数据赋能主要方向

数据赋能主要方向

数据、数据产品对于业务决策支撑、产品应用的场景和价值不做赘述，以下主要列举一些数据人可以为业务“赋能”的场景。

1. 指标监控预警

不管是业务自身还是数据部门都很难24小时在电脑/手机盯着业务指标是否正常，更多的时候是即使在办公环境也业务的异常也未必能够及时发现。

当用户反馈时，在这个时间窗口期可能就已经造成了业务损失了。之前某团外卖发展初期，系统稳定性不断改进提升，但还会时不时地中午吃饭的时候服务器突然宕机。

通过对流量预测、波动监控，及时触发电话/短信报警，研发人员第一时间修复，缩短问题发现时差，把业务损失降到最低。

另一个场景是，某段时间外卖BD人员工资是按照销售额、订单量等KPI完成度计算奖金，会有BD为了完成业绩，与商家合作下虚假订单，比如一单十几万的情况。

此时，数据产品可以通过订单金额超过XX，下单人员是企业内部员工等不同维度的规则进行监控，出现触发报警阈值的订单时，及时推送给纪检、或上一级部门审核。

通过指标监控预警，可以帮助业务及时发现问题，或者暴露更多问题，降低或挽回业务损失，从“人找数，到数找人”，是不是很有价值呢。

2. 智能分析

管理层、业务部门其实更想要的是最直接的答案，数据是什么，是否正常，哪里异常，应该怎么做。

某天大盘DAU同比下降50%，到底是正常的业务现象还是出现了什么问题呢？

通常是基于数据可视化产品，选择不同的维度分析，交叉分析，判断是哪个维度有问题，比如先看App、微信等不同平台，看流量在某一平台集中下降，还是大盘整体趋势相同，再拆分渠道、业务线、流量入口等，逐层拆解，分析下来，可能一个小时就过去了。

在“数据可视化怎样才有灵魂”一文中有专门讲过数据可视化产品的设计方法，产品设计过程，可以考虑把KPI预测、指标波动自动归因等常用的分析手动融入的产品中，基于产品提供自动化的分析思路（异常归因可以考虑使用基尼系数模型，评估那几个维度的波动对整体影响最大）。