编辑导语：数字化转型，是建立在数字化转换、数字化升级的基础上， 进一步触及公司核心业务，以新建一种商业模式为目标的高层次转型，是开发数字化技术及支持能力以新建一个富有活力的数字化商业模式。这篇文章中，本文作者结合美团的大数据产品，分析了互联网的数字化转型是如何从0做到100？

在美团的两年，我一直坚信数据产品的赋能，但是也有一个问题一直困扰着我，那就是数据产品到底能做成什么样？天天说自己服务业务，提升业务数字化、信息化，到底体现在哪？

不可否认，数据产品最有价值的东西是数据本身，但是有了数据只是数据产品的从0—0.5，那如何把0.5做到1，再把1做到100？

来到新的环境，这边和美团不一样，数据基础一般，比起前东家对数据畅想、理解、需求的滔滔不绝，这边的业务甚至已经对当前的一个相对简陋的数据工具报表系统相当满意。

那么如何挖掘用户的需求，做一个区别于原来报表工具的数据产品出来？

比如报表工具，FineReport是很Ok的，比如BI，Tableau是首选，不是说不好，只是说相比之下各自有优缺点。

阿里技术的一篇文章中有一句话说的很好，“BI是非常有挑战的搭建场景，搭建能力对阿里数据中台来说，就像水和空气一样重要，搭建能力很大程度上决定了数据中台的竞争力。”

BI这词并不陌生，数据产品常常以BI自居，但是我却没有系统的思考过BI到底I在哪？这个问题的答案是不是就能解决我的困扰？解决了BI的I是不是就是把数据产品从0.5做到了1，甚至到100。

如果业务发展是一座大山，那数据产品就是那个力，数据就是那个支点，而数据的价值就是支点的位置。数据的价值一定是从场景中来，再应用到场景中去，所以与业务越贴近，越能发挥这个力的作用。

所以，我要做的应该是BI数据分析产品，要比当前的工具更贴近业务，更具分析能力，达到“提高数据使用效率，赋能业务决策”的愿景。

一、场景

虽然在展示上还是以报表的形式展示，但是BI数据产品需要在零散的报表中建立其中的联系，而这个联系来源于业务场景，来源于数据运营思路。

指标体系如何建设？哪些数据指标需要对比看，哪些数据指标需要递进看？各个用户角色关注什么重点数据？数据展示能为他解决什么问题？

以电商的指标体系建设为例，假设业务发展的北极星指标是GMV，而GMV=UV*成交转化率*客单价，于是演化为电商经常提到的“人、货、场”：

• GMV——结果，研究成交金额、单量、交易各维度分布等，衍生出“交易主题”；
• UV——人，研究流量变化，流量来源，流量转化，商详页流量热力，外部引流等等，衍生出“流量主题”、“用户主题”；
• 成交转化率——场，研究营销、活动、推荐、玩儿法、内容等等，衍生出“营销主题”；
• 客单价——货，研究商品卖点、商品属性、商品价格、商品关联关系等，衍生出“商品主题”（“品类主题”）。

所以，BI需要结合场景，通过合理可视化，和友好的交互设计，让用户用起来更顺。

二、灵活

这里的灵活有两个部分，包括灵活的数据权限管理和灵活的分析能力。

数据权限，主要是指不同用户在查看同一指标数据时，由于业务范围不同，比如管理的商品不同、管理的客户不同导致数据范围不同，从而影响到查看数据的范围。

最典型的用户就是客户经理，每个客户经理关注自己kpi的同时，又需要对数据进行保密，避免内部不当的竞争，所以需要对每个客户经理实现数据范围控制。

但是由于职责经常存在变动，数据范围需要随之变动，传统数据报表需要经常的对历史数据进行刷数，造成人力和资源的浪费，同时造成了数据处理效率的下降。

灵活的数据权限需要将权限数据和事实数据需要解耦，并通过OLAP联机处理能力，将最新权限数据与事实数据进行有效组合，实现数据范围准确控制，保障数据的准确性和实效性。

分析能力，主要是指任意维度、任意路径的上卷、下钻、对比、分类的处理。如果说灵活的数据权限是需要将权限数据和事实数据进行解耦，那灵活的分析能力就是将数据分析思路与明细元数据进行解耦。

将数据在可承受范围内尽量保留原数据，将常用维度组合、钻取等常用分析能力作用于产品层，在核心分析框架下增加用户自主分析、多维钻取的产品能力，真正根据分析场景、分析需求进行数据透视，发现数据背后隐藏的本质。

比如，FineBI和Tableau，都能做到多维分析。

三、解读

指标体系来源于业务场景、来源于运营思路，那么它们就具备着相互间的联系，通过比较、细分、溯源找到数据背后的东西。

解读就是把用户的通用分析思路固化下来，直接输出结论性的信息传递给用户，这样不但提升了用户看数据的效率，而且系统考虑更全面，可以将更多的可能提供给用户，为其决策提供支持。

比较——比较分析，横向比较找到问题，纵向对比找到变化，基本的解读就有了。

细分——下钻分析，发现数据问题后，通过各维度的细分，发现该问题指标不同维度的差异，由于每个指标可细分的维度非常多，需要对细分的维度进行一层一层的剖析，再通过各维度横向对比和递进找到核心的几个问题所在。

溯源——关联分析，找到指标之间的因果联系，通过指标体系一层一层的拆解，找到基础指标的变化、用户行为的变化，找到指标间的影响因素。

解读的过程就是“什么情况>为什么>为什么……”这样的过程，通过分析思路经验的沉淀，解读可以越来越有效。BI的解读能力虽不能面面俱到，找到真正的影响因子。

但是可以给出用户各个可能的点，为用户最终的决策提供支持。

四、预警

预警可以配合数据解读、数据预测，利用算法、数据分析解读，提供问题的可能的原因或者未来将会发生的异常情况，让数据发挥更高的业务价值。

也就是我们说的数据挖掘。

五、决策行动

随着企业不断壮大，数据资产不断沉淀，数据能发挥的作用应该是指数化的，做好数据产品发挥商业智能作用，更好的去赋能业务应用。

数据产品从无到有很简单，从有做好、从好做精有点难，而且这是一个费力不讨好的背后支持引擎。

作者：李启方，专注数据分析和企业数据化管理；公众号：数据分析不是个事儿

本文由 @李启方 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议