编辑导语:可能每个人的日常工作中,都或多或少地会涉及到业务分析模块,那么在社会普遍对效率有所追求的情况下,我们在日常业务中,是否可以借用工具来实现业务分析价值的最大化?也许,亚马逊云科技推出的Amazon SageMaker Canvas就属于这类型工具之一。本文作者就对其进行了测评体验,一起来看一下吧。
一、事实是,我们都在做业务分析无论你是否意识到,我们每天的工作实际上都包含了业务分析。
试着想象以下这些场景:
移动游戏运营想提升付费用户比例,会通过分析用户使用行为,得出影响付费的因素,从而采取针对性的运营手段。超市老板进货时,会综合考虑以往销售情况、地段、季节等因素,分析出每件商品要备的库存量。房屋中介在管理客户时,会根据客户的个人情况、背景资料和意向信息分类跟进,提升成交量。尽管上述场景的主人公都并非专业的业务分析师(business analyst),但他们知道怎样让自己做出更聪明的判断。
而这恰恰就是业务分析的本质:通过收集和处理业务数据,分析得出某种趋势、模式或根本原因,并根据这些洞察做出数据驱动的业务决策 [1]。
二、可是问题是……尽管我们都或多或少在用自己的方式,通过业务分析来完成工作,但是问题也在一一浮现。
1. 期望更进一步数据量大、影响因素多、缺乏专业的建模能力等等,都会使我们在实际分析业务时往往停留在表面,而错过了挖掘背后更深的洞见。
比如,在分析影响用户付费的因素时,我们的运营同学定位到多种相关的行为指标:
用户来源:来源于渠道A的用户付费比例更高;日均活跃时长:活跃的用户付费比例更高;日均互动数:互动多的用户付费比例更高;是否参与激励活动:参与过的用户付费比例更高。以上的结论虽能帮我们判断出哪些特性的用户更具有付费意愿,但想进一步知道:哪些指标影响更大,指标间是否会相互影响,能否在下次运营活动前就能预测出最终效果,往往还是无从下手。
2. 结论对么?