小场景看数据产品的痛点与路径规划

归因是数据分析的最终目的，也是目前大家智能化探索的热点，期望做到智能的自动化归因。当然归因从场景上其实可以分为两类：一类通常是在营销领域的渠道归因，就是判定用户最终是由哪个渠道转化来的。这类归因的算法是核心，谷歌掌握核心技术；而另一类也是今天我们讨论的场景，业务分析层面的归因，业务分析通常是对业务异常点发现问题或对未来趋势做出预测。

通过算法自动归因分析并产出影响因子结论的数据分析产品不在少数，但你会发现这么智能的傻瓜式产品在业务中真正用起来的并不多。为什么呢？很多人会说这不是数据智能很好的场景应用吗？极大地提升了分析效率，同时还降低了数据分析的门槛。我只能说，大多数产品经理并没有更深层次的去剖析场景和用户，也没有想明白数据智能背后的本质和发展路径。只是为了智能或显得智能而智能。

首先站在业务的角度，只要对业务决策产生影响的事情都是至关重要且谨慎的，因此直接获取的结论始终会被质疑而需要去验证，那验证的过程实质上是又重新做了一遍数据分析。

其次，当前业务数据分析的维度没有大家想象中的那么多，数据量大也主要是数据深度——即纵向单一数据维度的数据积累。而数据的广度——即业务的数据维度并不会很多。一是因为从数据源头能获取的维度就有限，另外业务形态是行业属性多年沉淀而来。所以基于此塑造的业务模型是相对固化的，那么关注的维度也是相对固化的。所以在有限的维度下分析数据，并不像大家想象的效率那么慢，所以傻瓜式的分析并没有打到核心痛点。

最重要的是，数据分析最终的归因因子是不能通过大数据得出结论的，比如通过数据分析发现某支付渠道订单量下降是由于此渠道订单交易都关闭了，但无法通过数据知道为什么关闭了，因为后续的数据被截断了。这时候就需要通过业务经验的知识储备对单一场景的小数据排查，这也是为什么数据分析需要具备业务经验。所以单纯靠算法是无法解决归因的本质问题，数据隔断和知识的问题。

但智能归因还是要实现的，只不过需要在对的时间做对的事。自动归因是终极形态，但并不代表现在已经具备了相应能力。综上所述业务的自动归因没有人用是因为并没有击中用户最核心的经验识别。

其实单一场景的小数据代表的是经验，而大数据代表的是统计分析，他们之间的链接就是知识。如何通过知识连接就是产品自身的路径规划问题。

所以我在做指标分析的平台时，第一步并不是通过算法自动归因去找出问题，因为这个问题对业务的意义并不大，业务也大多不信任。而是把基于业务模型的场景视图展示出来通过数据异常去标记大致方向去让用户自己寻找并探索小场景的真实问题。当然还有一个很重要的原因是，这样才可以引导用户把业务场景上的知识经验沉淀下来，而不是去直接推荐结果从而无法得到数据反哺。当具备业务分析的多维数据和业务经验后，未来基于领域知识的自动归因能力自然水到渠成。这就是产品发展路径上的考虑。

产品经理需要站在用户的角度去深入思考，需求背后真正的痛点是什么，是自动归因分析吗？还是背后由于用户经验的参差不齐从而导致决策的缺失？看似算法凸显的产品很智能，但是高大上的东西就真的好用吗，可延续吗？这也是对产品路径规划能力的考验。

以上就是“小场景看数据产品的痛点与路径规划”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。