對於數據分析師來說，其中一項日常工作是根據業務需求，來設計和製作看板。今天數據君就和大家一起來梳理 — — 如何支撐看板需求！
我們可以把整個流程分成3個階段：發現問題、需求確認、需求處理。
數據分析的核心目的就是發現問題和解決問題。
有時候業務提出的分析需求，可能只是個人的設想，作為分析師，需要有獨立判斷的能力，幫助提出問題的人梳理清楚問題。
該問題是否與公司、部門的OKR相關？是否跟著公司戰略方向走？
比如某個產品已經流量見頂了，公司整體策略由拉新獲客變為提升活躍留存、維護老客，那麼即使產品使用者體量趨於平穩，也不需要在這上面過於下功夫研究。
首先需要熟悉公司有哪些指標，尤其是核心指標具體是哪些。其次，需要繼續瞭解這個問題是否涉及核心指標，且涉及了哪些核心指標。
是否關係到公司的整體策略？這個問題如果不解決的話，會產生多大的影響？如果解決了的話，會有多大的利好？
受宏觀影響還是微觀影響？無法避免還是本可避免？
比如自然災害原因導致的線下門店銷量下滑，公司業績跟著下滑，這類原因受宏觀影響，且無法規避。此時單純研究這個問題意義不大。
若這個問題未受宏觀影響，比如，某個產品的最近復購率下降，但宏觀政策和環境並沒有改變，此時需要深入探索是不是產品本身出現問題，或是競品導致。這個問題是本可規避但未規避。
時效性的理解就是，如果這個問題現在不解決，對業務後續發展會產生一定的影響。
比如，研究前年10月銷售下跌的原因則沒必要，要保證數據與時俱進，避免數據過於陳舊；再比如，當前時間節點若是處於市場競爭激烈的態勢，則需把握產品的實時數據變化，及時發現問題並迭代。
與歷史對比：是否符合歷史慣例趨勢，比如數據一直平穩波動還是突增/突降？
與同期對比：如周同期、月同期，年同期。
與總體對比：比如某個sku盈利情況與所在品類盈利情況的對比，該sku對總體的的貢獻率如何？
與競品對比：與存在競爭關係的產品進行對比，尋找差異點。
與目標對比：與公司目標、部門目標相匹配的可衡量指標進行對比，是否有跟著公司戰略方向走？
與經驗對比：以經驗第一時間迅速洞察問題，比如店慶活動某門店營收不升反降。
與預測對比：與預測數據的差距是否在正常範圍內？
常見的問題歸類方式有：
按照四象限法則進行歸類：緊急不重要、緊急且重要、不緊急不重要、不緊急重要
按照問題型別進行歸類：交易相關、流量相關、使用者體驗相關、數據安全相關、財務數據相關……
有時候我們遇到的問題很棘手，大且複雜。一片迷茫，思維混亂。如何著手去解決？這時候，我們需要將複雜的問題進行拆解，而非將焦點浮在問題表面，把大問題圍繞核心點拆解成可以行動的小問題，找到切入點。
打個比方，某個線上產品營收下降了10%，將10%拆解到各個子產品線、各個地區維度等，拆解出下降由哪方面帶來，再針對性的逐個分析。
做分析，很容易陷入一個圈：為了分析而分析。
看到一個問題，會想可以用xx模型、xx技巧、xx模板來分析了。使用了一圈的技能，複雜的過程，密密麻麻的公式等，感動了自己，迷茫了需求方。
而對於需求方，在實際業務中其實並沒有辦法使用。
因此，從實際業務需求想問題，哪怕只是做了一些很基礎的分析和計算，也可能會給業務帶來很大的便利。
發現問題之後，有了初步的方向，下一步就是需求確認。
瞭解清楚需求背景，才能明白這個需求的意義，是為了解決什麼問題而出發的，不至於迷茫的做分析。需求背景就是需求產生的原因以及想要達成的目標。
需求產生的原因：為什麼會有這樣的需求？
需求要達到的目標：此需求期望在什麼時間透過什麼樣的方式達到什麼樣的目標？
需要確認清楚這個需求涉及什麼指標，哪些是核心指標，哪些不是核心指標。每個指標的口徑是什麼，最近有沒有更改口徑。
比如客單價，即使大家都知道客單價=GMV/使用者數，但是不能想當然以為需求方肯定知道，需求方也以為你肯定也知道，雙方未核對口徑直接開工幹活。這樣會存在兩波客單價口徑不一致的風險。分子什麼維度、分母什麼維度，都需要對清楚。
因為分析師是幹活的一方，需求方是釋出需求的一方，所以面對需求，自身需要想的更多些，有些點需求方可能沒想到，此時分析師需要具備更多的主動性。引導溝通、多方核對。畢竟，不溝通清楚需求直接幹，容易背鍋且被投訴，也竹籃打水一場空，浪費了時間。
數據維度可以理解為研究數據的角度，比如地區、城市、使用者名稱等。
需要向需求方瞭解清楚:
● 需要什麼維度的數據？
● 此維度按照什麼方式聚合？
● 去重還是非去重？
● 直接聚合還是累積聚合？
……
需求方提需求，一般只會討論需求詳情，但是需求怎麼做，數據從哪裡獲取，他們不需要關心。
比如，需要看某個商品的七日復購率，數據庫表中有七日復購率指標麼？若有指標口徑是否和需求方的口徑一致？若無，需要從哪些數據庫表進行關聯得到所需數據？自己關聯計算的邏輯需要數倉落表還是直接應用？
在瞭解好需求後，需要根據當前的人力進行需求排期，確定完成需求的時間。
分析師可以接觸到很多底層數據，必須要有數據安全意識。有的公司劃分比較嚴格，某個模組的需求專門安排某個分析來一一對接。但有的公司沒這麼嚴格，需要判別下需求方是否可以檢視該數據。
即使是同一個公司的人，各自的數據許可權也並不一樣，一般不允許非必要性情況下獲取本職工作以外的數據。比如，兩個部門做著類似的產品，有著類似的使用者群體，也揹負著各自績效，數據不能相通。
但雙方都是希望可以獲取另一方數據來做對比，這種情況有的公司不被允許。分析師自然也要判別這種情況，該給給，不該給則果斷拒絕這個需求。
另一方面，需求方有時候需要明細數據，即數據粒度較細的非聚合數據，比如ods層、dwd層的數據，還需要判別下是否能夠提供明細數據。有的公司明細數據會受到公司安全部門的監管。畢竟，明細在手，各種角度的分析都能做。
製作看板方面，可以從核心指標、維度拓展、頁面佈局3方面來進行設計，例如：
最後數據君給大家推薦我常用的看板製作工具FineBI，可以直接接入各類數據來源，能直接對數據指標進行二次計算，内含50+ BI看板模板，共包含零售電商、地產建築、機械製造、銀行金融、網絡、醫藥健康、交通物流、能源化工、教育行業、公共部門、服務行業共11種行業的常見看板場景。
以上就是本期的內容分享~~，碼字不易，如果覺得對你有一點點幫助，歡迎「追蹤」，「按贊」，「分享」喔，我會持續為大家創作優質的內容~~
點選下方圖片免費體驗FineBI工具demo！
iThome鐵人賽
看影片追技術
看更多
groots
