TO B企业在产品研发中更注重产品的稳定性、可靠性，关注客户业务流程，而非客户体验。

在数字化转型中，普遍缺少专业分析师团队的传统企业，在面对TO B服务商们提供的功能复杂的数字化产品时，一线业务人员往往要花费很高的学习成本才能具备基础分析能力。而数字经济中要想充分发挥数据价值，势必要做到数据普惠，让越来越多的人学会使用数据。

因此，降低数字化工具使用门槛、不断提高客户体验，成为服务商未来产品研发的竞争重点。

这看似老生常谈，但在TO B企业中实现难度极高，需要服务商在满足客户业务需求的基础上，让数字化产品具备更高的适应性、灵活性和可扩展性，即对产品做出更“弹性”的设计。

过程中，企业在保证产品一致性的同时，还要平衡好客户个性化需求、产品复杂度、定制化成本和打通行业壁垒等多个因素，协调大量时间和资源。

为更好适应市场环境的变化，“为分析而生”的GrowingIO分析云经过对多个行业的充分调研，在满足可靠性、可用性、可服务性的企业级要求之上，对分析模型逐渐做了弹性设计，以扩大使用者的范围，让非分析师群体也能很好使用产品，促进业务增长。

改进操作流程，让用户体验更“丝滑”

以分析人员最常用的各类分析模型为例，保证功能实现的同时，我们根据客户业务分析习惯改进了操作细节，让客户体验更“丝滑”，从而提高分析效率。

比如在事件分析模型中，我们进行了以下设计：

01支持分析任意事件、任何指标，灵活聚合

运营人员进行营销复盘时，会关注新用户数、购买人数、人均金额、件均金额等核心指标。

事件流分析支持对任意事件和指标的分析，并能灵活聚合，业务人员根据需求可将任意事件与任意指标进行匹配分析，快速获得核心数据。

02 支持时序和聚合分析，充分对比发现更多业务增长点

业务人员在运营中需要关注某一时间周期的营收走向，发现波峰和波谷，并对波谷时期加大运营力度，提高交易额，因此除了各分析工具普遍采用的时序性分析，聚合分析十分必要。

GrowingIO分析云的事件流分析可以支持聚合分析，业务人员可在选定整体分析时间段的基础上，选择聚合维度，产品后台会自动按照该维度进行数据加总并取平均值，然后按照分析要求进行可视化显示。

如：选定“过去30天”为总的分析时间段后，再选择“0点—23点”的聚合维度，可以分析出过去30天商品销量最好/最差的时间是一天中的几点。看到波峰和波谷时间段后，业务人员可更充分地分析增长因素和断点原因，并更有针对性地优化运营策略，深耕精细化运营。

03可在任何事件/用户属性上进行拆分

运营中难免遇到GMV异常降低的现象，业务人员需要以不同维度进行拆解，如：针对地区进行拆解，看是否为某城市门店交易异常降低，从而影响了大盘表现。

事件分析支持对任意事件属性和用户属性的维度拆解，维度丰富、拆解自由，帮助运营人员了解GMV异常的真实原因，快速进行运营调整。

04可进行多个群体对比

多群体对比是日常营销的常用操作，业务人员需要通过对比发现不同群体消费习惯的差异，从而对运营策略进行持续优化。

事件分析在“用户对比”部分支持对多类目标用户进行对比，可帮助业务人员及时发现各群体的特征，对症下药优化营销方案。

05对结果进行事件、属性再次筛选

初步获得分析结果后，运营人员往往还需要下钻，对不同条件下的数据进行分析，事件流分析可对事件属性、用户属性进行再次过滤，帮助运营人员获得更详细的分析结果。

06丰富图表展示，灵活切换

GrowingIO分析云提供包括表格、线图、饼图、气泡图等在内的多种图标展示类型，并能根据分析需求自动校验可视化形式，帮助业务人员快速发现关键信息。

07缩短分析流程，下钻更丝滑

对不具备专业分析能力的一线业务人员而言，正确下钻是一项有门槛的分析任务。

以下图为例，业务人员如果想对访问次数最多的广东地区进行下钻，查看访问者的性别，获取男女比例的分析结果，按照传统路径需要先在「维度拆解」里添加“性别”这一属性，再在「过滤条件」里添加“地区=广东”，才能获得分析结果。

现事件分析支持在可视化分析图形上直接选定模块进行下钻，替代传统的“维度拆解→添加过滤条件”的繁复下钻步骤，体验更丝滑。

按照新的流程，业务人员只要将鼠标放在想下钻的模块即可直接选择下钻维度“性别”，即可获得分析结果。不但免去了他们的学习产品的时间成本，也极大节省了分析时间。

事件分析外，GrowingIO分析云对其他分析模型均进行了弹性设计，将产品做得更加简单易用，让普通业务人员实现数据分析产品的使用自由，向“人人都是分析师”迈进。

未来，我们会将弹性设计加入更多产品和功能中，从细节入手提高产品使用效率，在企业预算收紧的现状下，帮助更多一线业务人员具备分析能力，促进业务增长。