数据产品设计心得:如何让用户快速获取并高效解读产品变化?

21天Excel零基础速成训练营,导师带学+答疑辅导+实战作业,让你真正掌握Excel技能,了解一下>>

在接手一款内部数据产品以后,由于业务拓展的原因,开始了一般统计型产品向BI产品转型的过程。在近1.5年的产品单款产品设计中,我一直在思考『如何能让用户有效的触达数据』。这篇文章是我对这个问题的浅层思考。

文章涉及三个问题:

  • 数据触达的概念
  • 常见的数据触达模式
  • 我在探索的解决方案

数据触达的概念

在我看来,数据是一种特殊内容的体现,更多的是通过量化的形式体现用户对于实体/虚拟事物的感知;由于个体间的感知差异较大,所以产生了统计口径的概念,以对可感知差异进行统一的衡量,并且产生了对比的概念,以强化差异性的概念。举个例子:『对于客服服务水平的满意程度』一般来说会有1-5分的衡量标准,但4.5分和5分的满意度差异究竟在哪里,其实是一个很难说清楚的概念,为了在产品设计和运营的过程中出现类似的问题,我们可能会使用更加可量化的标准进行4.5和5分的评级标准确定(比如千单投诉率等);

而数据触达所指的就是:

  • 如何用可感知的数据表达方式去描述差异性
  • 用户如何快速获取并高效解读该类差异;

问题一涉及的是评估标准的建设,暂时不在本文章中讨论,主要想对问题二做一下讨论:也就是在一个数据产品中,我们如何让用户快速获取并高效解读产品的变化。

常见的数据触达模式

在市面上的数据分析产品中,在数据触达模式上大致可以分为两类:(1)有限度的专题内分析 (2)通用的分析工具,对此分别做以下解读:

有限度的专题内分析

多体现于80%头部用户的通用统计型平台(如百度统计)和垂类型的统计平台(如主打转换率分析的Growing IO);该类型的平台的特点是:会将数据按照特定的『专题』进行专题下的拆解,提供通用、有限度的数据呈现以及涨跌呈现,但是不对涨跌的原因进行分析及收益分析,用户只能通过有限的几个角度进行泛数据分析的查看,并得到相对表层的分析结果,再辅助A/B TEST等实验进行思想的认证。

通用的分析工具

更多的出现在To B领域,以BI工具为主要的代表作,强调的是基础层面的建设,即给出可能的分析包(例如对比、拆纬度、显著性分析等),列举出所有基础的分析模式,但不提供任何的分析组合;之所以在企业界用的比较广泛是因为企业界有非常明确的业务核心,需要相对灵活的场景去应对可能发生的商业变化,以多角度判断部门或决策者对于决策的正确程度。

以上的情况,不针对决策,更多的还是利用『搜索』导向思维所做的产品,即对于有明确描述的分析问题进行分析,那么问题来了,对于探索期的业务和现在更多的分析场景,出现了两种非常常见的分析情景:

  1. 只能对于问题本事的现象进行描述,而并不确定问题的核心是什么,也就是说可能连『正确』的问题都问不出来 ;
  2. 可能连问题表象本身都不能很好的描述,只有最终的目标,没有路径;

问题二涉及到复杂的分析决策过程,暂时不做讨论,重点说明问题一。 那么问题一是一类什么样子的问题? 我理解更多的会出现在『产品或业务提升』或者『产品或问题收益分析上』也就是为什么有问题?为什么能成功? 不怀疑的是市面上确实有非常多的分析框架出现,但针对相对抽象的问题来说还是很难有一套比较完整的分析体系,通过产品的形式落地。

举个稍微通俗一点的例子:为什么XX产品的DAU会在1月份有明显的降低?更进一步的问法是为什么XX产品的DAU会,在做过某一次线上运营活动以后,反而降低的更快? 以上的问题解释,更多的是大家讨论的『数据分析框架』的建立过程,但这个过程我们有没有可能通过产品的方式,配合已有的数据触达类产品进行落地?而不是仅仅停留在只给分析基础,自由组合分析方法的模式上?我的答案是,可行,但有非常严苛的前提条件。

我在探索的解决方案

以上需求的出现,更多的像『知识引擎』的一种变体,即用户只知道表象,而我们呈现的是逻辑上最可能出现的关联原因和可能有的后续结果。在分析框架建立的前提,它的产品落地方案只合适在内部决策时,在相对成熟的业务,应用在相对成熟的问题下,比如『为什么销售额会降低?』『为什么DAU会下降?』而处理的方式是,将所有的决策路径进行『穷举』,给出最可能的问题原因,再由人工做最后的判断;从产品的角度来说,我可以理解为是对分析方法的打包,以适用于某一类分析专题,并在数据产品端提供分析决策的专题。那么做到这一点需要产品同学提供什么?我认为是如下几点:

  • 基于对业务的理解,对业务问题进行外部原因和内部原因的拆解和列举
  • 搭建每个原因树下正常或异常的判定标准(比如我们团队曾经做过,用梯度回归模型做预警)
  • 根据业务本身的权重,对相关的原因进行权重赋予(比如知道某个渠道的占比就是很低,那这个渠道就算有业绩上绝对值的大幅提升,如果占比还是不怎么变化,其实对整体问题或收益的贡献值自然不会太大)
  • 对以上结点,根据异常和权重进行问题原因可能性的判断
  • 列举出最可能的影响因素
  • 人工最终判断最终的结论
  • 产品的设计和落地

需要注意的是以上内部原因和外部原因,产品中能稳定设定的因子,只占到80%,剩下的20%突发性原因需要进行人工的调权或者特定模式的设定(比如节假日、比如运营活动、比如突发性事件),以上模式下分析方法的设定,需要叠加消息衰减模型和相关系数,以做分析专题准召的调整。

小结

数据触达的形式已经随着业务复杂性的增加,变得相对艰难,更多的分析人员和决策者面临只知道业务表象,很难完全判断出表象原因的情况;特别是对于初级业务人员和运营者来说,对于没有完整分析框架的时候,甚至连原因都很难获取。

传统的数据触达模式是:给予通用的分析工具,进行自由的组合和可能原因的人工判断;或者根据有限的专题,进行原因的筛选,并不是一个直接触达数据的模式,需要进行较多的分析框架和决策树的搭建。而未来,我认为数据产品的同学需要真正去关注真正的影响因素,并在大数据的背景下,尽可能的穷举所有影响该业务的因素,并根据模型的搭建和准召的不断调整,给出较为可能的影响因子排序,以协助用户对于分析框架的建立和最终原因的判断。

在这里想特别说明的是,数据触达的优化并不能真正代替真正的分析人员最终的判断和决策,它更多的只是弥补初级业务人员对分析框架建立上的障碍,和高级人员在人工归因时的思维漏洞。由于创建成本比较高,它一定是基于业务团队所需,高效解决高净值问题时才会出现,而并非是一个可以完全对80%头部用户开放的事情,这可能是和很多做外部产品并因此获得商业变现不太一致情况,需要特别加以区分。

 

本文由 @大喵 原创发布于人人都是产品经理。未经许可,禁止转载。

给作者打赏,鼓励TA抓紧创作!
3人打赏
评论
欢迎留言讨论~!