|
数据猿访谈的主人公张丹洁作为客户关系经理，她是2023帆软MVP荣誉得主、帆软最具价值专家。帆软MVP（Fanruan Most Valuable Professional）是帆软颁发给产品用户专家的一项荣誉认证，以感谢他们为帆软产品的发展所做出的卓越贡献。
值得一提的是，帆软MVP计划一经推出即收到来自各行各业的优秀数据分析师报名申请，他们用专业知识、技能和奉献精神，为帆软产品生态的发展和用户的成长提供了强大的支持，推动技术交流、助力行业发展，张丹洁就是其中一个，她从众多候选人中脱颖而出，获得2023帆软MVP荣誉奖励。
当问及为什么选择报名选拔帆软MVP时，张丹洁说道，“第一，于我个人来说，要达到帆软MVP的目标意味着突破舒适圈，进入学习区，有助于个人能力的提升；第二，独乐乐不如众乐乐，我一直享受BI的探索型自助分析的过程，希望有更多的小伙伴一起共同探索，而且无论对于数据分析师还是业务同事来说，都很希望能够用好BI工具，我可以把个人经验分享给大家；第三，参与相关活动还有机会接触业内前沿科技，助力个人职业发展。”
来源：帆软
张丹洁于三年前加入上海某母婴零售公司，主要负责会员体系的搭建、基础性报表的开发、会员数据分析等工作，她不仅需要完成体系上的建设，改善公司的管理流程，还包括专案型分析，除此之外，张丹洁所在的团队还赋能供应商，帮助他们搭建报表体系，赋能其业务决策。
对于张丹洁这样每天和大量数字打交道的专业人员来说，接触BI工具是全方位的。在公司会员体系与权益建设尚未完善之时，BI主要在帮助其完成一些会员数据的测算，以辅助团队制定会员权益；在搭建报表体系时，70-80%的时间都会用到BI系统，它帮助张丹洁完成包括数据分析在内的会员报表体系建设；在专案分析阶段，则会涉及大量需求调研、探索性分析以及业务讨论，一半时间也在使用BI工具。
她介绍说，他们部门利用帆软的商业智能系统搭建的会员报表体系，主要服务公司的三个部门：一是商品管理中心，他们需要报表帮助完成订货流程，也需要了解销售额、到店会员、毛利、库存等数据；二是提供给品牌方，侧重销售达成指标，展示会员数的增减、人均贡献、会员留存、复购率、品牌份额的变化趋势等数据；三是营运部门，同事关心所在区域和城市，每家门店的销售和指标达成情况、老客维护和新客拓展是否达到了预期。不仅针对三个部门的三套日常报表，会员管理部门本身也有一套会员分析整体报表，全面观测会员的情况。
张丹洁所在的上海某母婴零售公司数据来源于各个平台，尽管有IT工程人员对数据进行初步整理，业务部门的同事可以完成一些简单分析，不过由于业务数据体量很大，需求方想去做较复杂的会员分析，就需要张丹洁所在的部门去帮他们完成“最后一公里”。
张丹洁最初是用Excel来做数据分析的，使用帆软之前也用过一些兄弟公司的产品。起初用帆软BI的时候，张丹洁他们也只是用到一些初级功能，随着帆软版本的提升，他们发现，新版本可以大幅优化公司数据分析的全流程，例如采用FineBI自助数据集定制全公司常用的分析流程，通过对自助数据集的编辑，实现从分析报表到自动推送（定时调度）一体化，将流程中繁琐的、需要大量手工的重复劳动节省出来。
在张丹洁看来，操作复杂并不等同于好产品。从人的本性来看，人们更愿意追求用简单工具来解决复杂问题，而且简单易用的产品，不仅自己上手起来很迅速，培训团队也更容易。张丹洁介绍说，“目前对于有一定基础的分析师培训时长大概在两三个月，对公司来说是一个比较平衡的状态，如果某个软件要更长时间才能学会使用，一来培训成本会比较高，二来市场上的求职者普遍薪资较高，对于企业来说也意味着更高的用人成本。”
现在，帆软能用简单的方式帮助张丹洁所在的团队完成很多复杂的分析，如会员的流入流出分析、根据留存率绘制阶梯图等等，也让他们能够形成一些独到的使用心得。张丹洁在“BI实战”公众号里写了一系列关于Fine BI的应用攻略，其中以“DEF函数”为主题的文章就有六篇。
张丹洁说道，“我们认为DEF是FineBI的里程碑，DEF是define（定义）的缩写，意思是你想要的指标，我都能定义。DEF函数有三个参数：参数一是聚合指标、参数二是维度、参数三是过滤条件，涵盖了数据分析的聚合、分组、汇总以及筛选，基本上把数据分析的本质都囊括了进去，以前通过不同的自助数据集的交并差实现的关键指标运算，用DEF函数轻松几步便能在仪表板上搞定。”
用DEF计算会员购买频次区间，几步操作轻松搞定，来源：“BI实战”公众号
两个月前，张丹洁所在的数据团队接到了来自公司管理层的一个需求：能否用BI的方法看看快递费用有无优化的空间。这需要综合考虑现在快递费用、相关费用，还有可能的业绩增长等多个因素，他们用BI系统做了探索性分析，建立快递费用模型，从各个角度进行测算，获得快递费用新的最优解，来匹配相应的物品重量和城市。
过程中他们发现，公司的快递费用确实存在优化空间，比如上海五公斤的货品快递选韵达是最便宜的，但是快递系统中并没有包含这种测算逻辑，可能就会在这个区域直接默认选择京东，由于京东比韵达的价格贵两到三块，公司在上海的快递成本就不是最优解。
发现了这个问题所在，数据团队的小伙伴一拍即合，当即决定把所有历史数据放进BI系统建立的新快递费用模型中重新计算，按现有体量一个月就可以节省大约10万元成本，如果按明年预期的增量计算，应该会节省更多。不仅如此，当公司通过BI系统找到快递费用的最优解后，同样可以迁移到别的环节，因此他们还打算优化仓库包装、系统指派等流程。
我们常常听到BI分析同行抱怨，认为自己是个“工具人”，完全影响不了业务，业务同事顶多听听我们的分析会，平时照样“我行我素”，还是按照他们的经验来做决策。业务部门同事也会有很多理由，认为数据分析师离业务太远，帮不到他们。我们看到，张丹洁所在的上海某母婴零售公司从公司层面就把数据与业务策略深入绑定，让两种能力的优势各自得到发挥。
首先，这家公司在制定业务战略的时候，一方面更加强调自己是在做“策略”，摒弃假大空的方法论，业务重大决策必须要有数据作为支撑；另一方面，数据分析师要落地，能够真正给业务带来价值。例如，公司推出一些自营品牌，他们一直会采用数据来跟踪洞察目标人群需要什么样的产品，需要提升包装还是改善功能，而当销量有所增长的时候，则用数据指导该采用哪种高性价比的推广手段来放大业绩。
张丹洁说道，“数据分析如果不能给业务赋能，业务部门看到一堆数字是没有价值的，所以我们在做数据分析时，只有一个目标，即分析要能指导业务同事去做策略上的优化。”张丹洁发现她的业务部门同事喜欢用不同类型的指标堆砌到一起来做横向对比，他们会在一张宽表中琢磨哪个指标有变化，值得进一步探索，从数据分析师的角度看起来很繁琐，但她了解到业务人员这么做的心理过程后便更倾向支持业务同事，“这和简单易用并不矛盾，业务同事有自己看数据的方法，我们应该让他们有更多的探索空间。”
据了解，该零售公司正在实施数据中台项目，考虑将BI的编辑权限给予业务部门，以低代码的方式进一步提高公司各部门的工作效能。张丹洁表示，目前帆软BI的编辑账号更多是数据部门在使用，业务部门还比较常用Excel拼成一张表来看数据，他们将向帆软提出需求，开发更适用业务部门使用习惯的功能。
张丹洁也注意到今年人机交互从易用性正在向着智能性发生根本变革，自然语言有可能取代拖拽工具成为与数据交互的一种新方式，它极大简化了操作流程，现在对于多个数据集的查询，用AI大模型支撑的产品只需一句话就搞定。
帆软最近也向包括张丹洁所在公司在内的多个客户介绍了“AI for BI”之新理念，帆软认为现阶段“AI for BI”可分为两个方向：生产辅助和数据消费，前者使用户专注于核心的“分析”任务，不必浪费时间在繁复操作上；后者则进一步降低数据获取门槛，使所有人都能通过对话的方式智能访问可信数据，并得出所需结论。目前帆软已推出一系列的AI辅助功能，包括智能数据编辑、智能生成公式、智能生成图表、智能解读和智能美化等。
帆软AI for BI模型之AI辅助分析，来源：帆软
不只是帆软，其他同行也纷纷推出类似的理念，希望在良好的数据基础和强大的BI功能支持下，利用AI技术简化用户工作流程和降低技术门槛。不过我们注意到，新产品大多数并没有打破现有的BI流程，而更多作为辅助工具存在。业内大多数专业人士亦表示，当前阶段AI不能完全替代数据分析师，而应作为辅助工具，帮助减轻用户的机械和重复性任务。
张丹洁说道，尽管现在“AI+BI”的发展还在初级阶段，但从大模型的演进速度来看，它的学习能力很强，进化只是时间问题。这既是挑战也是机遇，AI改变数据分析是个不可逆的趋势，客观来说，这对数据分析师的冲击还是很大的，比较理想的情况下，可以让AI工具完成从零到70分，人来完成70到90分的工作。
“AI+BI的变革会促使我们去思考，怎样加速从工具型的数据分析转变成为业务型数据分析，进化到后者的数据分析师需要对业务逻辑有更准确的理解，能更加深入到业务流程中来，才能更好地驾驭AI，让它为我们的业务做更多的事情。”张丹洁如是说。
国际知名技术咨询机构IDC最新研究报告亦表明，2023年中国BI厂商在易用性提升和大模型能力融合上持续发力，各厂商结合自身产品特点，在数据填报、数据准备、数据可视化和高级分析等功能模块，通过可视化配置、AI智能辅助或页面优化等方式，进一步降低了产品的使用难度，提高产品交互体验；而随着BI产品与大模型技术的逐步融合，大模型有望实现数据分析全流程的自动化，自主完成数据集成、建模以及分析与解读，并能结合业务情况提供行动建议。
转载自*数据猿 | 
