在上一篇文章《财务数据价值链:数据发挥价值的途径》中，我们为大家介绍了财务数据价值链的基本概念，后续我们将继续围绕财务数据价值链的六个基本步骤——业务需求分析、数据采集、数据清洗、数据探索、数据算法和数据可视化分别展开。本篇来到财务数据价值链的第一步——业务需求分析。作为财务数据价值链的第一环，业务需求分析决定了后续数据分析方向。如同厨师需要根据顾客订单进行烹饪，否则难以满足顾客需求。对于企业而言，脱离实际业务的分析不具有商业价值，以业务需求为基础的数据分析才能应用到具体业务中。
业务需求分析的本质：明确靶向
如果将财务数据价值链的整个过程比作射击，则业务需求分析就是第一步——瞄准靶心，找到业务的痛点，使得数据分析的结果能够有针对性地解决企业经营管理中的实际问题。业务需求涉及企业经营管理的不同方面，不同的经营管理需要对应着不同的数据分析方法，在此基础上企业的业务需求通常可分为四类：描述性分析需求、诊断性分析需求、规范性分析需求、预测性分析需求，分别回应“是什么”、“为什么”、 “怎么做”、“将是什么”四类问题，反映了数据分析的不同目的。不同类型的需求，决定了不同的价值导向、数据采集范围和分析方法。
描述性分析需求
描述性分析需求是对历史及现状进行客观描述的需求，是最基本的分析需求。例如，企业在运营管理过程中会形成一定的过程控制指标和管理考核指标，包括员工的工作效率、业绩贡献率等，作为绩效评价的重要依据，用以描述员工的工作成果、监督员工的工作执行情况。面对这类需求，通常采用简单的统计分析方法，使用的典型指标包括均值、中位数、众数、方差等，常见的呈现方式包括折线图、直方图、热力图等可视化工具。
诊断性分析需求
诊断性分析需求是探究事件背后的原因以实现深入理解的需求。当企业需要了解影响事物的具体因素时，可以采用诊断性分析。例如，销售部门需要弄清第三季度的销售额大幅下降的真正原因是什么。面对这类需求，首先，选择合适的量化评估指标；其次，按影响因素、业务过程对结果指标进行拆解；最后，基于指标的拆解构建分析体系，以实现对原因的剖析。
规范性分析需求
规范性分析需求是在特定问题情境下选取最优解决方案的需求。例如，当企业面临业务增长，需要获取供应链库存调整建议时，先要了解库存是否存在长期积压或是缺口，再分析订单数、生产效率等相关因素，综合分析后提出解决方案。面对这类需求，首先要明确事件及其影响因素，再根据需要解决的问题设计多个可能的决策方案，最后判断每个决策方案可能带来的影响，为企业推荐能更好地利用机会或减轻风险的可行方案。
预测性分析需求
预测性分析需求是预测事件未来发生的概率、演变趋势等情况的需求。例如，销售部门需要预测某件商品在第四季度的销售额以了解未来业务的发展情况。未来的高度不确定性决定了预测性需求分析的难度，因此面对这类需求需要综合考虑预测对象的特征、预测精度、实施难度等，构建多维分析模型，以洞察历史数据特征和趋势并进行预测。常见的预测模型有：时序预测模型，基于历史数据的时间变化进行预测；多因素模型，需要评估筛选影响因素，构建多元回归或机器学习模型，对模型持续调优并进行预测。
业务需求分析的具体步骤：层层剖析
财务数据价值链的业务需求分析包括三个具体步骤。首先，从业务背景理解入手，明确数据用户业务需求的本质；然后，进行数据理解，探究业务需求该如何满足，规划从数据分析到业务需求实现的路径；最后，进行需求资源评估，界定所需资源。
业务背景理解——明确业务需求本质
业务背景理解的本质是将业务需求放在不同层面上进行定位。通过层次分析法，可以将业务需求放在不同行业、业务域、需求层面上进行分解，以理解数据用户现状、定位业务需求所处的范围和层面，找到分析和对策的着力点。具体而言，包括三方面的分析：
- 第一，根据数据用户所处的宏观经济环境、行业背景、典型商业模式等，分析其经营管理模式以及所处行业的成功关键因素。例如，企业在进行盈利预测时，基于所处行业特征，企业才能更快速地抓住国内外宏观经济形势、利益相关者动态、企业自身经营情况等因素中的关键，并据此分析出行业市场变化与发展动向，找准潜在业务机会和竞争关系，判断自身的优劣势，明确计算未来可能的市场份额和盈利空间。
- 第二，明确业务需求所属的管理范围，确定每个需求属于哪个域，每个域包含了哪些方面，对应了怎样的业务过程。例如，采购费用是采购管理域的问题，明确采购管理域的主要业务流程，从采购物料、供应商选择、采购计划、采购订单、物流等方面进行分析，并进一步去寻找问题症结所在。
- 第三，确定数据分析需要解决的问题层次，是财务层次的问题、业务层次的问题，还是企业整体经营层次的问题，以明确不同决策层的关注点和目标。
数据理解——规划需求实现方法
数据理解包括判断、转化、规划、明确数据四个步骤。其主要思路是，先判断通过数据分析项目满足业务需求的可行性。在可行的基础上，根据业务需求类型将其转化为数据分析项目，进而规划由数据分析到业务需求实现的路径，最后确定所需目标数据。
- 第一步，判断。在理解业务背景基础上，需要判断业务需求是否可以转换为数据问题。因为一些不符合商业逻辑、数据不足、数据质量极差的业务需求即使转化成了数据问题，也很难得到有效解决。例如，刚成立不久且信息化建设还没有落地的某企业的销售部门，想要根据历史数据预测未来月度销量，但企业沉淀的相关数据量过少且全靠人工记录，数据基础薄弱，因此将这一业务需求转化为数据问题后得到的预测结果很大程度上缺乏准确性，难以让人信服。
- 第二步，转化。根据前文的介绍，业务需求可分为描述性分析需求、诊断性分析需求、规范性分析需求、预测性分析需求，基于分类业务需求可进一步转化为相应的数据分析项目。
- 第三步，规划。针对已转化的数据分析项目探索解决路径，建立指标体系，运用 MECE 分析法（MECE，是指Mutually Exclusive, Collectively Exhaustive，即“相互独立，完全穷尽”）、归纳推理、演绎推理、对比分析等思维模型，对后续工作进行初步规划。
- 第四步，明确数据。根据初步规划、评估转化而来的数据分析项目判断数据需求，确定数据范围，考虑现有数据是否足以支持项目的目标实现，以及是否需要增加采集、转换或从外部获取数据。通常情况下，项目开始时只着眼于可用数据，随着数据项目的长期发展，则不再只局限于当前数据。因此，企业应当了解实现长期目标所需数据，以及现有数据可实现的目标。
需求资源评估——匹配需求与可用资源
确定数据分析项目后，项目人员需要在数据理解的基础上评估项目需求资源与可用资源的匹配性，包括可能会涉及的组织人力、技术、硬件设备等方面。需求资源评估需要在组织机构内部评估项目的复杂程度和可能存在的工具、设备、技术和技能等方面的差距。例如，现有团队是否拥有成熟的技术和技能？还需要哪些类型的技能和人员角色？所需要的专业知识在当下的组织内是否已经具备，是否需要再培养或新招聘？所需运用到的硬件设备是否到位？这些问题的答案将会影响团队的技术选型，以及数据项目后续阶段的实现方式。
本文部分内容来源于《财务数据价值链：数据、算法、分析、可视化》。