数据化思维之:闭环思维的养成
商业智能BI数据化建设的闭环思维主要有这么几个过程: 数据可视化全面展现、异常数据捕获、重点业务分析、决策执行。
第一, 数据可视化全面展现。先需要通过商业智能BI把我们业务关注的重点通过可视化分析的形式给直观的展现出来、呈现出来。通过分析模型的构建、联动分析体现出业务的分析逻辑。
比如要分析某款商品订单量的异动情况,首先需要通过柱状图或者折线图来反映商品的销售情况,通过联动或者钻取看到不同的商品在不同的时间销售订单的变化情况。这张图都没有,也就没有办法做这种异动分析。所以,首先需要将要分析的内容通过可视化的方式给呈现出来。
第二, 异常数据捕获。什么是异常数据?异常数据是超过我们经验判断之外的数据,有可能是好的,超过我们预期的。也有可能是不好的,低于我们预期的。这些都是超过了我们的经验判断,都是要重点分析的对象。
比如,一款商品今年3月份的销售订单达到了300W,远远高于去年同期,同时比一月份和二月份都高出不少。
比如,今年5月份的会员增长是今年一月到四月的好几倍,到底发生了什么。
第三, 重点业务分析。基于异常的数据表现,分析背后与业务相关的因素。可以通过联动、钻取查看到具体的明细数据,通过明细数据发现造成这个数据表现“异常”的一条或者某一个范围的数据来进行重点的、针对性的分析。这种分析离不开业务部门的配合,到底是哪方面的业务动作导致这种数据的变化。比如像上面提到的5月份会员增长,最终和业务部门探讨找到的原因就是:在五一期间客户APP新上线的一项发红包拉新的功能,导致新注册会员大幅度的增长。
由于这项指标对于这家企业而言是一个非常重要的KPI指标,内部运营体系中三大 KPI指标之首。这个时候就需要考虑这样的拉新活动要不要变成一个常态,或者通过其它的方式来进行,因为整个投入产出比非常不错。
第四, 决策执行。一旦通过可视化的分析呈现找到了“异常数据”,并通过更加细致化的明细数据分析和重点业务沟通分析,找到了产生这项“异常数据”的重要原因,并且也提出了一些设想和想法,最后的一个环节就是决策执行,这件事情到底要不要尝试去做。
决策有可能是有效的,也有可能是无效的。如果是有效的,最终仍然要通过可视化分析去呈现,观察一个业务决策执行之后数据的变化是否达到的预期,如果达到,说明之前的判断就是准确的。如果没有达到,就需要继续分析之前的判断是否存在思考上的遗漏和执行上的遗漏。
总之,这是一个循环往复的过程,从数据出发最终回到数据。没有分析,决策的执行就缺少了依据。没有决策的执行,就无法检验分析的效果。所以,在我们数据化信息建设的过程中,数据分析和决策执行是一个完整的流程,缺一不可,只有这样数据化建设才会有价值和意义。
这就是我们今天分享到的有关商业智能BI数据化运营建设的闭环思维。
(全文完)
本文由派可数据原创,如需转载请必须注明来自派可数据 www.packingdata.com,否则按侵权处理
相关文章
- MySQL查询某天的数据
- Google Earth Engine(GEE)—Sentinel1 多波段合成数据对比
- Google Earth Engine ——高级星载热辐射和反射辐射计全球发射率数据库(ASTER-GED)地表温度数据集
- Google Earth Engine ——ANDSAT/LM04/C01/T1-T2经过缩放、校准的传感器辐射度数据集
- Cesium加载影像和地形数据+开启高程遮挡效果+视点定位+定时更新
- 用大数据思维做运维监控是怎样一种体验?
- 对话周涛:抓住大数据最性感的方向
- 大数据思维与数据挖掘能力正成为大型商业银行核心竞争力
- 12个思维导图工具,像数据科学家一样结构化地思考
- MATLAB 数据分析方法(第2版)2.3 数据变换
- 吴军:三个案例透析大数据思维的核心
- 大数据图书分享-Python数据可视化实战课程
- tensorflow学习笔记三:实例数据下载与读取
- 发展趋势:大数据时代的块数据思维
- 大数据学习——linux常用命令(四)
- c# 构建一个DataTable数据集并把它转化为相应的类集合
- OneNET麒麟座应用开发之三:获取温湿度数据
- 大数据时代信息通信业与医疗健康业融合的三大思维
- 20年秦皇岛D - Exam Results(二分+思维,附易错数据)
- 大数据如何重构影视行业产业链
- java从mysql导出数据例子
- Pandas处理超大规模数据
- 探索“大数据”管理模式提升信息智能管理水平
- 以大数据思维推动创新发展
- 为什么说不懂数据思维和零售思维就不要从事零售业?
- 房地产大数据催生新商业蓝海 提供决策支持是核心