数据产品经理需要做的事情，可能是让数据会“说话”，按照本文作者的看法，即让数据从“信息化”变为“智能化”，让数据从“展示”变为“指导”。这个过程，可能就要涉及到业务诊断了。怎么理解呢？不妨来看看作者的解答。

一、前言

在3-4年的那个阶段，是我最迷茫的时候。那时已经接触了大部分数据产品相关工作，做平台、工具、报表、大屏、提数、标签，并且对数仓、数据分析、需求把控、优先级排序、项目管理、价值提炼也有了一些认识，看似做了足够多的事情。但似乎终究是被业务裹挟着跑，业务的极速增长就同步裹挟着需求的增长，无数的报表需求、取数需求扑面而来。

数据产品经理的价值到底是什么？终极目标是什么？数据团队对业务来说，到底是价值还是成本？时至今日其实也还没有问题的答案，但通过工作中的部分实践、以及业内一些资深数据产品的思考。目前我的理解是：泛化数据给使用的人，把分析的理念和框架变成数据产品，让数据“说话”。

听上去很抽象，简单来说就是从“信息化”变为“智能化”，从“数据展示”变为“指导方针”。因此就有了这章的内容，我把它分为3个部分，「业务诊断」「业务决策」「业务预测」。

• 业务诊断：对业务异动进行诊断，讲清楚为什么发生（发现问题，定位原因）
• 业务决策：对于已经出现的现状，给出具体的执行动作（直接告诉怎么做）
• 业务预测：预测未来将要发生什么

接下来先介绍「业务诊断」的部分：

二、典型场景

增长产品昨天发现C端营收，下降严重，老板要求快速找到原因，大概流程如下：

1）找运营、产品等部门问问，昨天有没有重要动作；再找技术排查下是否存在技术故障；

2）问下来没有异常，尝试自己通过报表数据进行分析。

• 「单指标多维度分析」：先看一级商品类型波动，再看二级商品类型波动，再看订单页面来源波动等等，观察是否有异常波动
• 「多指标相关性分析」：看活跃用户数、注册用户数等相关性指标3）思绪混乱，提工单给分析师排查

人工排查通常会耗费大量时间，异动分析过程实际可以泛化为数据产品，交给机器来做，下面介绍「单指标多维度分析」自动诊断方法。

三、自动诊断方法

「单指标多维度分析」难点：

1. 如何找到异动的关键维度；
2. 找到关键维度后如何找到关键维度值。

解决思路：

1. 通过现期和基期对比，看异动情况（通过趋势图）；
2. 定位影响异动最大的维度是哪个（通过基尼系数）；
3. 定位每个维度下哪个维度值影响最大（通过贡献度）。

1. 基尼系数定位异常维度

基尼系数系数定义：衡量财富分配是否均匀的指标，将拿到的收入数据从小到大排列，x轴代表人数占比的累加，y轴代表收入占比的累加，绘制出一条洛伦兹曲线，计算图中A区域的面积占比，该占比就是基尼系数，即A/A+B。基尼系数越大，代表收入差异越大。

基于此，构建基于基尼系数的定位维度问题的方案，用于计算各下钻维度方案对单个指标波动的影响程度，x轴用特征分组基期累计占比，y轴用波动值累计占比（可以为负值），基尼系数越大说明该特征对波动的解释效果越好。

这里引申出2个概念，特征分组基期累计占比（权重） 和 波动值累计占比（影响因子），下图为示例解释：

由图可知，当权重和影响因子越接近，基尼系数越趋近于0，基尼系数计算公式（火山引擎应用）：

举例验证，造成异动维度 支付平台>商品>支付方式>国家>渠道

2. 贡献度定位异常维度值

在3.1中描述基尼系数时，已经引入贡献度计算逻辑，即某维度值贡献度=（该维度值现期的值-该维度值基期的值）/（大盘现期的值-大盘基期的值）。

四、产品实例（火山引擎）

第一步 ：在折线图中，发现最近一天的GMV突然下降，点击下降的数据点，进行归因分析

第二步 ：归因分析计算完成，点击查看归因结果。

第三步 ：查看归因结果，最近一段时间GMV波动异常，默认和前一月的数据进行比较，数据下降了22.61%，按照引起下降的贡献对维度进行排名，发现sale_city的系数为0.56，是重要的影响因素，就可以针对这个区域的销售情况进行筛选并经一步分析。