bi|分析师日常：工具人爬坑指南( 二 ) 智能网联汽车|上海市经信委

一个典型的项目按执行前、中、后可以分为问题定义阶段、解决方案阶段、解决过程执行阶段、效果分析阶段、事后review阶段。BI在各个阶段均可发挥数据与分析的作用，使得决策更有效、稳健。
下面以一个（wo）假（bian）设（de）的潜力新品冷启案例来说明。
背景：通过日常经营分析，发现新品流量占比年同比大幅下降；同时新品上架数量以及新品质量并无明显下降；原因今年相对去年，由于算法迭代排序公式中历史销量权重上升，流量环境对新品更加不友好。因此考虑对优质的新品适当通过加权提升流量。
问题定义阶段：是不是问题。是不是问题从商业目标角度判断，这里简化为GMV。长期来看新品无法起量会影响站内商品丰富度，进而影响到长期GMV，因此问题成立。
解决方案阶段：
1）优质商品圈定：BI可以通过历史数据对优质商品进行特征分析，如圈定当前高转化、高质量的商品在新品阶段的流量数据表现、店铺特征、商详页特征等；依据历史优质商品特征，可以由BI或数据开发直接圈定新品，或将新品特征提供给算法用模型进行最终判定。
2）是否有类目差异：新品能否顺利起量对各个行业意义不同，例如对女装的影响显然大于清洁纸品行业；新品加权大概率会影响短期GMV（GMV短期换长期），因此对不同类目可以考虑采取不同策略，降低短期损失。在这个过程中，BI依然可以通过历史数据对类目进行划分。
3）加权方案：在简单算法流量场景，可以尝试定坑或者在定坑基础上叠加简单业务规则（例如人群、类目）；但在复杂流量场景依然建议把工作交给算法。
解决过程执行阶段：灰度阶段主要涉及实验效果观测。在这个例子中主要关心优质新品的流量涨幅是否符合方案设计预期，以及整体场景流量、成交涨跌。灰度效果评估是C端及流量端相关业务BI的重要工作，这里具体不做展开。
【 bi|分析师日常：工具人爬坑指南】效果分析阶段：全量上线并不意味所有工作结束；策略运行一段时间后，需要持续关注新品整体流量占比，优质新品能否顺利起量，以确保最原始的业务问题真正得到解决。
在某些情况下，问题解决方案强依赖BI结论，可以作为专题分析，输出更完备的分析结论。
三、基础数据及数据产品为保证经营分析、重点项目与专题分析效率，BI日常往往会花部分时间在基础数据和数据产品方面。这部分工作主要与ETL、数据产品进行配合，同时也会与引擎端、前端就打点进行沟通。
经营分析指标体系依托商业目标与业务逻辑，往往相对稳定，至少几个月才会变化，因此形成固定的表、模板、数据产品能大量节省时间。此外，与ETL紧密配合产出的业务中间层数据，也能大幅提升数据获取效率以及准确度。
如果说经营分析、重点项目分析、专题分析是BI做业务所需要的剑，那么数据基础及数据产品则是铸剑的工具。
四、非志无以成学前文的标题借用了大厂BI部门的slogan，可以清晰概括出BI的核心价值：让业务清晰、让决策更高效。经营分析、业务重点项目分析、专题分析、数据基础与产品这几大块共同构成了BI的日常工作。
此外，更重要的是具有清晰的目标：从业务中来，到业务中去，工作目的是解商业问题而非做数据本身。非学无以广才，非志无以成学，这实际是一个递进关系——要先坚定意志志向，才能保证自己会去学习，学习实践了，才有广博的才学，诸葛亮巧妙地把两句话颠倒更近一步强调了“志”的重要性。
周报、月报不应是机械地复制粘贴数据，而应该是主动回答业务好还是不好，好的动因，识别风险、寻求机会点，并积极做好结论沟通；数据需求交付不应是数据表格本身，而应该是业务问题的分析结论、建议。
再回过头看开篇，优秀分析师的年终总结可以一定高度概括为通过xxx的分析，提出xx建议，业务依据建议落地后整体核心指标提升xx%。业务有问题，分析师解决了问题，大团圆结局。
优秀的BI可以比业务更懂业务，因为BI通过经营分析框架具有更综观的业务视角，同时岗位特性赋予BI更客观的立场；优秀的分析师是业务数据的商业解码器，会思考的是人不是数据；数据分析师应当发挥“军师”的作用”，为主公和将领建言献策，开疆扩土。
作者：Arwen的异想世界，互联网电商大厂6.5年BI经验；公众号：Arwen的异想世界
本文由 @Arwen的异想世界原创发布于人人都是产品经理，未经许可，禁止转载。