一些資深數據產品的思考。目前我的理解是：泛化數據給使用的人，把分析的理念和框架變成數據產品，讓數據「說話」。
聽上去很抽象，簡單來說就是從「信息化」變為「智能化」，從「數據展示」變為「指導方針」。因此就有了這章的內容，我把它分為3個部分，「業務診斷」「業務決策」「業務預測」。
- 業務診斷：對業務異動進行診斷，講清楚為什麼發生（發現問題，定位原因）
- 業務決策：對於已經出現的現狀，給出具體的執行動作（直接告訴怎麼做）
- 業務預測：預測未來將要發生什麼
接下來先介紹「業務診斷」的部分：
二、典型場景
增長產品昨天發現C端營收，下降嚴重，老闆要求快速找到原因，大概流程如下：
1）找運營、產品等部門問問，昨天有沒有重要動作；再找技術排查下是否存在技術故障；
2）問下來沒有異常，嘗試自己通過報表數據進行分析。
- 「單指標多維度分析」：先看一級商品類型波動，再看二級商品類型波動，再看訂單頁面來源波動等等，觀察是否有異常波動
- 「多指標相關性分析」：看活躍用戶數、註冊用戶數等相關性指標3）思緒混亂，提工單給分析師排查
人工排查通常會耗費大量時間，異動分析過程實際可以泛化為數據產品，交給機器來做，下面介紹「單指標多維度分析」自動診斷方法。
三、自動診斷方法
「單指標多維度分析」難點：
解決思路：
基尼係數係數定義：衡量財富分配是否均勻的指標，將拿到的收入數據從小到大排列，x軸代表人數占比的累加，y軸代表收入占比的累加，繪製出一條洛倫茲曲線，計算圖中A區域的面積占比，該占比就是基尼係數，即A/A+B。基尼係數越大，代表收入差異越大。
基尼係數係數定義：衡量財富分配是否均勻的指標，將拿到的收入數據從小到大排列，x軸代表人數占比的累加，y軸代表收入占比的累加，繪製出一條洛倫茲曲線，計算圖中A區域的面積占比，該占比就是基尼係數，即A/A+B。基尼係數越大，代表收入差異越大。
基於此，構建基於基尼係數的定位維度問題的方案，用於計算各下鑽維度方案對單個指標波動的影響程度，x軸用特徵分組基期累計占比，y軸用波動值累計占比（可以為負值），基尼係數越大說明該特徵對波動的解釋效果越好。
這裡引申出2個概念，特徵分組基期累計占比（權重） 和 波動值累計占比（影響因子），下圖為示例解釋：
由圖可知，當權重和影響因子越接近，基尼係數越趨近於0，基尼係數計算公式（火山引擎應用）：
舉例驗證，造成異動維度 支付平台>商品>支付方式>國家>渠道
2. 貢獻度定位異常維度值
在3.1中描述基尼係數時，已經引入貢獻度計算邏輯，即某維度值貢獻度=（該維度值現期的值-該維度值基期的值）/（大盤現期的值-大盤基期的值）。
四、產品實例（火山引擎）
第一步 ：在折線圖中，發現最近一天的GMV突然下降，點擊下降的數據點，進行歸因分析
第二步 ：歸因分析計算完成，點擊查看歸因結果。
第三步 ：查看歸因結果，最近一段時間GMV波動異常，默認和前一月的數據進行比較，數據下降了22.61%，按照引起下降的貢獻對維度進行排名，發現sale_city的係數為0.56，是重要的影響因素，就可以針對這個區域的銷售情況進行篩選並經一步分析。
本文由 @起司Criss 原創發布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