商务专业人士的假设分析：当前实践和未来机遇

研究背景与问题

• 作者发现了哪些问题或挑战？

  1. 当前的What-if Analysis (WIA)工具和研究主要面向技术型数据分析师，而忽视了非技术领域的业务专业人员。
  2. 商业专业人员虽然需要进行数据驱动决策，但缺乏易用的分析工具，只能通过手动或原始的方法完成高级分析。
  3. 商业工具缺乏支持从数据探索到预测性和规范性分析的功能，无法回答“下一步该怎么办？”的问题。

• 为什么这个问题很重要？

  • WIA对于优化业务决策（如市场营销、销售、产品管理）至关重要。然而，商业专业人员并非技术专家，他们无法访问或有效使用当前复杂的分析工具。
  • 商业决策需要快速执行，任何延迟或复杂的依赖路径（如依赖数据团队）都可能影响决策效率。

• 研究动机与相关工作

  • 作者强调需要帮助非技术用户（如业务经理）独立执行高级分析决策，以减少对数据团队的依赖。
  • 相关工作集中于可视化仪表盘、机器学习工具和高级分析，但缺乏针对非技术业务用户的WIA设计框架。

解决方案

• 作者提出了哪些方法或解决方案？

  1. 对22名业务专业人员（来自市场、销售、产品及运营部门）进行双阶段用户研究。
     • 首阶段：通过访谈了解他们当前的WIA实践和关键挑战。
     • 次阶段：开发一个交互式可视化分析原型，测试四种典型WIA技术。
  2. 提供设计建议以改进未来的商业分析系统。

• 该解决方案的创新之处是什么？

  • 研究聚焦业务专业人员这一未被充分考虑的群体。
  • 使用多步骤用户研究设计来探讨WIA技术的实用性和改进空间。
  • 通过开发原型，直接捕获参与者在实践中使用高级分析技术的反馈。

• 实施步骤是什么？使用了哪些关键技术？

  1. 用户访谈：
     • 确定参与者的目标、数据使用和当前工具的不足之处。
     • 梳理他们在特定业务场景中的分析需求（如优化广告支出）。
  2. 原型开发：
     • 实现四种WIA技术（驱动因子重要性分析、敏感性分析、目标寻求分析、约束分析）。
     • 使用直观的交互式界面（如条形图、小倍图、多视图联动）。
  3. 任务评估：
     • 通过给定的业务场景，观察参与者如何使用原型完成任务并获取决策支持。
  4. 反馈收集与分析：
     • 收集关于感知用处、扩展可能性和改进建议的观点。

研究成果

• 取得了哪些具体成果？

  • 当前的WIA工具过于复杂且不直观，大多数参与者依赖电子表格进行手动计算（效率低下且易出错）。
  • 原型中提供的四种WIA技术（特别是敏感性分析和约束分析）显著提高了决策速度和信心。
  • 商业专业人员对采用这些技术持开放态度，并渴望将其应用于自己的业务场景。

• 与现有解决方案相比，它有哪些优势？

  1. 设计更符合业务专业人士的需求，无需编程或统计知识。
  2. 更快的“假设-验证-决策”循环，减少对分析团队的依赖。
  3. 提供用户定义的约束和实时反馈以增强灵活性。

• 实验或评估结果是什么？

  • 参与者认为敏感性分析最有用，其次是约束分析和目标寻求分析。
  • 代表性原型不仅让参与者更有效地操作业务场景，还帮助他们发现多种潜在的改进途径。
  • 用户强调需要更多数据准备支持、更透明的风险评估，以及更强的领域知识整合能力。

• 局限性与未来方向

  • 局限性：
    • 研究样本有限，部分技术和用例可能未完全覆盖。
    • 原型测试仅限于一个公共业务场景，尚未验证跨行业的通用性。
    • 未与现有高阶商业工具对比进行全面评估。
  • 未来方向：
    • 扩展研究至其他行业和职能部门，增强技术的广泛适用性。
    • 加强与数据准备工具的整合，同时支持更多外部约束（如社会和经济条件）。
    • 探索基于NLP和生成式AI的界面，进一步降低技术门槛。