人人都是产品经理|数据分析产品从可视化到智能化：快速分析订单量为什么下降了( 二 )
c. 同级城市排序或相似城市对比法：对于业务的局部单元 ， 比如全国开展的业务 ， 判断成都市业务的波动是否异常 ， 可以通过找到与成都市相似的对标城市或者同级城市 ， 判断相似或同级城市订单量的波动差异 ， 如果大家都普遍下降 ， 则认为城市角度的业务单元未发生异常 。
波动的异常分析 ， 在数学和统计学中还有非常多的方法可以使用 ， 大家可自行检索 ， 在此不做赘述 。
（2）影响范围的细分
有了波动情况的判断 ， 就需要进一步下钻分析波动影响的范围 ， 根据业务场景的不同 ， 会有不同的下钻方式 。 比如常见的时空角度 ， 分析哪些城市的业务波动对全国影响最大 ， 哪些时段的业务波动对全天影响最大 ， 哪些下钻维度的波动最全局影响最大 。 这里会涉及一个「影响最大」的量化逻辑 ， 方法有很多 ， 以城市维度下钻举例 ， 这里列举2个简单规则：
a.绝对值影响度：将各城市订单量波动值的绝对值进行降序排列 ， 取TOP5或TOP10进行展示 ， 并辅助以各城市的波动比例；
b.降序累计波动幅度：将各城市的订单量进行降序排列 ， 用帕累托图法分析出拐点阈值 ， 求出累计占比前80%或前90%（阈值）的城市 ， 然后对这些城市的波动幅度进行排序 ， 排序规则与全局波动保持同向 ， 即全国如果同比下降 ， 则波动幅度升序排列 ， 下降最多的城市排在前面 ， 反之把上涨最多的城市排在前面 。
本文插图
影响范围的下钻分析 ， 核心点是「下钻维度」和「影响最大的量化逻辑」 ， 在此基础上「下钻维度」还可以叠加 ， 进行多层下钻 ， 「影响最大的量化逻辑」还可以增加更为复杂的加权计算等规则 ， 甚至是算法规则 。
（3）原因定位和解决方案
归因分析方法和逻辑有很多成熟的经验 ， 但仍然是一个很难的数学和业务问题 ， 大多都只能提供信息参考 ， 后面会专门写一篇归因分析的文章进行介绍 ， 这里给大家列举一种简单易懂的业务拆解逻辑 ， 不能算归因模型 ， 但足够实用 ， 适合业务落地 。
基于业务场景的指标拆解
以携程酒店业务为例 ， 核心目标和指标是「消费间夜数」 ， 从「消费间夜数」出发 ， 从相加或相乘的两个思路进行相关指标的拆解 ， 如下图：
本文插图
假设酒店的消费间夜数突然上涨13% ， 属于异常上涨 ， 其中北京市的上涨影响度最大 ， 时段上没有明显的波动 。 那北京市的消费间夜数上涨 ， 又是什么影响的呢？
可以从图中的指标拆解脑图来分析 ， 先看 消费间夜数 = 当天（购买）消费间夜数 + 预约消费间夜数 ， 可以发现是当天购买影响的 ， 还是预约消费影响的 ， 如七夕、情人节等酒店本地消费爆满的场景 ， 或者旅游季异地人群预约消费爆满的场景 。
进一步可以观察销售间夜数和履约率 ， 是否出现大幅波动 ， 再进一步还可以分析购买用户数和人均购买间夜数的波动 ， 观察是否出现旅游季的旅游团大单情况 。
这就是基于业务场景的指标拆解思路 ， 例子不一定严谨和准确 ， 大家可以根据自己公司的业务场景进行更实用、严谨的拆解 ， 而拆解的目标一定不只是看看而已 ， 最终还是要落到抓手上 ， 如何去解决问题 ， 从哪些方面去解决问题 。
2. 产品自动化
有了抽象化的分析方法后 ， 就需要用自动化的产品来承载 ， 将数据分析进行产品化之后 ， 才能用产品中内含的分析方法实现统一方法论、拉齐分析水平的目标 。
那应该如何来设计自动进行数据分析的产品呢？整体分三步：首先是针对数据分析内容和信息的可视化展现 ， 其次产品整体交互流程需要遵循数据分析的过程和逻辑 ， 最后还需要考虑两个原则：
推荐阅读
- 互联网|中台产品经理实战(14)：中台与SaaS、微服务关系
- |产品入行3年，我总结了这些“情怀”
- 内部|容易被忽视的「内部营销」：你的产品感动你的员工了吗？
- 产品|全国唯一户外15米远距离AI测温系统深兰猫头鹰获工信部嘉奖
- 5G手机,vivo手机|7月最值得入手的三款vivo，都是内行人的最爱，用三五年不过时
- |框架思维，可能是产品经理的核心能力
- |想用触摸板但妙控键盘太贵？那考虑下罗技的产品吧
- 融资并购|心玮医疗获投数千万美元 专注脑卒中预防和微创治疗 已完成多个产品塑造
- |万胜智能产品售价显著高于同业，人力成本标准却偏低
- 行业互联网|原创 寡头西门子推高中高端洗碗机表现，国产品牌逆袭机会不仅是拼价格