三个步骤设计高效 Dashboard

零基础学产品,BAT产品总监带,2天线下集训+1年在线课程,全面掌握优秀产品经理必备技能。了解详情

研究国外业内前沿数据产品,了解当前实现数据价值的最新思路和实践。

无论哪一种数据产品,仪表盘(Dashboard)都是最核心的功能。它作为用户接触数据的第一个页面,相当于数据产品的门户,担负着提纲挈领,引导分析的重要职能,帮助用户能够快速判断业务情况,支持他们做出决策并行动。

个人有幸经历过三个数据平台的 Dashboard 设计,企业内部和 ToB 型产品皆有涉猎。根据研究过的一些 Dashboard 设计案例和文章,最后将所有这些经验总结成以下的「123」:一个原则,两个时期,三个细则

一个原则即「提纲挈领,引导分析」,在一个页面里明确告诉用户当前业务状况好坏,并支持能够针对某个问题进行下钻分析,从而串联起整个数据平台。由此原则从而可推出以下三个细则:

  1. 因人而异,细分场景:根据用户和场景设计产品
  2. 少胜于多,分清主次:展示最关键的指标,区分优先级
  3. 深入分析,落地行动:支持深入分析,并落地为具体行动

这就像讲一个用户故事。经过起承转合慢慢铺垫,最终进入正题,告诉用户应该怎么去执行,怎么去优化产品和业务。

各类数据产品在实现前面提到的不同原则时,又可以分为两个时期:Report(定制化)和 Customize(个性化)。前者是早期形态,如 GA 和 Mixpanel 等,特点是根据指定的分析思路,严谨地从汇总到细分,层层下钻。它们为实现「因人而异」,往往会设定多个 Dashboard 页面,或者本身就只针对某一类用户群体。后者更常见于一些比较新型的分析产品,如 Domo 和 Looker,特点是报表自定义程度较高,通过自由选择单图的方式来组建 Dashboard。随着时间的发展,这两者的界限在慢慢模糊,但主要的特点依旧鲜明。

1. 因人而异,细分场景

产品的核心就是解决问题,解决某些用户在某些场景下的某个问题。对于不同行业,不同业务,不同职位的人们来讲,关注的内容自然不一样。在设计一个数据产品或页面时,我们需要围绕着用户和场景来做设计。

1.1 划分用户

划分用户,一般会从业务线或岗位入手。不同业务线间,关注的核心指标自然不同,比如转转下面各种业务部门,即使大家都关注大盘数据,但每天更关心的,还是自己的业务细节指标。

岗位也是同理,管理层重在把握全局,而执行层重在每个细节的执行效果,关注的数据层级和指标也会有所差异。

以 Domo 为例,它为每个职位的人单独设一个 tab 来显示,每一个岗位都有自己预设的 Dashboard 页面。

同时,它也支持用户对这些报表进行内容的增删改查,以及对整体布局进行调整。

所有设计仪表盘的第一件事情,就是明确自己的用户,然后根据不同的用户群体设计仪表盘,及确定开发的优先级。

1.2 划分场景

划分场景,主要的场景有包括但不局限以下情况:实时监控场景,指定主题分析场景,移动查询场景,周日会汇报场景和大屏显示场景等。

从实时监控场景来讲,Dashboard 会被分为实时和历史两种,两种略有差异。实时侧重于监控,历史侧重于了解和分析。这两种没有明显的分界,实时需要历史的信息作为对比,来判断当前的数据是否正常。而历史也需要准实时的信息来更快地了解当前的情况。这两种形态的Dashboard 对于数据产品来讲都必不可少。

以下是较好的实时 Dashboard 设计方案,核心在于细分维度的多维监控,并确定合适的阈值点。

从特定主题分析场景来讲,Domo 为每一个数据源设定相应的 Dashboard,如 Facebook 广告,Google ADs 等等。因为每个数据源就代表着一种场景。

移动场景考虑到屏幕等硬件条件的限制,则侧重于通知和展示,不深入到分析部分。到具体产品设计上,则是通过 M 页或者 APP 等方式实现,提供最核心的数据查看和智能挖掘,不做过多的查询功能和复杂的交互。同时,基于现有大部分人通过手机进行沟通,那么页面或数据的分析也变得重要。

同样以 Domo 为例,它在移动端也有相应的场景划分,支持消息的移动推送和展示:

2. 少胜于多,分清主次

根据「提纲挈领,引导分析」的原则,仪表盘的界面上优先展示的指标应该是用户最关心的,且因为每个用户时间精力有限,在数量上要极度精简。在挑选指标时,要遵循一下原则:

  1. 从用户的需求出发
  2. 精准,精确反映当前业务情况
  3. 核心指标不超过7个
  4. 确定核心指标间的联系及优先级

Webtrend 创立于 1993 年,是目前公认市场占有率第一的商业网站分析方案,为接近 2000 个公司提供服务。作为一款通用的商业分析产品,它在 Dashboard 页面提供了网站用户最关心的 7 个指标,包括最近 30 天的汇总PV,访问量,访问深度,新访问用户,日均访问用户数,平均访问时间,跳出率。同时通过与上个30天的环比的增减,跌涨与红绿对应,能够使用户一眼就了解到当前业务情况。

同时,这几个业务从几个侧面整体衡量了网站的用户数量及质量,既能监测网站访问用户数的情况,同时通过跳出率等指标来分析访问用户的质量,可监测爬虫或及时识别伪造用户。

对于非通用性产品,如企业内部的数据产品,这个环节的关键就落在了确定核心指标头上。结合《精益数据分析》和个人经验,有个简单的方案可供参考:

  1. 根据商业领域不同及企业发展时期的不同,要采取不同的指标验证
  2. 建立第一性指标,目标要依据情况而变

比如在美团外卖最开始的时候,关注的重点的是订单数,后续发展成订单额,新客数和资金使用率等等。在不同战场,在战场的不同时期,需要观测的指标都不一样。

以下是《精益数据分析》中关于各种商业模式和公司阶段应该思考的问题,和采取的第一性指标,仅供参考:


在具体设计第一性指标及衍生指标时,需要注意:

(1)注意行业常识

比如社交产品,电商产品等应该关注什么类型的第一性指标

(2)选择合适形式

  • 采取简单易懂的指标:复杂的指标发生异常时,并不能明确告诉你问题的原因,简单成本中
  • 采取比率指标:相对于资金使用量,资金使用率,如订单金额/活动金额能防止资金滥用,产生更大的经济效益。
  • 采取伴生指标:在关注某个指标时,需要有个另一个指标对它进行制衡,避免「跑偏」。如关注新客数时,也必须关心获客成本,避免市场部门为了完成新客指标而花费了过高的成本

(3)避免统计陷阱

  • 平均值的一项巨大能力就是阻碍决策的制定。因此在使用平均值时,要注意通过使用分布数据来防止这种偏差。只说全国人民平均收入时,会给大家造成理解偏差。但如果加上省份间的分布数据的话,情况就一目了然了。
  • 百分比/比率,要注意显示绝对值。当一个业务部门说自己增长 100% 时,可能只是因为他上一个周期的绝对值低而已。

(4)塑造指标易用性

  • 帮助用户理解和相信他们看到的数据:提供数据的来源,算法以及异常的原因。异常的数据需要提供可验证的途径
  • 提供上下文信息:提供数据清晰的标题,标签和解释,提供易于理解的指标名称,以及标记数据异变的原因。

对于第四点,通常需要通过鼠标悬浮的方式展示每个核心指标的定义,在有条件的情况下,还需要对每个数据异动提供注释。在 Mixpanel 中,它支持在某个指标的某个时间点上添加备注,来说明数据变化的原因。

至于「精准,精确反映业务情况」,精准讲的是指标要设计合理,精确讲的是一定要保证数据准确性。一个老板天天看的页面,数据出错了能发现还好,如果依赖错误的数据作出了决策,后果你能想象…

3. 深入分析,落地行动

分析无非「对比,细分,溯源」,从这个角度讲,仪表盘的设计需要让用户能够在「提纲挈领」之余,也要能提供给用户分析思路。当发现数据异常时,能够沿着思路自主得到答案,或者分析方向。

3.1 对比

没有对比就没有分析,从各种指标的对比中才能看出指标的偏离。对比可分为三大维度:

  1. 时间维度:同比,环比
  2. 空间维度:地区对比,团队对比,商品/服务/渠道对比
  3. 设计维度:目标值,业界值,极限值等与实际值的对比

Qlik 作为一个老牌的可视化厂商,它旗下的产品 QlikView 将对比的概念发挥的淋漓尽致,基本涉及了以上各种对比类别。

在 Sales 图表中,提供了各个月份间的时间维度对比。在 Sales/Margin/Customer 上和左侧的列表中,则提供了地区,渠道,品类等各空间维度的对比。而在 KPI Scorecard(计分卡)图表中,是设计维度的对比:「当前销售额」和「某个时间段内的最高值和最低值」,「利润率」和「目标利润率」&&「利润率区间」,从而使所有地区的销售情况一目了然。

而且从上面的例子可以看出,对比对于显示关键信息来讲非常重要。在设计相关的对比模块时,一要在合适的维度上进行对比,这个维度应该对当前指标的变动起主导作用。二要突出对比的结果,方式有颜色变化,内容闪烁或数据报警等。

这里顺便提下对于红绿色含义的认知差别。有些国内的数据产品会以为在中国股市中,红涨绿跌,并且在中国传统文化中红色代表喜庆,所以在数据产品中红色应该也代表数据变好。其实数据可视化的原则是,高效地向用户传递数据信息。而用户天然对红色的内容会比较敏感,红色应该用来传递更重要的信息。数据下跌比数据上涨要重要得多,因此数据产品在指标的显示上,应该仍遵循红坏绿好的原则

3.2 细分

细分是对核心指标进行多维度的划分,分为单维度细分,多维度细分,流程细分及TonN细分等等。

以 Ptengine 为例,它提供了对不同核心指标的细分,包括访问来源,访问地区,访问设备及页面。同时,用户可以在页面对不同指标进行切换。当你对某些数据有疑问时,你可以通过点击相应的维度跳转进入各个子页面,起到了「引领分析」的作用。

流程细分一般是指的从漏斗的角度去拆解指标的上下游。举例来说,当我们关注的指标是支付订单数时,我们就需要去拆分从列表页,详情页,下单页到支付页的每个流程的数据及转化。

TopN 细分则是注重看中某个维度下占比前列的维度值的变化,来直接反映某些指标值的变化。

3.3 溯源

其实,溯源作为一个对于数据异变根本原因的追查过程,很难融合在以简洁为原则的 Dashboard 中,不过 Amplitude 通过隐藏选项并且通过和内在其他功能的融合,很好地解决了这个问题。

Amplitude 首先提供了不同主题,不同形式的数据的对比细分展示。而在某类具体业务和数据点上,我们可以选取某个时间点的用户群体作为 Cohort 对象或者针对这批用户的流向结合产品内其他功能进行分析。它甚至能够将整个用户id列表下载下来,做线下分析。

事实上,对比,细分和溯源不是严格区分出来的三个流程,而是互相融合在一起的。在不断地在异常的维度上进行对比和细分时,才能得到可以付诸行动的结果。

3.4 行动

在设计仪表盘时,要反复地问自己“So What”。从设定用户场景,到确定指标和优先级,再经历对比细分溯源三个分析流程,最后要做的,就提供给用户决策和行动的建议和方向。

这里有点个人的技巧:先假定几个异常的场景,然后通过设计出来的仪表盘,演练拆解场景中出现的问题。如果能够在若干个场景中都顺利走通,那就证明你整个设计能够支持用户做出决策和行动,已经马克森斯了。

再往上一层,就是能够直接给出业务建议的层次了。这个一方面需要对业务的极度熟悉,另一方面可能还需要数据挖掘和机器学习的内容。举个 Google Analytics 的移动版为例,在这个版本的 Dashboard 里,已经有这种智能化的提醒了。

4. Dashboard 设计原则

刚开始做 Dashboard 设计时,不要一上来就画原型图,而是先划分用户和场景,然后用思维脑图确认核心指标和衍生维度。再根据思维脑图画出草图,演练几遍在 3.4 提到的「用户故事」。在整个流程都走顺之后,再开始仪表盘的设计。

在设计细节上,不要刻意追求炫酷的效果,而是注重设计的内在逻辑和传递消息的有效性。有一些设计原则可以参考:

在功能设计上

  • 突出核心指标:不能让复杂的设计掩盖了指标的呈现
  • 突出对比:时间对比,空间对比,设计对比等等
  • 提供细分及下钻:方便用户在有疑问时能够快速得到方向
  • 减少用户选择:提供默认的同环比和时间选择,提供最常见的维度切分

在可视化设计上

  • 简洁为上:减少Tab、按钮、单选框、复选框,在1-2个页面里完成展示
  • 避免过多的颜色和点缀:太多的颜色会让人眼花缭乱,失去重点
  • 选择正确的可视化形式,可参见华尔街是怎么做可视化的

汇总以上提到的各种类型的 Dashboard ,可供参考的设计框架有以下两种,均可从本文中提到的各个大厂设计的 Web Dashboard 的样式作为佐证。

(1)总分式,先展示核心指标,再对核心指标进行拆分

在实际操作过程中,因为指标往往比较多,通常会通过加上指标筛选框或者 Tab 的方式来进行区分。

在实际使用过程中,模块间可以任意组合。如 GA 和 Ptengine 就是上趋势下数字搭配若干个细分维度,而 Webtrends 则是上数字下趋势再搭配细分维度,Mixpanel 和 Amplitude 则干脆就是趋势+细分维度。

(2)分散式,常见于 Customize 类型的数据产品,形式是若干个报表集中在一个页面展示。

这是因为此类产品一般没有等级明确的金字塔结构来承接分析思路。此类形式胜在自由,但缺陷在于信息量太大,让用户一下子不知道该关系哪个指标。所以建议此类产品必须可以定制每个单图的大小,从而起到「少胜于多,分清主次」的作用。

为了追求视觉效果,在大屏展示场景下,也会经常采取这种布局方式,比如天猫的双十一大屏和一些公司内部的大电视上。

在《Information Dashboard Design》一书中,作者给出了他眼中最完美的 Dashboard 设计范例,堪称简洁典范:

在实际设计过程中,以上几个方法可能会互相冲突,比如 Amplitude 产品中,我们说尽量减少 Tab 切换,可它就在页面中提供了若干个切换的入口。这时候就得在业务需求,产品简洁和信息量上做好取舍。

设计完成和产品上线后,都必须持续听取用户的意见,对指标和交互进行修正。随着企业阶段的演变,Dashboard 也会处在不断变化当中。

5. Report && Customize

我们先用 Google Analytics 和 Looker 来举例说明这两者的差别。

Google Analytics 中根据分析主题划分出受众群体,流量获取,行为,转化四个子菜单,每个菜单会再按照菜单层次依次往下拆分,就像一层层金字塔一样。

另外一面,在 Looker 中,会采取这种分散的图表的组织方式,每个图表都可以再次编辑。整个分析页面,不再是简单的图和表的堆砌,而是变成了一个画布。用户可以在这个画布上放置他们任意想要的内容。

这两种方式各有利弊。

Report Dashboard 适用于整个市场的数据利用意识处于早期阶段,分析思路匮乏,对指标的需求比较单一,只能由设计者提供一个抽象普适的分析思路,供用户日常使用。

而随着数据运营的方法论越来成熟,整个数据采集和分析工具越来越先进时,原先的方案已经不能满足人们的需求。不同的人,同一个人不同时期关注的内容都不一样。因此对个性化的要求便能越来越高。

不过,Customize Dashboard 会面临几个问题:1,对底层数据的规范要求较高;2,对使用者要求较高,这需要用户有十分明确的分析思路及定义指标的概念。为了解决这个问题,很多产品便提出了两者相融合的方式:在 Customize Dashboard 的基础上,提供一些默认的报表,方便用户使用。允许用户修改,从而具备更大的自由性,适用于跨业务跨部门的情况。同时带来的问题就是分析思路不明确,可能没有重点和框架,用户在分析使用的过程中容易困惑。这种情况下,预定义的多主题的 Dashboard 和分析思路就显得非常重要,否则整个产品的上手难度会比较高。

在 Kilometer.io 的设计中,它会给用户预设几个常见的模板,同时允许用户对模板进行自定义的编辑。这是很多 TOB 数据产品都具备的功能,而 kilometer.io 比其他产品更进一步的做法时,在自主添加报表时,它同样提供了默认的指标和形式供你选择,避免了用户在自定义报表时无所适从的问题。

说起来,这有点像降维打击,后者只要有完善的底层数据和交互规范,片刻就可完成多种类型的 Report 的设计。这已经不是一个层次的战争。

这个趋势不但是 ToB 类数据产品出现,在企业内部数据产品上亦是如此。很多公司如美团,转转都开启了这种以自定义 BI 为基础,以「个性化看板」的方式组织所有定制化和自定义的报表的模式。这种 BI2.0 的结构能够为不同的业务线,不同的场景提供不同的 Dashboard。私以为,这将是大幅提高企业内数据使用,分析和分享的效率。

当数据仓库基础已经完善或业务需求非常多样化的时候,就可以开始考虑这种架构了。

6. 在数据产品门户之外

在数据产品之外,在管理后台产品,用户端产品,也有这种集中展示数据,帮助用户快速了解情况的场景,大多数集中在运动类产品,理财类产品和工具型产品上。类型虽然不同,理念大同小异。大家可以借此验证文中理念,拓宽思路。

运动类产品

理财类产品

工具型产品

参考文章

  1. Designing Data-Driven Interfaces
  2. Ten key elements for effective dashboard design
  3. APP的数据图表设计,你以为简单?
  4. Online Dashboards: Eight Helpful Tips You Should Hear From Visualization Experts
  5. 《精益数据分析》
  6. 《精通 Web Analytics 2.0》
  7. 《Information Dashboard design》

 

作者:陈新涛,现任转转数据负责人,曾任美团外卖首任数据PM。微信公众号三生石,小密圈数据人修炼之路。

本文由 @陈新涛 原创发布于人人都是产品经理。未经许可,禁止转载。

祝给予赞赏的伙伴,2017年发大财!
6人打赏

评论( 12

写下你的想法
  1. 不爱敲代码的码农是pm

    真的醍醐灌顶

    回复
  2. 好文,收藏一记

    回复
  3. 浑浑噩噩的一个产品狗

    好帖,收藏走一波

    回复
  4. 85后,PM,在邪恶的黑暗里冥想争扎。

    赞一个

    回复
  5. 登录认证产品经理

    图美,喜欢~

    回复
  6. 好贴 收藏

    回复
  7. 1.1 划分用户-配图的地址方便分享一下么

    回复
    1. 回复

      你搜索下domo就可以了解

  8. 大数据产品经理的路上

    @陈新涛 请问一下,可转载作为公司内部学习资料吗?

    回复
    1. 回复

      注明来源人人都是产品经理、注明作者信息、注明链接 就可以了。

    2. 回复

      为什么你名字旁边有钻石的。

    3. 回复

      可以的,注明出处就行

推荐阅读