数据化产品设计要义(数据分析对产品的价值)、本站经过数据分析整理出数据化产品设计要义(数据分析对产品的价值)相关信息，仅供参考！

数据产品分为三个层次：数据显示产品、数据分析产品和自动化产品。本文分享第二层次的相关内容。

说到数据产品，大家都不会陌生，但所谓的数据产品大多仅限于一些数据报表展示或者数据可视化。那么，能不能把我们常用的数据分析方法做成产品呢？下面以电子商务为例，分享一些数据分析产品的设计方法。

一、数据看板作为电商企业的数据产品，是必不可少的，因为它是业务人员每周、每月或每季度必看的，用来了解自身业务的发展情况。

对于产品经理来说，无论你的其他产品多么强大，数据看板也是保证用户粘性和活跃度不可或缺的模块。

大部分产品数据看板模块一般只是列出一大堆数字，但是对于数据分析产品来说，简单的列出并不能体现“分析”的价值，所以我们需要用逻辑把这些数字串起来。在串逻辑之前，我们首先需要确定要展示哪些数字，也就是先建立一个指标体系。

对于电商行业来说，业务端长期以来是用各种指标来管理的，比如GMV、毛利率、用户数、pv、uv等等。假设我们的产品包罗万象，每个指标都有对应的分析模块，那么我们可以尝试把这些指标串起来，形成一个真正的“数据广告牌”。

通过对指标的分解和整合，可以建立一套指标分析的框架。详见我之前的文章《想成为数据产品经理，先掌握这些数据分析方法论》。设置同比/环比按钮，方便用户切换对比，提供与大盘的同比/环比对比，更直观的了解自己相对于大盘的涨跌情况。如果每个指标同比/环比为正，则对应的图标显示为黄色，如果为负，则显示为蓝色，具体颜色会根据指标的数值逐渐填充。此外，图标旁边会显示实际的同比/环比值。每个指示器的图标可以直接链接到相应的分析模块，以便进一步分析。看板下提供了“数据解读”的功能，数据解读涉及的指标也可以直接链接到对应的分析模块。至于“数据解读”功能怎么做，一方面可以直接设置阈值，比如同比/环比=0%，另一方面默认只能显示同比/环比最低的两项。

此外，数据指标之间还有乘、除、加、减运算，如：

GMV=(自然流量营销流量)*转化率*(前台价格-折扣)*产品数量

那么我们就可以计算出，在其他指标同比/环比不变的情况下，转化率下降x%，核心指标GMV下降y%，以此类推，从而找出对GMV结果影响最大的几个指标，并在“数据解读”中展示出来。

根据上述方法，用户可以一目了然地看到当前的业务状况以及哪些因素引起了核心指标的变化。然后，对于表现不佳的指标，可以直接跳转到相应的模块进行诊断分析，从而起到分析和建议的作用。

二。建构-解构-重建1。构建任何一个产品都有自己的产品逻辑，一个产品应该包含哪些模块，每个模块应该划分成哪些子模块，这些都需要在产品开发的前期进行定义。

数据分析产品的每一个模块都依赖于方法论的打磨。只有生产出一个能力构建块，才能构建出整个产品构建。

比如按照上面的数据看板框架，至少需要四个分析模块，分别是流量、用户、价格、推广。那么前期就要深入浅出的学习每个模块。其中，用户部分的方法论可以参考《如何做好用户关系管理型产品（CRM）？》。

2.解构当产品的每一个模块建立起来的时候，每一个模块都可以解决一个问题，产品有自己既定的逻辑。

但是产品中模块的逻辑是写出来的，每个用户只能按照产品中指定的逻辑来使用。

但问题是，业务的应用场景比较复杂。比如一个商科的学生要解决联合创新的问题，至少会涉及到各种渠道的创新效率、用户结构、品类关联、推广创新方案、单项选择等多个子模块。

所以，当我们方法论的粒度足够细的时候，就不应该再满足于现有的产品结构，而应该把大模块打散，变成最小单元的子模块。

3.改造把原始产品投入熔炉只是锻造绝世武器的第一步。接下来，需要再次重建。

对于业务端，没有确切边界的解决方案，只有实际的应用场景。所以，当我们的方法论足够细化的时候，我们就可以根据实际场景组合积木，构建一个又一个场景卡。

那么，我们的产品就不再需要之前的结构，可以简化为一个搜索框。用户可以直接搜索具体的功能模块，比如“推广”、“相关性”，也可以搜索场景，比如“新品首发”、“客单价提升”、“站内引流”等等。

卡片一般分为两类，与特定功能模块相关的称为“功能卡”，与应用场景相关的称为“场景卡”。每个“场景卡片”中的内容由功能卡片的多个子模块组成。用户可以直接搜索关键词，跳转到包含关键词的卡片列表页面。同时，搜索框下会默认显示近期搜索频率高的搜索词。点击跳转到相关卡片列表页面。搜索框下的第一列显示的是全平台近期高频浏览的卡片。点击卡片左侧的按钮进行订阅或退订，点击右侧的翻页按钮可以查看所有卡片的详细页面。第二列是用户订购的卡。默认情况下，会显示用户最近使用的卡片。点击右边的翻页按钮，可以查看该用户所有已订阅的卡。这样用户的使用门槛会大大降低，但是在设计产品的时候需要详细的指导说明，防止用户因为对产品的新形态不熟悉而产生困惑。

此外，这种方法对于产品的迭代开发具有很大的灵活性。如果有新的方法论，可以随时以功能模块的形式添加。如果可以串出新的场景，也可以按照功能聚合的方法，把各个子模块的功能组合起来。

金庸《易筋经》功法，在于筋骨的灵活，从而开督，通督时，通八脉，通八脉，通百脉。

业务场景虽然复杂，但也可以以功能组合的形式融会贯通，有无生，有一生，有二生，有三生，有生生不息。

3.逐层向下钻取对于各个功能模块的分析方法，最常用的思路是逐层向下钻取。

比如电商平台一般都是分层次管理品类。服装属于第一类，女装属于第二类，女装——羽绒服属于第三类。对于品类经理来说，他们需要一层一层的往下钻，找到问题品类和优势品类。

传统上，产品有一个多级复选框，如下图所示。用户可以选择整个一级类别，也可以点击选择下面的二/三级类别。

这种方法对用户不太友好。如果用户想看到多个二级/三级类别的数据，需要进行筛选和来回切换。

那么按照一层一层往下钻的思路，我们可以这样试试：

首先，用户筛选某一类别的数据进行查看。如果用户筛选所有类别，用户会看到每个类别的位置，知道每个类别的状态。当用户双击任意一个一级类别时，如图中的“服装”气泡所示，服装类别下的显示图会自动在新的标签页中打开，用户可以看到每个二级类别的状态。当用户继续点击时，比如图中的“女装”气泡，女装类目下的展示图会继续弹出。这样，用户可以通过

除了类别诊断分析模块可以逐层向下钻取显示外，用户画像分析模块也可以显示。唯一不同的是，用户画像模块涉及多个维度的交集，当用户点击向下钻取时，需要增加另一个选项，即向哪个维度展开。

比如用户先选择性别，然后双击女性按年龄展开，再选择16-25岁按购买力展开，等等。

结论越简单越精简，越容易产品化，但是到了分析诊断，甚至解决方案的时候，就极难产品化了。

一般来说，数据产品分为三个层次：数据展示产品-数据分析产品-自动化产品。本文分享的产品类型属于第二层次。

做好数据分析产品，首先需要足够的积累，把方法论打磨透彻。其次，方法论的每一个环节都需要按照产品研发的逻辑进行产品化。最后，需要考虑用户的体验，使他们的使用成本最小化。

在数据分析产品的巨石之上，我们会看到自动化的大山，而在那座大山背后等待着的，将是人工智能的曙光。

作者：莫吉先生，微信官方账号：莫吉说数据产品

本文由@莫吉先生原创发布。每个人都是产品经理。未经许可，禁止复制。

来自Unsplash的图像，基于CC0协议。

更多关于数据化产品设计要义(数据分析对产品的价值)的请关注本站。