最近在看下面同学在讲BI产品设计POC方案时，时常会听的一头雾水不知道他想表达什么，或者说没能get到他的观点，而是长篇小作文的洋洋洒洒，没有故事，没有观点，没有数据，没有图表，没有结论。这个在面对客户讲解我们的产品解决方案时是致命的，别人在行业里深耕多年业务经验自然比你资深很多，而你对这个行业都不了解，更很难通过你的产品服务来打动客户，虽然讲了很多，但都是皮毛，别人也只是听听而已不会有太大感触。

——1——

数据思维

那商业分析思维到底是什么？自然，我们在商业分析中最重要的判断依据就是来自业务经验和数据，业务经验更多考察的一个人在这个行业的思考，接触业务的方方面面沉淀，而数据到底能看到什么？面对冰冷的数据你怎么才能有数据思维和方法论。

《企业数据化管理变革》书中说：数据思维是根据数据来思考事物的一种思维模式，是一种量化的思维模式，是重视事实、追求真理的思维模式。”

量化，是我们通过数据来观察分析的来得到可以辅助决策判断的重要方式

比如我看到今年3月份销售额17w有明显下跌，怎么去分析？

描述性分析

概念：使用几个关键数据来描述整体的情况，描述性数据分析属于比较初级的数据分析，常见的分析方法包括对比分析法、平均分析法、交叉分析法等。描述性统计分析要对调查总体所有变量的有关数据做统计性描述，主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布、以及一些基本的统计图形。

结合现有的数据指标和维度，我们有很多可以分析的维度，围绕客户的地区、性别、年龄，制造商的品牌，产品的类别，订单的销售大区等。

销售大区：005大区销售额占比突出，001/003/004大区各占比20%，而002大区占比较少

省自治区：省份较少，各省份差异比较明显

制造商：夏普、safco占比突出，苹果、诺基亚、佳能等占比一般

性别：女性占比为主

产品名称：各类型产品销售额占比差异较大

通过以上各个维度的分析占比可以大概了解今年3月的销售额占比情况，而比较难有一个决定性的分析结论。

诊断性分析

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

业务变好/变坏了，除了知道这个结果外，我们还需要通过数据进一步了解为什么会这样。

比如通过业务经验判断觉得销售额的变化和销售大区、客户性别都有很大关系，通过2月3月的销售大区对比发现005大区下降2w、002大区下降10w都是比较能明显看出。

通过性别分析男女都下降较多，其中男性下降达到15w左右。

通过量化的一些下钻对比能够发现变化差异较大的情况，这很依赖分析者的经验。在诊断性分析中，就需要去分析业务结果和很多因素的相关性。当然，怎么能较快速地定位到分析哪些因素和结果的关系，要基于对业务的理解。可以大家一起头脑风暴分析业务数据，也可以去调研，或者深度访谈一些业务关键角色，让他们给一些输入，我们才可能知道从哪些维度去分析数据更合理。

预测性分析

预测性分析就是提前评估后续可能会发生什么？在工作中的场景，经常就是利用现有数据进行测算，评估业务接下来的发展。

比如我们可以通过历史2022年2月前的数据来预测今年3月的销售额情况，根据算法预测的发现历史的销售额有周期的规律，预测今年3月的销售额在55w左右，这和实际只有17w有较大的出入。

不难发现，通过传统的描述、诊断、预测分析等，我们能够在业务中大概了解现状问题以及大概的原因，但一方面特别依赖业务分析人员的经验和技能，另一方面也因为这种常规问题要花大量的时间去分析。

那有没有比较好的数据分析工具呢？目前市面上大部分的BI分析工具类似像tableau、powerbi很多以可视化为主的工具属性，加上本身为国外的产品对内支持一般，在实际的应用中还是会有一些问题和困难。

——2——

MagicBI

目前magicbi的解决方案是把常规的趋势分析、出众分析、下钻、相关性分析、异动归因都集成到产品上，通过选择某个异常指标直接选择需要分析的维度，就可以直接算法分析出相应的贡献度和对比差异。

如分析2022年3月销售额下跌的原因，对比上个月能发现销售额有25w的下跌，环比下跌58%。

而变化最大的原因分别为男性销售额下跌14%，贡献度最大。

销售大区002大区下跌10w，贡献度其次。

类别里家具下跌7w，贡献度第三。

通过这种报表一键式归因，能够快速定位到变化的原因，以及实现各种维度的交叉分析。

另外通过自然语言的查询结果，不再需要依赖需要掌握业务分析人员掌握SQL的技术能力，能够直接通过一些关键词查到数据结果也是一大技术亮点。

MagicBI商务总监 吴小进

18268159685

wuxiaojin@digitalpredict.cn