转载地址
导读： 本次分享题目为洞察力与数据分析工具。

主要分为四部分：

1. 业务现状
2. 什么是洞察力
3. 分析工具
4. 分析案例

分享嘉宾｜陈晓维 数预智能 产品总监

编辑整理｜郑晓锐 量子之歌

出品社区｜DataFun

01/业务现状

企业在数字化转型的过程中进展并不顺利，数据分析上洞察力不足。通过具体案例来说明。

第一个例子，有临时拜访任务销售，找数据人员要一个数据，营业额排名前10的门店里面过去5年增速最快的3个商品，和业绩最好的销售是哪些？这可能需要复杂的多表查询、嵌套以及各种数据加工，数据人员很难快速给出回复，甚至要写一些代码才可以交付。等到完成时，已经几小时过去了，销售在客户那里没有得到数据的支持，而分析师沦为了取数工具，业务使用数据非常不方便。

第二个例子，常见的营销场景，一场营销活动，营销费用100w，成交了200w，判断这场营销活动是否赚钱？运营人员的判断是挣钱了；分析师分析：因为有老客户、新客户，在老客户本来就会成交的前提下，新客户花这样的营销费用其实并不划算；还有算法人员去预测未来新客户在平台的成交情况。因此整个营销活动，赚没赚钱，值不值得继续投入，需要多人协同复盘才能知道，协同时间长，且决策时间慢。

企业数字化决策中遇到的问题可以总结为：

（1）洞察力不足：问题无法准确定位，找不到原因，经常盲目地解决，可能钱花了，最后事情也没有办成。

（2）成本高、迭代慢：自研系统，需要专业人才，成本高；需求响应，多团队协同，迭代慢，继而耽误整个业务的决策。

（3）没人才、难培养：人才被大型互联网企业垄断，招聘难；企业自身没有土壤和环境，不知道怎么培养人才。

--

02/什么是洞察力

每个人都希望有 1 秒看透本质的洞察力。

举个例子：在足球场上，一个球员带球到前场，面对多名对方防守球员以及自己的队友，球员会有很多的传球路线做选择。普通的球员会如何传球，有洞察力的球员会如何传球？

最终球员传出了精彩的身后球，并成功进球。

有了刚才的经验，在传球过程可以传出更精彩的进球，但是在实际的过程中，球员被眼前的防守球员阻挡之后，只是传出一个无奈的、被迫的传球，没有取到好的效果。

为什么球员在现场不能做出准确的判断，而我们坐在电视直播前可以做出更好的决策呢？这是因为双方站在信息的不同层面 。球员在现场的视野是受限的，他的眼前有防守球员，他的同伴还在跑位，导致球员没有办法看到事件的本质，他看到的都是一些表面现象。我们（观众）在更高的视角，以鸟瞰的视角去俯瞰整个球场，可以看到更多的信息。所以洞察力就是深度处理信息的能力。

知道了洞察力就是深度处理信息的能力，我们是否就可以提升呢？在实际过程中不是这样的。我们看到世界上一流的球员为了提升自己的训练水平、球场表现，也需要通过不断的训练直到形成肌肉记忆。在企业中，大家并不都能接受专业的洞察力训练，并长期练习。

为什么知道需要提升洞察力、需要反复的练习，而企业却没有因此获得洞察力的提升？我们用福格行为模型来解释。

当我们想让员工提升洞察力，需要让其有足够的动机+能力+提示（契机）；日常通过报表，展示了问题，契机足够，员工为了提升业务结果，动机足够；但在能力上，想到做到有一定困难；想想之前的例子，取个数需要几个小时，算个 ROI 需要协同一群人，员工发现这件事很难办的时候，触发行为的可能性就变低，日常也就不会反复练习，或者成为常规手段，洞察力也不能得到有效提升。

--

03/分析工具

要让数据分析变得简单，让智能 BI 赋予业务人员深度处理信息的能力，分析工具可以通过三个方面来帮助他们解决问题。

（1）提供更多的数据，让使用人员可以用更高、更全的视角来看清事物。

（2）提供更低的分析门槛体验，让使用人员可以容易的分析数据，而不用考虑代码。

（3）提供更加智能的能力，让使用人员在纷繁复杂的数据中可以得到更好的效果。

1. 更多的数据-数据连接

智能 BI 通过连接各种全量的数据库、各种在线的填报、本地的报表，以及对接内置的 SaaS 等方式，帮助企业汇集所有的数据。同时提供线上的建模能力，以及数据清洗服务，帮助企业做好数据准备。

2. 更低门槛的分析体验-会话式搜索自助分析

智能 BI 通过会话式自助分析方式，在线上或者手机端，用户通过语言就可以很便捷地得到想要查询的数据。一个复杂嵌套、一个复杂聚合通常需要 200 行的 SQL，而现在通过一句话就可以搞定。同时传统报表会有制作门槛，通常是面向分析师，现在智能 BI 工具通过一句话就可以制作图表，通过简单选择就可以生成个人应用的报表，使得报表制作不再只面向技术人员。

用户使用搜索框查找数据，通过类似于百度这种便捷的搜索方式就可以找到数据，得到对应图表，在图标中找到异常点，可以层层下钻，层层上卷，并且可以更改图表展现的形式，来快速实现数据分析的诉求。

3. 更智能的洞察能力

智能 BI 工具具有更智能的能力。主要通过内置算法，如归因、趋势、相关性等，提供模型定制化服务，提供模型自定义能力。业务人员在使用过程中基于这些模型能力，快速完成数据预测、数据归因，不再需要多团队的协同，过去可能要 3-5 天的过程，现在只需要半天或 1 小时就可以实现。

在异常点发现数据波动，可以选择归因分析，选择对比的时间和维度，就可以对多种的组合进行叉乘，系统会自动计算这几千种组合，分析出几千种组合中贡献最高的组合，以及对指标进行拆解，分析出哪个指标对主指标的影响最大，影响的波动是什么样的，并生成对应的分析报告，分析查看各种组合贡献度。

智能 BI 提供制作仪表盘、监控预警等基础 BI 能力，分析人员可以通过简单的拖拉拽、多维分析构建基础的数据门户。

--

04/分析案例

1. 在线广告营销分析案例

营销案例：客户营销费用花了 100w，成交了 200w，通常会看到花了 20w 做广告费用，得到200w 曝光、40w 点击、80w 的权益，最终产生了 2.5w 用户和 200w 成交额。通过这些简单的数字很难衡量活动的 ROI 是多少。实际分析过程需要对数据不断的下钻，需要更丰富和明细的数据来支持业务在整个分析探索的过程中进行下钻。

2.5w 用户中，其中 1w 是老客，1.5w 是新客，老客带来 80w 额成交，新客带来 120w 成交额，通过算法预测，未来三个月，120w 用户基于历史数据还会带来 60w 成交额，这是新客可带来的收益。

看到收益之后，会一步步进行倒推分析，得到整个收益对应的成本情况。80w 的权益中，有 20w 权益给到了老客，比如给老客 20 元一张的权益券，1w 的老客户消费之后，花费了 20w 的费用。对于新客提供 35 元一张的权益券，新客一共花费了 52w 的权益。

倒推这些权益产生对应的曝光和广告费用，一步步进行拆解。对于老客一共花了 7w 广告费、20w 的权益产生了 80w 成交额，ROI 是 2.9。对于新客花费了13w 广告费、52w 的权益，产生了120w 加 60w 成交额，ROI 是 2.76，整体 ROI 是正向的，理论上，客户就可以持续在该活动进行广告投入。

随着广告的深入，市场竞争的日益激烈，ROI 会持续降低，下一步是如何优化这个过程中的效率。买了 70w 的曝光，产生1w 的老客，转化率为1.42%；130w 的曝光带来1.5w 新客，转化率为 1.15%。往下拆分，在整个业务流程中，业务通过曝光到成交，会走过资源位→落地页→商品页→成交页面等页面最后达成成交，用户不会像我们设想的一样按照预定的行为路径行走，需要看到用户在哪一个环节产生了流失，用户的行为路径是怎样的，通过这种方式来优化不能达成成交任务，同时是用户较多行走的行为路线，通过链路优化使整个链路更清晰，让客户更多的直达成交链路。

完成了成交链路的优化，营销中又会关注新老客户的页面留存是否会不同。根据不同客户和不同用户行为进行叉乘，需要看到不同客户的场景，不同客户的特种在不同场景下走出的什么样的路径，以及针对性的做出优化，新客户是怎么样，流失客户是怎么样，有过一次购买但是 30 天未下单的用户怎么办。

在分析过程中，除了下钻以外，另外一个重要动作就是叉乘，需要不断的把用户的特征和我们的基础数据做叉乘，不断的把商品属性和用户特征做叉乘，不断的把权益、广告的创意和用户做叉乘，在这个过程中数据量非常庞大，且业务场景是多变的，业务诉求非常灵活、敏捷，传统的报表和驾驶舱比较难在这种灵活的探索式分析上做固化，往往这种固化在三个月之后就变成了一个老旧的报表。

因此在一般企业中，大量报表是冗余的，可能最终有效的报表数量只有 10-15 张。未来，这种搜索式、自助式的分析方式帮助客户在分析过程中效率更高，门槛更低，能够更多的去消费全量数据，通过一定安全权限管控措施，有效的帮助客户得到想要的结果，并帮助客户达到想要的业务结果。

今天的分享就到这里，谢谢大家。

分享嘉宾