思迈特软件Smartbi:数据报表设计开发_数据报表设计流程

数据报表设计流程一:构建分析体系

1、面向业务结果的分析
b端产品经理不同于c端,业务是一切产品设计的核心,必须围绕业务进行产品设计。首先要明确分析目的,并进行业务诊断,最重要的是打通分析链路。
例如要分析利润曲线,与利润相关的数据有利润率、在架率、产品种类、报价策略、市场行情变动等。
根据公司具体业务不同,明晰哪些是需要重点关注的,哪些是可以暂时搁置的,特别是要跟业务团队多沟通协调,共同商议出一个分析框架。
一般可采用枚举法,列举可能干扰到核心业务数据所有因素,再一一排查。
2、面向生产过程的分析
公司不仅要求分析业务结果等业务强相关数据,生产过程关系到每个人的工作效率和工作成果是否达标,生产过程同时也是对人员kpi的考核。
如对销售的拜访客户数、销售线索获取数量、签单客户数,贡献利润占比等,对客服的工单处理数量、客户评分、分钟会话数量等,该部分分析主要根据使用者的操作记录产生数据。

数据报表设计流程二:定义观察指标

1、进行维度下钻
定义好分析框架后,要进一步确定观察指标,主要是对观察维度进行拆分,逐渐细化,只有在更精细的维度分析数据才最有可能得到准确的答案。
比如在架率又可细分为日间在架率和夜间在架率,还可继续细化为某某产品在架率,甚至可以细化到业务员王二在日间12:33误操作某交易量极大的产品,造成利润损失。这样就打通了从业务结果——生产过程的分析链条。
又比如报价策略有可细化为具体sku的报价问题,该数据又可关联到上游供应商近期内价格调整频繁,而报价策略未结合该特点导致该产品报价过高/过低。
维度细化的过程中,可能会逐渐拆分为一级指标、二级指标……n级指标,但并非拆分中的每一个维度都要作为观察指标。是否作为报表使用要结合公司业务特点并且和业务部门多次沟通协调达成共识。
在维度下钻的过程中确定哪些维度是需要进行统计的,哪些是不需要用到的。
2、统一数据口径
数据口径指的是对于数据的定义,如果系统内部统计口径不一致,就会导致业务分析出错。如果不对数据口径进行清晰的定义,开发人员在调用数据时可能会直接采用已有的口径,这个已有统计口径不一定符合当前数据指标的需要。
产品人员应该单独书写一份关于数据口径的定义的文档,并上传至系统内部的文档共享系统,方便业务人员随时查阅。如果系统允许,尽可能与业务部门达成共识,形成一套标准的数据口径。
3、定义统计频次
确定好需要统计的数据维度形成观察指标后,要对观察指标分类处理,有些指标属于关键性因素,有些指标属于次要因素。有些指标单位时间内产生的数据波动较大,统计频次可能要到分钟级。而有些指标数据波动较小,可能一天只有几次变动,统计频次可设定为小时级。

数据报表设计流程三:设计呈现形式

一开始的呈现形式以简单、好调整为主,不必急于线上化,也不必追求酷炫的交互效果。严格遵循mvp原则,用最小功能集合去迭代产品。
报表在设计初期必然面临指标的频繁调整,以及数据不准确,统计范围需要变更等种种问题。初期可采用系统定时通过邮件发送报表,报表的形式可以是一张简单的excel表格,这样先试用一段时间,确定要分析的数据字段、监控指标等没有问题后,再着手进行线上化的设计。
确认好线下的报表迭代优化完毕后,设计线上化的方案,一般考虑以下几个方面:
默认查询时间,统计具有延时的特点,有些数据统计必须等待订单完成才能纳入统计范围,比如默认查询时间定为t-6至t-2
排序规则,默认按照哪一项数据排序
筛选项设置,哪些数据选项需要筛选
统计项设置,哪些数据需要合并统计
其他极端情况考虑,数据极限值,最大时间范畴,取数为空时的处理等等

数据报表设计流程四:复盘报表设计

报表线上化固然有其优点,方便、快捷,效率高。但是也存在一些弊端,比如不够灵活,excel表格可以方便做成各种你想要的数据透视表,而线上只能固定其中的几种。线下还可以采用任何关联要素利用vlookup进行匹配,线上则已经固化了分析指标。
因此,产品上线一段时间后,要及时复盘功能是否好用,是否得到认可。
使用率:可通过数据埋点看该项功能的使用率,使用率不够要和业务部门沟通问题,及时迭代优化
观察是否实现最初想要得到的目的,分析链路上是否还存在障碍
用户满意度: 与业务部门沟通,看使用过程中有什么不方便的地方,效率方面是否还可以得到提升
 
以上是思迈特软件Smartbi的分享,更多行业干货可关注我们下一期的分享。思迈特软件Smartbi是知名国产BI品牌,专注于商业智能BI与大数据BI分析平台软件产业的研发及服务。经过多年持续自主研发,凝聚大量商业智能最佳实践经验,整合了各行业的数据分析和决策支持的功能需求。满足最终用户在企业级报表、数据可视化分析、自助探索分析、数据挖掘建模、AI智能分析等大数据分析需求。

现个人版提供全模块长期免费使用,有兴趣的小伙伴可登陆官网免费试用~

你可能感兴趣的:(数据挖掘)