數據產品設計的3個方法論
寫這篇小文主要是因為這幾年總是陰錯陽差地與數據打著不大不小的交道，也是想總結一下自己對數據產品的一些思考和認識，看看自己是否真的適合在這條路上一直走下去。
何謂數據產品
按照慣例，***次聽說數據產品這個詞，毫不猶豫的百度之，搜索出現了三個比較有意思的結果。其一是虎嗅網的老讀悟發表的《數據產品經理的前世今生》，其二是 “***招聘信息6136條_數據產品經理”，基本屬于杭州某大型互聯網公司，其三是innovate511的***微博顯示“做數據挖掘研究，如果做應用產品沒有話語權，且要你承擔結果是否上線產生價值的責任，那就別做，責任和權利要成正比，否則你將面對一次又一次被拒絕開發或被優先級不高拖延，***被拖死”。
innovate511的***微博
不知道這是不是印證了若不是找工作也不會跟數據產品結梁子呢,呵呵!言歸正傳，數據產品這個詞目前看起來還是來自職位描述，至于什么叫數據產品，大約業界還沒有定論。
姑且引用老讀悟的定義“數據產品是可以發揮數據價值去輔助用戶更優的做決策(甚至行動)的一種產品形式。它在用戶的決策和行動過程中，可以充當信息的分析展示者和價值的使能者。從這個角度講，搜索引擎、個性化推薦引擎顯然也是數據產品。狹義范疇的數據產品，比如大家熟知的淘寶數據魔方、百度指數、電商的CRM平臺、各種公司內部的數據決策支持系統等都是數據產品。”
搜索引擎、推薦引擎代表了當今數據挖掘領域最成功的商業案例，而魔方、指數、CRM等產品也是數據分析和決策的典型應用，因此老讀悟的這個定義我還是相當認同的，或者更簡單的說，凡是以數據價值驅動為核心的產品形式都是數據產品，說得更藝術一點， the art of turning data into product 。
方法論
這里主要探討一下，如何設計或者評價數據產品?也就是方法論的問題。說到數據產品，不能不提一下數據分析和數據挖掘。常碰到某牛人對著報表鄙視的說這叫數據分析，根本算不上數據挖掘，但是在我的理解里，數據分析其實也是數據挖掘，只是一種淺層次但是非常簡潔有效的數據挖掘形式而已，因此后文不再使用數據分析這個詞，而是圍繞數據挖掘來思考數據產品的本質。
《Data Mining Techniques》這本書里對數據挖掘的定義是：數據挖掘是一項探測大量數據以發現有意義的模式和規則的業務流程。“發現有意義的模式和規則”也就是我理解的價值驅動與業務目標，進一步的這些任務又可歸納為分類和預測、評估、關聯規則、聚類、孤立點等，而為了解決上述任務所需要的方式方法則包括各種統計學模型、決策樹、聚類算法、人工智能等等數學和計算機技術。
數據挖掘的方法論有很多種定義，有DMAIC模型，CRISP-DM模型，SEMMA模型等等，雖然細節不一，但是大體流程并無差異。我個人比較喜歡簡潔的DMAIC模型，一個是因為Kaushik的經典《Web Analytics2.0》里遵循的思想便是這個，更重要的是它引入了循環控制的理念，而不是簡單的線性流程。DMAIC模型包括：
- Define定義需求，即把業務問題轉化為數據挖掘問題
- Measure 測量數據，即理解、收集并加工數據，做好準備
- Analyze 分析建模 ，即構建模型、評估模型的過程
- Improve 解決問題，即部署模型來解決目標問題
- Control反饋控制，即評估結果重新開始循環，不斷改進
DMAIC模型
基于數據挖掘的方法論，回頭來理清產品設計的方法論。通常對于互聯網產品設計，比較一致的觀點是《用戶體驗要素》里面的五層模型，戰略層→范圍層→結構層→框架層→表現層。我相信對于產品經理來說五層模型屬于入門，但是對于不同類型的產品必然有不同的解讀，比如SNS產品和電商產品的五層模型關注的問題肯定有差異，因此這里還是以淘寶魔方為例贅述一遍自己對于數據產品的五層模型理解。
- 戰略層，用戶需求和產品目標，比如淘寶魔方的目標用戶是品牌賣家，那么它到底幫助品牌賣家用戶解決什么問題?對于DMAIC來說，相當于解決Define的問題，即數據要實現什么價值。
- 范圍層，功能規格和內容需要，比如淘寶魔方有哪些功能，這些功能有哪些指標，每個指標反應哪些問題?對于DMAIC來說，相當于解決Measure和Analyze的問題，即價值表現為哪些數據指標，這些指標的來龍去脈如何。
- 結構層，交互設計和產品架構，比如淘寶魔方的各種指標怎么分類組織，不同維度的相互關系如何?
- 框架層，界面設計和導航設計，比如流失顧客指標是使用圖還是用表格?使用什么類型的圖?數據篩選器和圖表怎么布局?
- 表現層，視覺設計，比如子行業趨勢圖使用什么顏色分類?寶貝列表是否顯示圖片?上述三層，對于DMAIC來說，相當于解決Improve的問題，即數據以什么樣的形式來展現其價值。
具體的產品設計過程中不斷運用上述模型進行思考迭代，最終才成型完整的產品，對于DMAIC來說，這就是Control的內涵。
可以看到，數據挖掘和產品設計在方法論上是具有內在統一的，這就是我所理解的數據產品設計的方法論。
數據產品設計模型
具體來說，任何一款數據產品需要先思考這個產品的目標用戶是誰，幫它解決什么問題，給它帶來什么價值，也就是確定產品的業務目標。繼續思考，為了實現業務目標，需要哪些數據指標?這些數據指標是怎么來的?這些指標如何反應解決問題的思路?當我們確定了數據指標后，從技術的角度講就是數學建模的問題了，從產品的角度講需要明確第三個環節，就是這些指標以怎么樣的形式展示?如何更好的發揮它的價值?這就從抽象概念進化到具體的產品形式。數據產品的設計過程也就是基于上述三點進行不斷的循環迭代的過程。
1. 業務目標
就數據產品來說，其主要價值應該是決策或者輔助決策，這就意味著數據產品往往和業務及運營密不可分。因此評價數據產品設計的原點是產品能否滿足業務運營的關鍵需求，不論是理解、預測還是決策。不同業務的關鍵需求顯然是不一樣的，數據產品的目標用戶和目標價值也必然存在差異，這就要求數據產品的設計去深入理解業務本身，游戲產品經理***是一個資深玩家，同樣，***的數據產品經理即使不是一個業務專家，至少也是需要能夠站在業務專家角度思考問題。
數據產品并不是千篇一律的圖形報表，從業務目標出發我們可以很輕易的找到數據產品的靈魂。搜索時代的網站是以廣告為核心盈利模式的，因此無數站長才會為點擊流競折腰，如何分析提升流量是網站運營的關鍵需求，因此以google Analytics為代表的流量分析工具橫空出世。電商網站本質是商品交易，其運營依然沿襲了傳統零售業的玩法，比如活動營銷，關聯銷售，會員提升，那么如何促進交易這個核心需求是不變的，所以有了量子恒道面向銷售和客戶分析的店鋪經，有了輔助高級別賣家進行戰略分析的淘寶數據魔方。
博客及SNS類產品又是一番情景，其運營核心變成了內容產生量和粉絲數，簡單的流量分析不得不改弦易轍。游戲是強運營的產品，其核心是如何留住玩家如何提升道具購買，因此可以想象游戲類數據產品必然需要面向玩家的生命周期管理和道具交易。當進入移動互聯網時代，為了適應新的設計和交互變革，為了解決渠道推廣難題，我們可愛的數據產品又將多屏多系統分析、渠道分析發揮得***。而當智能硬件、可穿戴設備、物聯網各種概念喧囂時，如何從愈加廣泛的數據中尋找產品的核心價值則成為了所有人共同的思考。
數據產品設計的業務目標決定了產品的方向，不能抓住業務問題的數據產品不是好的設計，而基本上可以想象當明確你要解決的業務問題越難時，產品目標用戶的興趣就越大，再接著才會覺得產品的價值越大。
2. 數據指標
當數據產品的業務目標確定以后，我們似乎就要開始數據挖掘游戲了!這個游戲的核心是將業務問題轉化為數學問題，這些問題往往分為兩類，一類是為了反應業務情況，我需要哪些數據指標，比如流量還是交易量;第二類是為了解決業務問題我需要使用哪些數學模型或算法，這些模型或者算法的解需要哪些數據指標來表達，比如商品關聯推薦。當業務問題轉化為數學問題以后，基本上就是數據分析員或者技術工程師們的舞臺了，他們將一起來面對諸如選擇合適數據、如何認識數據、創建模型集，構建模型，評估模型等等各種細節上的挑戰。
數據產品設計的指標差異
稍加留意上述數據指標的變化規律，不難印證，數據指標能否適配業務目標是數據產品走向成功的關鍵的一環。
3. 價值展現
明確了數據產品的關鍵數據指標后，下一步便是如何展現數據的價值。總體上數據的價值體現在兩方面，一是反應問題，二是解決問題，這也是分析類數據產品和決策類數據產品的核心區分，當然現實的產品往往處于這兩者的過渡地帶。
分析類產品的價值展現本質上來就是通過什么樣的形式來表現數據，讓使用者更加一目了然隨心所欲的看到問題是什么。通常這類產品的設計需要使用數據篩選器來幫助用戶看到不同維度不同類別不同時間的數據組合，同時使用圖表的方式使得數據指標更加直觀。
設計時往往需要遵循圖表自身的交互屬性，比如曲線圖反應趨勢，餅狀圖反應比例，頻率圖反應分布，而為了獲得更加豐富的效果則可能需要進一步采用高級別的數據可視化技術。這些設計過程大部分屬于產品設計的框架層和表現層，重在數據表現與用戶的交互。而目前大部分數據產品皆止步于此，比如各種流量分析產品、指數工具、運營分析產品、數據魔方等等。
決策類產品的價值展現本質上來就是能夠幫助用戶解決問題，提供決策方案。比較典型的有推薦引擎，它能夠直接展現關聯商品提升銷售額，而不需要目標用戶親自去分析商品類別、監控趨勢、總結規律等。再比如電信業根據用戶信息分析擬定資費套餐，銀行業根據用戶數據進行風險控制，這些產品的展現價值的方式也都在于直接的決策，而不是間接的數據圖表。
再拿車聯網產品來說，分析類產品就是通過OBD接口拿到數據后會使用很絢麗的交互來展現各種數據指標，而決策類產品會通過一定算法提醒用戶你的油質不高，哪個地方壞了需要及時保養。再比如淘寶的江湖策，新增了無線店鋪活動，通過精準數據直接為用戶提供促銷決策和通道，這顯然是從單純的分析產品向決策產品演進的典型案例。
毫無疑問，從用戶需求的角度講，決策類產品比分析類更理想更有吸引力，畢竟相當于省去了數據分析師和運營專家，可惜的是這樣的產品往往有著現實的約束，即決策流程本身是否可以產品化。對于賣場來說，數據產品永遠不可能去替代售貨員的吆喝，那么產品設計所能夠做的也只能是盡量靠近決策罷了。
可以說，數據產品的價值如何展現，如何從分析到決策，從知道問題到解決問題，這是數據產品設計***有挑戰的一環，也是最值得思考最艱難的一環。
數據產品的未來
數據產品設計遵循互聯網產品設計的基本方法，同時兼具數據挖掘的方法論，從業務目標、數據指標、價值展現三個核心環節不斷深入，循環迭代。但是正如前文微博提到的，當前數據產品設計的尷尬在于大部分僅能幫助用戶理解問題而很難深入決策層面。一方面是由于當然是有數據產品團隊缺少話語權造成的，但是更為主要的在于決策流程本身很難產品化。另一方面，數據產品設計面向決策的變化，從產品架構來講也意味著設計模式發生根本變化，從單純的依賴數據模型到數據模型、決策模型、方法模型三位一體的轉變。
面向決策的數據產品設計
可以預見的是，在電子商務、互聯網金融、虛擬運營商、可穿戴式設備這些決策本身可以產品化的領域，決策類數據產品將是舞臺上的主角。
附：淘寶系解析
下面運用數據產品設計的三段式方法論分析一下淘寶系列的四款數據產品：量子恒道、數據魔方、江湖策、生意參謀淘寶版。一點淺薄之間，若是阿里的兄弟們看到了希望批評指正。
1.發展史
因為沒有親自接觸淘寶的數據團隊，只能從網上的一些資料大概整理了一下量子恒道、數據魔方、江湖策、生意參謀淘寶版四款產品的發展歷史，可能會有不實之處忘諒解。量子恒道的前身是雅虎統計，上線于2007年7月，正好是雅虎中國更名中國雅虎業務體系大調整之后的兩個月。初期雅虎統計主要方向還是網頁流量分析，直到2009年1月上線店鋪版開始面向淘寶系的電商深度分析，經過3年的發展于2012年4月徹底更名店鋪經，并于當年6月上線手機淘寶后開始在無線端發力至今。
數據魔方于2009年8月開始組建團隊，2010年4月專業版正式上線，2011年6月加入淘詞功能，2012年10月新版上線，2013年5月BC數據分離并不斷進行商品體系升級。江湖策相對較晚，2013年9月初版才上線，似乎為了雙十一而生，很快于2014年1月推出主打“無線渠道透視”的流量優化功能。生意參謀老版可追溯到1688的1.0版，淘寶新版是 2013年11月上線的，基本上與江湖策同步。
淘寶系數據產品簡史
從發展史來看，量子恒道和數據魔方可算作淘寶系的數據產品1.0，而江湖策和生意參謀可稱作數據產品2.0，而且比較明顯的是無線端漸成主流。
2.業務目標
按照本文闡述的數據產品設計方法論，淘寶系的四款數據產品分別有著怎樣的業務目標呢?量子恒道在雅虎時代可以說是標準的流量統計工具，和google Analytics以及百度統計基本上同臺競爭，直到2009年面相轉向電商分析，尤其是淘寶店鋪的數據分析，而后僅僅是增加了手機端渠道而已。因此，量子恒道的業務目標依然是幫助電商了解自己的業務，展示分析流量、來源、成交、轉化等多個視角的數據，簡單歸納為以流量分析為主的“電商分析”。
數據魔方早期設計的定位其實并不明確，既有行業品牌分析，又過多的介入買家賣家分析，直至新版上線后明確定位為“行業品牌分析”，雖然有淘詞這種吸用戶的實用功能(個人感覺這個功能有點雞肋)，但是總體來說數據魔方還是以幫助賣家解決戰略問題作為業務目標的。江湖策就業務目標來說跟量子恒道比較類似，都是基于流量的數據產品，但不同之處在于它不僅幫助電商了解自己的業務，更重要的是優化店鋪流量，提升轉化率。生意參謀的設計目標目前看起來則相對更具體一些，它集中在店鋪裝修，幫助商家分析店內各頁面的視覺問題、評估裝修效果、引導優化。
3.數據指標
從業務目標的角度推斷, 量子恒道、江湖策、生意參謀應該在數據指標上與數據魔方有較大差異，同時江湖策、生意參謀相對量子恒道來說應該更加細分。下表是我從四個數據產品首頁選取的主推數據指標以及部分關鍵細分頁面的數據指標。
淘寶系數據產品指標對比
可以發現，數據魔方偏重于行業指標，其他三款數據產品則選擇了最為典型的瀏覽量、訪客數、成交金額、成交轉化率、客單價、成交用戶數等。此外，江湖策的方向是流量的細分管理和優化，對于流量路徑較關注，因此引入了與路徑有關的拍下金額、拍下件數等數據指標，而生意參謀主打店鋪裝修，因此突出頁面的點擊次數和點擊轉化率也就不足為怪了。
到目前為止，可以說這四款產品對于各自的定位和數據指標的把握都是非常精準的，如果熟悉熟悉游戲運營或者網頁分析產品的話，只要做個簡單對比就可以深刻體會到淘寶系數據產品有著深入骨髓的電商基因。
4.價值展現
前文提到，價值展現這個緯度從產品設計的角度將包括了結構層、框架層、表現層，四款產品在基礎交互視覺方面的差異一目了然，在此不作展開。下面更多的是從價值展現的兩個方面加以闡述，即反應問題和解決問題。
數據魔方是一款純血的數據分析類產品，因此采用了大量的圖表來展示各種數據，客觀的反應了行業品牌等宏觀問題。它能解決問題嗎?顯然不能，還是需要運營專家去解讀數據做出自己的決策。量子恒道在這個問題上和數據魔方其實比較相似，雖然在“健康日報”子功能上引入行業指標做參考，但是可惜沒有進一步的突破決，總體上能夠全面優質的反應問題，但并未介入用戶決策流程。這也就是我稱之為數據產品1.0的原因。
那么江湖策、生意參謀這兩款數據產品2.0又有什么差別呢? 仔細研究可以發現，生意參謀其實大部分的功能還是在反應問題，告訴你數據指標、指標變化等等，所不同的是 “寶貝溫度計”這個小功能。“寶貝溫度計”引入一個決策標準“建議數”，提醒用戶“待優化”，同時引導用戶直接修改標題，這個功能看起來簡單，但是如果我們分析這里面的內在邏輯的話，這個步驟包含了決策標準、決策方案、決策行動三個核心要素，有了這三個要素，本質上用戶就可以直接解決問題了。統計了一下淘寶論壇里對于生意參謀的反饋，“寶貝溫度計”是稱贊最多的，這也側面印證了用戶對于解決問題的渴望。
生意參謀-寶貝溫度計
江湖策顯然想在解決問題這個層次上走得更遠。除了提供常規的PC端、無線端流量數據透視功能，以及聚劃算、無線活動效果檢測等實用功能，目前來看有幾個亮點是非常值得肯定的。
實時直播。這個功能是分析流量路徑的，雖然其也是停留在反應問題這個層次，但是它的創新在于深入了業務流程而不僅僅是停留在數據報表，或者說它將數據細分到了具體的業務層面，這樣用戶可以更加直接的做出行動決策而不用去盯著數據思考背后的問題。
流量發現。主要包括潛在買家和推薦渠道，其實前者就是買家信息分析，這個本質并沒有什么創新，而推薦渠道也僅僅是簡單集成了各種引流工具的入口。但是考慮這是一個新成品，因此大膽預測后續改版中江湖策應該對“推薦”這個詞做更為豐富的演繹，比如在分析不同流量渠道或者不同頁面時更具一定的標準(比如行業排名、歷史水平)等自己關聯這些引流入口，直接告訴用戶介于目前的數據分析你哪個指標低于行業50%水平，應該優化，請點擊等等(是不是有點像360^_^)。
江湖策-無線效果優化
此外，無線效果優化、無線店鋪活動等功能我們也依稀可以看到上述影子，都提供了直接或間接的解決問題的路徑，可惜的是都是單獨的菜單入口，并未和流量分析等功能進行深度融合，這也說明當前版本還沒有建立一套完整的決策模型和方法模型，導致在解決問題這個層次上還無法深入，期望后續的版本能夠給大家驚喜，我想這也是當初起名“江湖-策”的緣由吧，期待其在“策”字上的表演。
5.演進方向
一句話，未來的數據產品設計應該嘗試建立完整的決策模型和執行路徑，突破圖表反應數據價值的局限，盡量介入決策環節，朝著解決問題前進，這就是我心目中的數據產品2.0。
