探索分析场景实践-智能商业分析 Quick BI(Quick BI)-阿里云帮助中心

探索分析是一款专为业务人员设计的轻量级、即时性的数据探索工具。本文将为您介绍探索分析的使用场景。

背景说明

业务痛点

对于业务人员而言，报表的指标维度是固定的，无法满足业务在灵活性和深度上的探索性分析需求。当需要进行精细化分析时，往往只能人工从不同报表中下载数据，并在Excel中手动合并表格进行探索，导致流程繁琐且效率低下。
对于数据分析师而言，频繁多变的业务需求使其每天陷入“临时取数”的循环之中，响应周期较长。这不仅可能导致决策的延迟，也使得分析师无法将精力集中于更具价值的策略分析。

解决方案

为了解决以上问题，我们推出了面向业务人员的轻量化、即时性数据探索工具。旨在打破传统仪表板的固定视角，让企业内有数据分析诉求的大量业务用户能够快速上手数据分析，低门槛获取洞察，推动企业数据民主化。

功能介绍

面向业务用户，提供即时、灵活的探索式分析体验，无需技术背景即可自主挖掘数据价值。

灵活的多维探索：打破固定报表的束缚，支持通过拖拽自由组合维度、度量，满足多变的分析诉求。
智能的图表推荐：支持表格、柱图、线图、饼图、漏斗图、组合图图表智能推荐与指定切换，快速找到数据的最佳呈现方式。
强大的快捷计算：无需编写复杂公式，内置求和、平均、去重计数等多种聚合方式，一键即可完成同环比、占比、累计计算等快捷计算，帮您快速获得关键业务指标。
深入的分析能力：支持分组对比，轻松比较不同活动周期、不同用户群的数据表现。通过自定义下钻，您可以从宏观数据层层深入，直至问题细节。
便捷的分享协作：分析结果可以轻松导出，一键分享至钉钉、企业微信、飞书等平台，加速团队协同与决策。

场景示例

接下来，我们将通过四个渐进式案例，带您从宏观经营视角出发，逐步深入分析，最终将数据洞察转化为可执行的业务行动。

场景一：从大盘趋势到异常定位：发现GMV与毛利的背离现象

业务问题

业务部门需要快速了解过去一年业务的整体GMV和毛利变化趋势，以判断大盘是否健康。

分析路径

操作步骤	示例说明
第一步：宏观洞察，发现异常	单击我的看板->探索分析，选择需要分析的数据集。本例中，我们选择“订单销售”数据集。选择图表类型为线图。将“订单日期（month）”拖拽到X轴，将“订单金额”和“利润金额”拖拽到“Y轴”，选择聚合方式为“求和”。点击生成分析，获得分析结果。从图中可以看到，在3月大促期间，订单金额有显著上涨，但利润金额却出现了下滑。这引入一个问题：增长GMV背后，究竟是什么因素在侵蚀毛利？接下来，我们将通过逐层分析，定位导致利润金额下滑的根本原因。
第二步：拆分渠道，锁定范围	点击展开更多配置。添加“运输方式”字段到“颜色图例”区域，并单击生成分析。从图中可初步判断，3月空运渠道的毛利额不升反降，成为拖累整体表现的主要因素。
第三步：层层下钻，看哪个品类出现问题	将图表切换为“表格”，查看明细数据。将“产品类型”拖拽到行区域，将“利润金额”拖拽到指标区域，选择聚合方式为“求和”；将“利润金额”再次拖拽到指标区域，选择聚合方式为“求和”，高级计算配置为“月环比”，可快速查看毛利额的月度变化率。设置筛选条件如下：订单日期为“3月”，运输渠道为“空运”。将“产品小类”拖拽到“产品类型”下面创建钻取层级。单击生成分析后，可以进行下钻分析。通过层层下钻和环比计算，确定问题的根源在于3月份空运渠道利润的下滑，主要是由于“技术产品”类别下“复印机、传真机”这一产品小类的显著亏损所致。下一步可进一步追踪“订单编号”，以查看具体的亏损订单详情，并与商品及运营团队协同解决。

场景二：大促效果复盘：对比活动前、中、后的关键指标

业务问题

销售部门在3月第11周（3月16日至3月22日）刚刚结束了一场大型促销活动，现希望对各区域的活动效果进行快速复盘，为下次618大促提供策略参考。

要精准复盘一场大促的效果，最经典的方法是按时间维度进行分组对比。我们将对比“大促前”、“大促中”、“大促后”三个阶段的关键指标（如GMV、毛利额、订单量），从而量化活动带来的增量，并评估其后续影响。

分析路径

操作步骤

示例说明

第一步：按大区看经营指标

选择图表类型为表格。
将“区域”字段拖拽到行区域，将“订单金额”、“利润金额”和“订单数量”拖拽到指标区域，选择聚合方式为“求和”。
点击生成分析，获得分析结果。

第二步：定义对比周期

点击分组对比按钮。
在分组对比配置界面，添加三个分组，依次命名为“大促前”、“大促中”及“大促后”，并将筛选条件配置为“3.9—3.15”、“3.16—3.22”及“3.23—3.29”。
单击确定，数据展示如下：

通过分组对比监控，发现“大促中”各区域的GMV和毛利额均显著高于活动前后，表明该活动在引流和销售转化方面取得了显著成效。然而，“大促后一周”的数据迅速回落至活动前的水平，表明活动所带来的流量红利未能有效转化为长期用户粘性。因此，在后续的618大促中，应设计更多锁客和复购策略。

场景三：A/B Test分析：量化评估不同策略的效果差异

业务问题

公司研发部门上线了新的“猜你喜欢”推荐算法（A组），需与采用旧算法的用户（B组）进行对比，以判断新算法是否有效提升了用户的成交额，并定位关键影响因素。

分析路径

操作步骤	示例说明
第一步：创建A/B组	选择图表类型为线图。点击分组对比按钮，并在筛选条件中选择相应的用户群体。
第二步：看人均成交额走势对比	将“订单日期（month）”拖到X轴，将“分组对比”维度拖到颜色图例区域，将“订单金额”拖到Y轴并设置聚合方式为“平均值”。点击生成分析，获得分析结果。此时，我们可以查看人均成交额（ARPU）的走势。
第三步：下钻探因	假设1：新算法对高价值客户更有效？将图表切换为柱图，分组对比维度移动至X轴，“客户等级”字段拖入颜色图例区域，查看不同用户分层在A/B组下的表现。假设2：新算法对特定品类推荐更准？保持上一图表结构，仅将“颜色图例”中的“客户等级”替换为“产品类型”，观察哪个品类的ARPU在新算法下增长最明显。总体来看，A组用户的人均订单金额比B组显著提高。进一步下钻发现，这部分增长主要由“VIP客户”贡献，且他们在“技术产品”上的消费显著增加。这表明新算法在精准推荐高客单价商品给高价值用户方面表现优异。

场景四：用户价值分析：自定义客群与指标，洞察价值贡献

业务问题

在场景三中，我们观察到在大促期间，高客单价客户对收益的增长产生了积极影响。因此，我们希望进一步深入分析：我们的利润究竟是来源于海量的低价订单，还是来自少数高价商品？不同消费能力的用户在购买行为和利润贡献方面有何差异？

分析路径

操作步骤	示例说明
第一步：定义衡量指标（毛利率）	在数据面板上单击新建计算字段。定义毛利率计算逻辑为：`SUM([利润金额]) / SUM([订单金额])`。数值展示格式设置为“百分比”。
第二步：定义核心分析维度（消费力分层）	在数据面板上单击新建分组维度。定义维度名称为“消费力分层”，并创建相应的消费力分组。
第三步：配置图表并生成分析	将“消费力分层”字段拖拽到“行”；将“订单数量”、“订单金额”和“毛利率”字段指标依次拖拽到指标区域。点击生成分析，获得分析结果。点击“利润率”字段的列头，选择“降序”排列。此时，您可以更直观的查看到不同消费力分层的用户对于利润率的贡献。从图中可以看到，“普通会员”虽然贡献了最多的订单数量，但“VVIP”用户凭借远低于前者的订单规模，仍然贡献了超过一半的GMV，体现了典型的高价值用户驱动模式。需要特别注意的是，“普通会员”分层的毛利率为负，这表明可能投入了大量补贴资源以吸引流量订单。因此，后续我们应优化补贴策略，专注于为VIP用户及高客单商品设计精准激励或专属权益，以在稳固基本盘的同时提升整体盈利能力。