從資料分析到資料洞察，螞蟻金服ConnectedInsight是如何做到的？-知識星球

01 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，未來的競爭就是資料的競爭。

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專案獲得預期的結果，或者還沒有獲得相當高的投資回報率。大資料專案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，透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%的公司希望透過資料驅動，但是隻有29%把分析結論和運營動作建立了聯絡。

要從資料中得到價值，首先得弄清楚資料分析和洞察的區別。有很多作者討論過這個話題，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，而資料洞察則是透過資料分析得出的價值，包括決策運營、預測機會等。

02 ConnectedInsight專案由來

作為客戶服務及權益保障事業部智慧運營中心的資料運營團隊，我們的職責是支撐各服務線、智慧排程中心及網際網路渠道的資料分析。

雖然每條線都有幾名資料分析同學做支援，但是由於資料分析需求往往都是由一個或小部分場景出發而提出，並未全域性考慮資料和分析結果在整個業務線運營鏈路中的作用以及能為運營決策帶來的影響，導致需求往往零散、冗雜且重覆。同學們在不成體系的需求下熬夜跑程式碼、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，“把分析的理念和框架變成資料產品，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，分析團隊將永遠被冗雜和重覆的工作所困”。

由此智慧運營中心的資料運營團隊和平臺系統團隊一起提出了ConnectedInsight專案，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。

基於此，我們和CTO 線人工智慧部的AI運營團隊以及CTO 線資料平臺部DeepInsight產品團隊做了共建，我們提供業務指標框架和分析思路，產品由AI運營團隊主導開發，由DeepInsight提供後臺能力，最終呈現在新客服數智產品上。

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討更好的解決方案。

03 ConnectedInsight專案“洞察”了什麼

下麵分別講講ConnectedInsight這個資料分析產品的四部分分別實現了或者將要實現的價值：

業務描述：描述業務上發生了什麼。

服務線要瞭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現這種描述功能的。但是單個的KPI報表是散的，比如我們分別看了一條服務線服務流程各個點上的資料報表，並不能直觀的拼成一條鏈路圖來瞭解整個業務流程的運營情況。基於此，我們開發了可定製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瞭然，實現了從“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，就需要瞭解原因或者能改善的點。在此需求背景下，我們的產品開發了單指標多維度拆解和多指標相關貢獻度拆解，實現了診斷指標異常定位原因，讓運營同學能更高效的找到運營點。

業務預測：預測將要發生什麼。

服務線要部署人工服務方案，必須提前知道服務量，我們透過預測產品化的方式讓運營同學能高效的使用預測功能，合理的分配服務人力資源，同時也大大提升了分析同學預測產出時效。

決策支援：決策要做什麼。

目前服務線運營同學在決定下個週期的派單部署方案時仍需靠人工重覆、機械的統計歷史資料和預測資料進行區域性最佳化的方案選擇，而我們的產品將實現用相關因子自動計算出全域性最優的派單部署方案，大幅提高運營效率和準確率。

1、業務描述

#業務背景

業務描述就像汽車儀錶盤，實時告訴你發生了什麼，並適時警報提示等。分析師要做的事情就是搭建指標體系，進行各種維度的統計分析。我們過往的大量工作就是做這個，目前市面上很多BI產品也都能夠滿足這個層次的資料運營需求。

拿客戶服務及權益保障事業部的國際線來舉例，以往業務線運營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，僅用於展示），給出的是業務監控體系裡散的“點”，並沒有從業務全鏈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，經常會基於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，只是溝透過程中變成了“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運營團隊開發了流程圖、樹圖、星環圖等個性化分析元件，分析師使用這些元件完成產品內容搭建，併在我們的產品平臺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，需要升級的提交工單，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，需要升級的提交工單。

以往運營同學看的是各個環節的資料點報表，在我們構建的分析產品中，業務同學看到的是隨業務流程變化的全鏈路圖，整個鏈路圖可定製、指標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，進入智慧派單環節，再到人工客服接起，轉入轉出，升級提交工單，整個鏈路上哪一個節點出現異常一目瞭然。

一個節點可以配置多個指標，主指標和相關指標。滑鼠懸浮於節點可展示主指標及相關指標的趨勢圖，如果想進一步分析，可點選詳情分析進入指標的下鑽分析頁面。

節點也可以配置堆積柱狀圖，這種配置在想展示業務佔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絡的，這些聯絡有些容易透過業務來解釋，而有些恰恰是業務無法直接看到，需要透過資料發現聯絡。在這個層面，需要資料分析師從整個業務鏈路和資料之間的聯絡出發，透過關聯分析，波動分析，平衡計分卡等方法，找到資料變動的原因。

#痛點

過去我們提供給業務同學報表，用於日常指標的監控和原因分析。但透過報表找原因會存在兩方面的問題：

溝通成本高、原因獲取效率低：業務同學使用報表在眾多指標中尋找原因，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滯後性矛盾的背景下，往往是選擇在沒有資料分析結果時，先根據過往的運營經驗採取措施，導致資料對實際指導的價值不高。

#解決方案

在ConnectedInsight的業務診斷裡，我們進行了分析思路產品化。把分析師常用的分析思路和過程沉澱下來，用產品化的形式呈現，避免重覆勞動，改善原因定位的時效性；業務同學不需要瞭解背後複雜的計算邏輯，直接看到分析結果，並且可以指派給專人負責。

在初版產品中包含兩種型別的業務診斷分析：單指標多維度型和多指標相關型。

單指標多維度型的業務診斷，我們要找出的是在一個指標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指標的波動貢獻度最大。

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指標，一般為24小時內未重覆來訪的服務量佔比）這個指標為例，透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，找出導致FCR波動的最主要的業務。如本例中限權諮詢業務對當日FCR下降的貢獻度為96.3%，運營同學應該著重關註該業務。

（*以下截圖為demo，資料也非真實，最終版正在開發。)

多指標相關型的業務診斷，我們要找出的是在一個指標有多個影響它的指標時，具體是哪一個指標的波動對這個指標的波動貢獻度最大。這裡多指標之間的不是簡單的加減關係，而是轉換為複雜的影響因子，透過影響因子量化指標之間的貢獻度。

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，流入量是客戶需求透過自助、轉人工等，直到流轉到熱線處理環節的諮詢量，因此流入量相關的影響因素有：產品、自助、智慧派單、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）、現場運營效率（產能）等有關。透過下圖把指標之間的關係環狀表達出來，當選中某一指標後，該指標相關的影響指標也會高亮。而後臺計算出的分析結果會給出指標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，隨著業務不斷拓展和複雜度的疊加，需要的諮詢和審核小二人數不斷增加，此時服務量如果可預測，就能基於現有資源做好排兵佈陣，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：

諮詢服務量，比如話務量，支付寶使用中電話諮詢客服小二。

審核服務量，比如工單審核量，賬戶被凍結要上傳身份證、人工審核。

#痛點

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個分析師每週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覆以上流程，這些因素涉及到多團隊多部門協同，效率低下。隨著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。

預測標準不統一：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，不利於形成統一的方法和標準。

人工幹預資訊無法統一沉澱、不利於總結經驗：各環節的線下溝通訊息無統一沉澱，不利於事後評估產品事件影響、渠道調控，無法為後續預測調優提供指導。

#解決方案

我們的ConnectedInsight中的預測功能，把預測融合模型（簡單理解，既多個預測模型自動尋優）產品化，透過傻瓜式的點選按鈕，讓運營的同學可以自己做預測，把分析師的時間解放出來進一步最佳化模型。這個產品不僅大大的提升了預測產出時效（從1周到5分鐘），更提高了預測的穩定性和準確率。

預測模型特徵分解和產品框架如下圖：

最終的預測產品如下，運營可以選擇自己所在的小組（技能組）、和預測時間視窗（常規鎖定預測、排班修正預測）。

即可出現如下所示的話務量趨勢圖，並且可以根據自己掌握的資訊對模型結果進行修正，修正後備註原因，便於模型的學習和調優，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，都是透過資料，對業務運營做決策支援。在這個環節，我們關註的從洞察到行動的過程，將資料洞察的結論提煉出來，告訴運營同學如何去行動是when、where、who and whom，指導業務的行動方向。例如，在我們透過多指標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. 預測準確率；3.排班準確率。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，並不是我們客戶服務及權益保障事業部能夠採取行動而改變的。在運營方根據我們的分析結果，做出實際運營動作之後，我們的產品會透過資料迴流，進行action前後效果對比，從而形成資料化運營的閉環。

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討。

04 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運營，分析師們慢慢的會對手頭的工作疲憊而倦怠。而做好資料運營的關鍵就是資料洞察，真正的透過現象看本質，只有這樣，才能抓住重點，減少零散需求，形成產品化，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。

專案還在進行中，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，資料洞察來源於業務，應用於業務，感謝各服務線的運營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 線資料平臺部DeepInsight產品團隊的通力協作，上文中截圖裡的圖形是此次合作中沉澱在DeepInsight裡的視覺化元件，如果大家有需要，也可以申請試用。

順帶也宣傳下DeepInsight產品開放升級後的能力：DeepInsight不僅支援普通分析人員匯入資料製作報表，而且支援業務線開發、演演算法同學進來，與DeepInsight視覺化元件、底層資料集的計算能力介面對接，更高效完成業務的個性化解決方案。

DeepInsight產品開放能力模型圖：