▲本文作者：Faerie，螞蟻金服資料分析師
資料洞察之我見
在資料分析這個行業裡，大家經常會談論未來是大資料的時代，未來的競争就是資料的競争。
而麥肯錫的一項對700+家企業的調查顯示，許多公司、尤其是傳統公司還沒有從大資料項目獲得預期的結果，或者還沒有獲得相當高的投資回報率。大資料項目投入後收入平均僅增加了6%。我想一個很大的原因是傳統企業大多是業務流程驅動，資料更多是作為一個報表使用。他們很少挖掘資料價值對企業流程的驅動，而是依靠個人經驗進行決策。即使在使用資料分析的公司也多是停留在驗證假設、監控效果的層面，通過資料分析獲得洞察的很少，用分析直接指導行動的案例更是少之又少。Forrester的一項調研報告顯示，有74%的公司希望通過資料驅動，但是隻有29%把分析結論和營運動作建立了聯系。
要從資料中得到價值，首先得弄清楚資料分析和洞察的差別。有很多作者讨論過這個話題，包括剛才上面貼的那篇forbes上面的文章，簡言之，資料是沒有經過過多的處理的原始資訊，資料分析是從這些資訊中發現的規律、趨勢等，而資料洞察則是通過資料分析得出的價值，包括決策營運、預測機會等。
ConnectedInsight項目由來
作為客戶服務及權益保障事業部智能營運中心的資料營運團隊，我們的職責是支撐各服務線、智能排程中心及網際網路管道的資料分析。
雖然每條線都有幾名資料分析同學做支援，但是由于資料分析需求往往都是由一個或小部分場景出發而提出，并未全局考慮資料和分析結果在整個業務線營運鍊路中的作用以及能為營運決策帶來的影響，導緻需求往往零散、冗雜且重複。同學們在不成體系的需求下熬夜跑代碼、做報表、寫分析報告也很艱難。
車品覺的《決戰大資料》一書中寫到：“大資料的力量來自觸類旁通的關聯。我們以前總是用資料來證明或企圖說服工作上的盲點，而如今的資料不再是一加一的依據，而是具備了預測和開創新機的能力”。
書中還提到，“把分析的理念和架構變成資料産品，本質上是一個資料泛化的過程。這個過程非常重要，因為資料報告的需求會越來越多，如果沒有泛化資料給使用資料的人，分析團隊将永遠被冗雜和重複的工作所困”。
由此智能營運中心的資料營運團隊和平台系統團隊一起提出了ConnectedInsight項目，目的是為了從業務描述，業務診斷，業務預測，決策支援等方面，一步步完成從散點資料走到資料洞察。
基于此，我們和CTO 線人工智能部的AI營運團隊以及CTO 線資料平台部DeepInsight産品團隊做了共建，我們提供業務名額架構和分析思路，産品由AI營運團隊主導開發，由DeepInsight提供背景能力，最終呈現在新客服數智産品上。
任重而道遠，為了避免閉門造車，寫下這篇分享，想吸引更多有相同想法的同學或者團隊一起來探讨更好的解決方案。
ConnectedInsight項目“洞察”了什麼
下面分别講講ConnectedInsight這個資料分析産品的四部分分别實作了或者将要實作的價值：
業務描述：描述業務上發生了什麼。
服務線要了解自己的服務做得好不好，首先是需要看描述性的資料，過去我們是靠一張張報表實作這種描述功能的。但是單個的KPI報表是散的，比如我們分别看了一條服務線服務流程各個點上的資料報表，并不能直覺的拼成一條鍊路圖來了解整個業務流程的營運情況。基于此，我們開發了可定制化的業務資料流程圖和異常高亮及預警功能，讓使用者能對業務現狀一目了然，實作了從“點”延伸到“線面體”。
業務診斷：診斷為什麼發生。
服務線看到資料流程圖描述出來的某些環節做得不太好，就需要了解原因或者能改善的點。在此需求背景下，我們的産品開發了單名額多元度拆解和多名額相關貢獻度拆解，實作了診斷名額異常定位原因，讓營運同學能更高效的找到營運點。
業務預測：預測将要發生什麼。
服務線要部署人工服務方案，必須提前知道服務量，我們通過預測産品化的方式讓營運同學能高效的使用預測功能，合理的配置設定服務人力資源，同時也大大提升了分析同學預測産出時效。
決策支援：決策要做什麼。
目前服務線營運同學在決定下個周期的派單部署方案時仍需靠人工重複、機械的統計曆史資料和預測資料進行局部優化的方案選擇，而我們的産品将實作用相關因子自動計算出全局最優的派單部署方案，大幅提高營運效率和準确率。
1、業務描述
#業務背景
業務描述就像汽車儀表盤，實時告訴你發生了什麼，并适時警報提示等。分析師要做的事情就是搭建名額體系，進行各種次元的統計分析。我們過往的大量工作就是做這個，目前市面上很多BI産品也都能夠滿足這個層次的資料營運需求。
拿客戶服務及權益保障事業部的國際線來舉例，以往業務線營運同學看到的是拿老版Alisis搭建的各KPI的圖表，如下圖（圖表資料非真實資料，僅用于展示），給出的是業務監控體系裡散的“點”，并沒有從業務全鍊路的角度給出使用者能一眼看出業務整體有什麼異常的大圖。
#痛點
這麼搭建業務監控的結果是什麼呢？有沒有發現業務看完資料後，經常會基于此提出額外的資料需求？
一般來講，想看資料的人潛意識裡是要成“體”的資料的，隻是溝通過程中變成了“點”的需求，因為“點”簡單容易講明白，但是，這次給不了“體”的資料，下次還會圍繞“體”的資料提各種“點”的需求，這個時候我們需要延伸一下，提前想需求方之所想，就不用來回往複了。
#解決方案
AI營運團隊開發了流程圖、樹圖、星環圖等個性化分析元件，分析師使用這些元件完成産品内容搭建，并在我們的産品平台上配置各服務線的分析頁面。
拿國際服務線舉例，服務流程上使用者可以撥打95188或者淘海外電話等進入熱線人工服務，需要更新的送出工單，使用者也可以進入支付寶錢包，英文錢包或PC端自助服務，未解決問題可以接入線上人工服務，需要更新的送出工單。
以往營運同學看的是各個環節的資料點報表，在我們建構的分析産品中，業務同學看到的是随業務流程變化的全鍊路圖，整個鍊路圖可定制、名額節點可設定預警高亮，從使用者使用自助服務，到撥打熱線電話，進入智能派單環節，再到人工客服接起，轉入轉出，更新送出工單，整個鍊路上哪一個節點出現異常一目了然。
一個節點可以配置多個名額，主名額和相關名額。滑鼠懸浮于節點可展示主名額及相關名額的趨勢圖，如果想進一步分析，可點選詳情分析進入名額的下鑽分析頁面。
節點也可以配置堆積柱狀圖，這種配置在想展示業務占比等場景的時候非常好用。
2、業務診斷
資料之間是存在因果聯系的，這些聯系有些容易通過業務來解釋，而有些恰恰是業務無法直接看到，需要通過資料發現聯系。在這個層面，需要資料分析師從整個業務鍊路和資料之間的聯系出發，通過關聯分析，波動分析，平衡計分卡等方法，找到資料變動的原因。
過去我們提供給業務同學報表，用于日常名額的監控和原因分析。但通過報表找原因會存在兩方面的問題：
溝通成本高、原因擷取效率低：業務同學使用報表在衆多名額中尋找原因，過程不熟練，分析師需要花時間和業務同學一起解讀資料和尋找原因。
資料的落地性差：業務同學在面對需要立即解決問題的壓力與大部分資料具有滞後性沖突的背景下，往往是選擇在沒有資料分析結果時，先根據過往的營運經驗采取措施，導緻資料對實際指導的價值不高。
在ConnectedInsight的業務診斷裡，我們進行了分析思路産品化。把分析師常用的分析思路和過程沉澱下來，用産品化的形式呈現，避免重複勞動，改善原因定位的時效性；業務同學不需要了解背後複雜的計算邏輯，直接看到分析結果，并且可以指派給專人負責。
在初版産品中包含兩種類型的業務診斷分析：單名額多元度型和多名額相關型。
單名額多元度型的業務診斷，我們要找出的是在一個名額能拆分成的多層樹狀結構中，具體是哪一層的哪一個節點的波動對這個名額的波動貢獻度最大。
以服務線FCR（First Call Resolution，首次呼叫解決率，衡量客戶服務及權益保障事業部解決客戶問題能力的重要名額，一般為24小時内未重複來訪的服務量占比）這個名額為例，通過下圖所示的樹狀結構梳理安全服務線的服務量和FCR，拆解成一級業務，二級業務，三級業務的服務量和FCR的波動對整體FCR波動的貢獻度，找出導緻FCR波動的最主要的業務。如本例中限權咨詢業務對當日FCR下降的貢獻度為96.3%，營運同學應該着重關注該業務。
（*以下截圖為demo，資料也非真實，最終版正在開發。)
多名額相關型的業務診斷，我們要找出的是在一個名額有多個影響它的名額時，具體是哪一個名額的波動對這個名額的波動貢獻度最大。這裡多名額之間的不是簡單的加減關系，而是轉換為複雜的影響因子，通過影響因子量化名額之間的貢獻度。
比如對熱線接通率進行業務診斷，接通率分母是熱線流入量，流入量是客戶需求通過自助、轉人工等，直到流轉到熱線處理環節的咨詢量，是以流入量相關的影響因素有：産品、自助、智能派單、轉接等；接通率的分子為熱線應答量，應答量和通話時長、排班人數（人員）、現場營運效率（産能）等有關。通過下圖把名額之間的關系環狀表達出來，當選中某一名額後，該名額相關的影響名額也會高亮。而背景計算出的分析結果會給出名額波動的影響因子和各因子的貢獻度。
（*以下截圖為demo展示。)
3、業務預測
#業務背景
服務線的小二對接了螞蟻所有業務線的服務量，随着業務不斷拓展和複雜度的疊加，需要的咨詢和稽核小二人數不斷增加，此時服務量如果可預測，就能基于現有資源做好排兵布陣，為業務線人員排班、人員招聘、和預算提供決策參考，在保證接通率、工單處理時效、進而提升使用者體驗的前提下，最大化人力資源利用，降低人力成本。
服務量包括：
咨詢服務量，比如話務量，支付寶使用中電話咨詢客服小二。
稽核服務量，比如工單稽核量，賬戶被當機要上傳身份證、人工稽核。
我們業務線分析師在過去對服務量的人工預測流程如下，需要3個分析師每周20+小時的工作，才能按時的完成預測工作。
以上流程存在一些問題：
效率低：每條業務線的預測都要重複以上流程，這些因素涉及到多團隊多部門協同，效率低下。随着公司業務的拓展及業務複雜性的增加，預測的工作量越來越大，鋪人的方式解決不了根本問題。
預測标準不統一：預測分析師人肉做出預測，諸多零散個人經驗貫穿其中，不同分析師預測結果會有偏差，不利于形成統一的方法和标準。
人工幹預資訊無法統一沉澱、不利于總結經驗：各環節的線下溝通資訊無統一沉澱，不利于事後評估産品事件影響、管道調控，無法為後續預測調優提供指導。
我們的ConnectedInsight中的預測功能，把預測融合模型（簡單了解，既多個預測模型自動尋優）産品化，通過傻瓜式的點選按鈕，讓營運的同學可以自己做預測，把分析師的時間解放出來進一步優化模型。這個産品不僅大大的提升了預測産出時效（從1周到5分鐘），更提高了預測的穩定性和準确率。
預測模型特征分解和産品架構如下圖：
最終的預測産品如下，營運可以選擇自己所在的小組（技能組）、和預測時間視窗（正常鎖定預測、排班修正預測）。
即可出現如下所示的話務量趨勢圖，并且可以根據自己掌握的資訊對模型結果進行修正，修正後備注原因，便于模型的學習和調優，讓後續預測結果更加精準。
4、決策支援
無論是上面講的業務診斷還是業務預測，都是通過資料，對業務營運做決策支援。在這個環節，我們關注的從洞察到行動的過程，将資料洞察的結論提煉出來，告訴營運同學如何去行動是when、where、who and whom，指導業務的行動方向。例如，在我們通過多名額相關性分析發現影響接通率變化的因素有1. 業務量變化；2. 預測準确率；3.排班準确率。這三個因素都是insights，但是隻有第2個和第3個因素是Actionable insights，而第一個因素，業務量的變化，這個更多是受業務發展的影響，并不是我們客戶服務及權益保障事業部能夠采取行動而改變的。在營運方根據我們的分析結果，做出實際營運動作之後，我們的産品會通過資料回流，進行action前後效果對比，進而形成資料化營運的閉環。
更進一步的決策支援和決策自動化我們已經在規劃，細節期待有共同發展方向的團隊一起協作探讨。
心得和鳴謝
最後，說一點這些年做資料分析的感悟。資料分析師每天都會被大量的業務需求壓得喘不過起來，如果不能做到真正的資料驅動營運，分析師們慢慢的會對手頭的工作疲憊而倦怠。而做好資料營運的關鍵就是資料洞察，真正的通過現象看本質，隻有這樣，才能抓住重點，減少零散需求，形成産品化，解放自己，幸福業務，讓分析師能夠有一天面朝大海，春暖花開。
項目還在進行中，未來要做的事情還很多，非常感謝全程支援我們的業務同學，資料洞察來源于業務，應用于業務，感謝各服務線的營運同學在提供業務需求和場景上給予了大力的支援。
更感謝我們的技術同學在技術資源上的鼎力協助，加班加點。同時也感謝CTO 線資料平台部DeepInsight産品團隊的通力協作，上文中截圖裡的圖形是此次合作中沉澱在DeepInsight裡的可視化元件，如果大家有需要，也可以申請試用。
順帶也宣傳下DeepInsight産品開放更新後的能力：DeepInsight不僅支援普通分析人員導入資料制作報表，而且支援業務線開發、算法同學進來，與DeepInsight可視化元件、底層資料集的計算能力接口對接，更高效完成業務的個性化解決方案。
DeepInsight産品開放能力模型圖：