這篇文章還有個簡單的小故事，有天某讀者小姐姐問我“設計數據產品有什么需要注意的點”，當時只是簡單閑聊，事后仔細思考了一下，而且恰好目前所在項目組，是面向電商行業的to b數據產品。相結合自己踩過的坑，和大家探討“設計to b數據產品”需要注意的一個坑：過度追求數據分析。

過度數據分析的表現

我們先來定義一下to b數據產品的概念，面向b端商家，通過數據字段、圖表、數據分析等手段，用數據展示和分析結果來輔助用戶做出決策的一類產品。

在設計to b數據產品的時候，很容易陷入一個誤區，過于在意是“數據產品”，過分追求分析結果，從而導致過度運用了數據分析的手段，導致設計出來的功能不被用戶接受或使用，造成了資源的浪費，常見的表現有：

?分析字段脫離實際業務

我們在設計to b數據產品時，會想要展示更多的數據字段和定義更多的數據字段，希望能盡可能地還原整個業務的數據全貌以及對業務數據做盡可能的分析，就很容易定義“和實際業務關聯性很小甚至毫無關聯的字段或圖表”。而這些字段和圖表，對購買我們產品的商家來說沒有意義，也浪費了開發資源。例如下面這個案例。案例：假如我們要設計一款面向潛在用戶群體是汽車4s店新零售的數據產品，在設計“店鋪銷售情況”菜單時，在字段“銷售人數”、“銷售金額”、“銷售件數”、“客單價”的基礎上。想增加“客單件”字段，“客單件”的定義是什么？客單件?=銷售件數?/銷售人數，即單個客戶的一次購買件數，我們也可以理解成平均單筆訂單中的成交件數。

從數據分析的角度，客單件可以幫助平臺了解買家的平均購買件數的能力。但是結合實際場景來看，受汽車這一產品的屬性影響，短時間內，買家在同一個平臺購買第二輛車的概率極小。那么平臺了解“客單件”字段基本上是沒有意義的，該字段不具備營銷分析價值，無法給店鋪提供改變經營策略的可能性，對于店鋪經營銷售沒有幫助。但是如果我們這款產品的潛在用戶群是服裝類的電商平臺呢？人在購買服裝的時候往往會有搭配購買的心理和欲望，比如我們要去參加婚禮需要買一件西裝，相應的可能就會在該平臺同時選購襯衫，西褲甚至于領帶等配件。

在這個場景下“客單件”對于平臺就具有重要意義了，可以針對“客單件”反饋出來的業務數據做一些經營策略的調整，例如發現平臺“客單件”較低，那么通過一些組合產品，比如“西裝+襯衫”，“大衣+毛衫”等組合產品，進行連帶銷售，提升“客單件”，最終提升店鋪銷售數據。通過這“4s店新零售平臺”和“服裝類電商平臺”兩種場景的比較，我們發現“客單件”在不同的場景具有不同的意義，這充分說明了，設計字段時依托實際業務場景的必要性，只有設計出來的字段符合用戶場景，在適合的場景里才能產生價值發揮作用，否則只會浪費團隊的資源。

過度專業化

在設計to b產品中，出于對數據的過度迷信，很容易進入“過度專業化”的誤區，希望通過復雜的圖表和學術性的統計學觀點來體現產品的專業度，而沒有考慮用戶對于“數據分析”的專業性，用戶可能會無法理解一些專有的概念和學術名詞。具體過度專業化的表現有：過度使用專業的數據字段、專業的圖表和專業的統計學原理。案例：我們想在在“客服銷售情況”菜單中實現排查“異?？头钡墓δ?，為此我們對8個客服數據做了一個箱線圖，通過圖表我們可以了解到，客服數據的分布情況，以及偏離正常范圍的值，不難發現客服1的數據遠遠偏離了正常范圍，定位出客服1是異?？头?/span>

案例中通過設計“箱線圖”來查找異常值，是一個典型“過度專業化”的表現，從案例的場景上來看，這是一款面向電商行業的店鋪主、運營等從業人員的數據產品，引入“箱線圖“確實解決了需求，但是大多數用戶對于箱線圖的概念會比較陌生，增加了教育用戶的成本。

事實上，箱線圖上展示出來的“上限值”、“下限值”以及“各分位數”，并不是該產品面向用戶所關心的，用戶只關心“異常值”。

那么我們采用另一個方案，求出這一組數據的“平均值”，并計算出每個銷售人員和平均值的偏離程度，標記偏離值大于100%的數據為異常數據，用戶就能直接獲取到他想要的結果了，而且這種用“與平均值的偏離程度”來衡量數據離散情況的方法更容易被用戶理解

如果我們面向的用戶是數據分析師，那么展示“箱線圖”對他們來說是非常有必要的，他們并不只關心“異常值”一個結果，他們需要通過了解箱線圖展示出來的數據，來進行個性化的數據分析，展示給他們更多的數據就是具有意義的。從這個案例中可以了解到，在設計to b數據產品時，我們要考慮b端用戶的認知和水平，過度追求專業化的數據分析方式，不考慮實際的用戶情況，反而會產生降低效率和浪費資源的現象。要合理運用數據分析方式，簡單的數據分析對應簡單的問題，高級的數據分析針對復雜的問題。

過度追求數據可視化

數據可視化，是借用數據圖表和一些交互來展示各種數據的屬性和變量，幫助我們解決看大量數據或文字產生的厭倦感。數據可視化也是分等級的（從1-5不斷增加設計成本）：

1.數字清單

2.基礎的圖表：例如折線圖、柱形圖、餅圖、漏斗圖等

3.復雜的圖表：例如樹形圖、桑基圖、熱力圖、詞云圖等

4.二維數據地圖

5.三維立體數據地圖

合理的數據可視化能提升用戶的效率。例如下圖中神策分析demo的“搜索”中，如果不使用數據可視化，那么多個字段如果設計在一張表中會給用戶大量數據的感覺并且無法取看出數據的走勢，部分信息也無法透出，比如同比和環比；如果分成4張表又會造成表格過多重復，時間維度擴大到30天級別，數據會非常臃腫。

引入“可視化”后，通過4張簡單的折線圖，就能反饋出不同日期下不同字段的走勢，更加簡單直觀的展示了業務情況。

但是如果在這里用了大量的“二維數據地圖”或者“三維立體數據地圖”，大量的顏色和復雜的交互，反而會產生反作用，對用戶產生了干擾效果，降低了用戶使用體驗。而“二維數據地圖”和“三維立體數據地圖”在數據大屏中采用的效果是合理的，例如下圖中“天貓”雙十一的數據大屏，并不會讓人覺得不合理，因為數據大屏本身更需要展示效果。

由此可見，我們需要在合適的場景中，采用適度的數據可視化，過度追求數據可視化反而會產生負面影響。

不要為了數據而數據

其實我們在設計to b的數據產品時，字段和分析方式只是一個產出手段。我們只是通過定義“”數據字段”和運用“數據分析”來實現產品功能，展示產品能力和價值。to b數據產品的核心還是要從業務，從場景，從用戶出發。在設計字段，引入分析手段前，可以先問下自己這類問題。這個字段是否是從實際業務出發的。是否符合用戶的需求，什么場景下的是符合的，能否被用戶所接受理解，符合用戶認知。……

我們在設計產品時要提醒自己，數據分析只是一個手段并不是目的。

只有避開“過度數據分析”，所設計的產品功能才能夠滿足用戶的價值，用戶為我們產品付費也是沖著所能提供的價值來的，幫助減少用戶的成本，增加用戶的收益，提升用戶的效率。

| 原文作者：晌午

| 公眾號：晌午自習室

原標題：不要過度數據分析

本文轉載于微信公眾號：枯葉咖啡館（ID：gh_bbe17bbe6a9e），未經作者授權，禁止轉載。

【轉載說明】?? 若上述素材出現侵權，請及時聯系我們付費及進行處理：shanliqiang@aiyingli.com