BI里的数据决策之决策建议

今天我们来谈谈 BI 系统里很有亮点的一个场景应用——决策建议。

有决策建议的 BI 系统常常被冠以 “决策支持系统” 的光环。决策建议也是让业务方能够最直接感知数据驱动的功能。

决策建议，是能够告诉用户【在何种情况下，应该如何做】。

前面的文章我们谈了风险告警、问题诊断，现在通过一个例子看看他们和决策建议产品形态的区别：

• 风险告警：全站活跃用户数比昨日降低 10%；

• 问题诊断：今日全站活跃用户数比昨日降低 10%，可能原因：10 点-11 点 APP 活跃用户数比昨日降低 50%（减少 10000人）；

• 决策建议：今日活跃用户数比昨日降低 10%，可能原因：今日 10 点- 11 点 APP 注册用户数比昨日降低 50%（减少 10000人），建议持续关注未来 48 小时内 APP 每小时注册用户数趋势和分布，点击订阅此数据。

决策建议可以有多种实现路径：

• 模型驱动：以算法模型为核心，常见的场景是，用户输入参数值或一些数据，来得到预测结果或者仿真模拟结果；

• 知识驱动：也可以叫做经验驱动，将专家领域知识（方法论）沉淀到系统里；

• 数据驱动：通过对数据的挖掘分析（通常是时间序列数据）。

不管用什么实现路径，产品设计核心是对现状、目标、执行措施三者关系的本质理解，将模型、知识（业务方法论）、数据转化为建议。

这里先不谈需求调研和确认需求范围这些工作，重点介绍当确定需求后，输出产品方案的方法。

第一步，我们先把决策建议进行分类：

一般来说，决策建议可以划分为以下几种类型：

1、建议做线上操作——设置阈值、操作功能等，需要提供建议值、建议条件、具体功能，比如：新零售场景，发现店铺会员进店率降低了 50%，建议增加会员触达，点击设置会员运营策略；

2、建议做数据分析——观察数据分布、数据趋势等，需要提供具体观察对象的内容/指标或者指向具体的数据分析功能，比如：电商场景下，发现件单价（成交订单中平均每件商品的价格）近 10 天内降低了 50%，建议关注高价商品的供给与销售，查看定价合理性分析。

3、建议做线下操作——提供解决方案方向，需要提供定性的建议或者知识文档，比如：物流场景，发现目前分拣中心包裹数量是历史峰值的 80%，建议增加分拣格口。

第二步，找准决策建议的触发条件，将触发条件转化为数据需求。

触发条件有这么几类：

1、阈值触发：数据指标达到某个指定的数值，比如：店铺会员进店率阈值，低于这个阈值会触发计算决策建议；

2、事件触发：当出现某个状态时触发，比如：当包裹派送状态为分配快递员，且客户的另一个包裹将在 1 小时内到站，触发提示快递员是否将已分配包裹标记为等到齐包裹后一起配送；

3、时间触发：指定时间时触发，或者达到一定的时间周期时触发，比如：每天早上 9 点，提供建议巡检设备清单。

第三步，将决策建议值转化为研发需求。

我们按建议内容分为 2 类：

1、定量建议，需要给出具体的数字或者数据清单，比如增加 10% 库存，巡检设备的具体设备编号；

定量建议一般考虑采取算法模型的方式，产品经理要重点整理清楚算法的输入输出和逻辑，整理好算法需求，强调设定合理的评价方式和评价指标，对算法调优可以提供一个明确的目标值。这个过程中，和算法工程师的反复沟通比较重要。

2、定性建议，需要给出具体的指向目的（文档、文字说明、功能等），比如查看定价合理性分析、建议关注粉丝新增率、建议把系统切换成节能模式。

定性建议一般考虑给出建议的规则集（策略），规则策略可以由产品经理输出，设计要点是，力求对业务场景状态进行全面分类，让规则可以尽可能多覆盖较多的场景。这个过程中，和业务方反复沟通比较重要。

在产品目标主要是数据可视化、业务模型建设的情况下，决策建议确实是大多数据产品经理比较少接触到的业务场景，但随着数据对业务越来越重要，要求数据能够发挥更大价值，产品经理应该多思考如何能够提供更加智能化产品给用户。

我们常说，解决方案本身其实是术，产品 PRD 里面写的是策略规则、模型需求，其实多做几个 case 积累一些经验就能够熟练，但是对于个人能力来说，我们要锤炼的，是一种你如何去解决一个未知陌生问题的方法，当接到需求时，能够判断出好的解决方案的核心是什么。

下一篇，我会带大家放飞思维，看看一个真正“智能化”的产品可以如何打造。