编辑导语：在数据可视化产品中，场景也是一个重要的考虑因素。那么，如何做好数据可视化场景设计？本篇文章里，作者对数据可视化产品的场景做了探讨，结合数据和案例，阐述了可视化场景设计的思考维度，一起来看一下。

许久没有更新了，今天接着梁宁系列课程的思考，这节课梁宁讲的是“场景”的内容，在文章开头我们还是先学习一下这节课的名词解释：

“场”是时间和空间的概念，一个场就是时间加空间。“景”就是情景和互动。当用户停留在这个空间的时间里，要有情景和互动让用户的情绪触发，这就是场景。

只有能触发用户情绪的场景才是真正的流量入口。

如果从C端的产品来看，会联想到许多生活中耳熟能详的场景，比如深夜肚子饿了可能会打开美团点外卖，地铁上班时可能会打开喜马拉雅听有声书……

那B端产品就不需要考虑场景吗？虽然之前我们说过B端产品讲求效率，但还未针对场景好好分析一番。恰好近期在做数据可视化产品时，又有了一些心得体会，今天我们就来聊聊数据可视化产品的场景（关于数据可视化的基础内容可以看一下我之前的文章《数据可视化如何实现？》）。

一、基于数据场景的设计

时效性，是数据产品的重要指标之一。在可视化产品中主要有两大类数据时效。

一类是T+1周期的离线数据，即在今日最晚只能查询到截至昨日的数据，一般是通过调度机制每天凌晨或上班时间前将截至昨日的数据跑好，然后再抽取已经跑好的离线数据进行可视化展示。

另一类是实时数据，即通过定时（如分钟级）刷新数据，用户可以能够看到实时或准实时的数据。

所以基于上述两类数据属性，在做可视化产品时就会出现两种不同类型的看板：离线数据看板、实时数据看板。

抛开数据的时效性，单纯制作数据看板，会有一套标准的方法论。不管制作“实时”还是“离线”看板都可以去按照这种方式（如下图，后面将通过完整的一篇说明）：

可是考虑到场景，单从指标选择上就会有很大的不同。

以某社区团购公司营销域分析的看板制作流程为例，我们在与业务方沟通时，除了基于营销活动的“销售额”、“下单用户数”、“客单价”、“促销金额”等指标外，业务方还希望有“待配送”等相关的指标，目的是如果活动火爆，积压的单量过多可以及时的减量/停止活动，从而减少店仓配送的压力。

在制作实时看板时，一开始我用了“履约超时率”（=待配送单量/仓端订单量，不同企业的口径可能不一样）这个指标，再跟业务方沟通后他们也表示了赞同。

可是回头我又在想：只有数值因变动而变化快的指标放在实时看板中才有价值，而“履约超时率”作为一个比率指标，在实时看板中可能变化的很缓慢，但带来的结果可能已经很严重了。

假设履约准时率从 50000/1000000 到 60000/1010000，虽然在比率上只有5%到5.9%的变化，可是已经相差了10000单。对于业务方来说10000的变化远比0.9%的变化更具有震撼性，而且微弱的变化可能已经滞后了严重后果的反馈。

所以，后来我还是把“履约超时率”换成了“待配送单量”。

写到这里就不难看出，在制作实时看板时，选择“数值”指标会比“比率”指标更有价值。

如果我们不做实时看板呢？

那么“待配送单量”在T+1周期的数据中就没有这么大的意义了，并且考虑到指标的关联性，我们也会把“待配送单量”放入到履约/店仓配的业务板块下，而不会把不同业务域下的指标杂糅在一起。我们在引出第二条规则，在制作离线看板时，指标的业务关联性要更强。

二、基于可视化场景的设计

这一章节我们讲的是“可视化”的场景设计。

在公司内业务方向分析师提出的数据需求，主要以两大类呈现：一类是临时性查看的取数需求，一般分析师会提供一张包含明细数据的CSV文件。另一类是需要长期观察、分析的需求，一般分析师、数仓等同学配合完成可视化看板。

而业务在查看数据看板的场景主要分为两个过程，一个是查找（一般业务会有很多张数据看板），一个是分析（发现异常指标后，找到问题点）。

我们今天抛开基于可视化系统级设计的查找过程（后面文章详细说明），单说说分析的过程。

假设我们通过业务访谈确认了数据看板需要哪些指标和维度，如果遇到一个指标出现异常（增加/减少），数据产品们就需要思考通过怎样的设计才能让业务同学定位到原因。

定位问题的基本分析方法主要有趋势分析、对比分析、交叉分析、下钻分析等。

趋势分析主要采取时序图，横轴为时间维度纵轴为指标的折线图。而做交叉分析时，需要将不同的指标/维度同时展示，如支持单维度、双指标分析的双轴图，或者支持更多指标关系分布的气泡图……写到这里，我们可以了解到不同的分析场景有不同的图表选型。

但数据可视化的产品设计远远不止这些，更多的是基于基础图表的功能补强。

比如我们需要给业务方设计了一张有近20个指标、超过40个维度枚举值的营销域数据看板，如果平铺展开，那我们需要几十张图表，这时候我们就得思考如何精简布局？

（因为每个业务方都有多张数据看板，且每个数据看板都有多张图表，我们需要考虑到他们的查找、观看等状态下的体验。）

我们分两条线路思考，如果我们需要在同一个维度对多个指标进行交叉分析时，就要创建多个维度相同、指标不同的图表。

那我们按照数学的角度思考，合并同类项维度，将指标作为变量是不是就可以解决痛点了呢？

在可视化看板中，变量就代表着参数，可以用筛选器去替代，所以我们可以改造图表增加一个指标筛选的功能，形如下图效果：

接着另一条线路，如果在上述改造图表的基础之上需要对不同的维度进行分析呢？你是不是想到了和上面同样的方法，做一个维度的筛选器？

讲道理这样也没有毛病，可是就忽视了一个可视化的另外一个场景，规范统一业务的分析方式（思路）。

这里我引一位产品前辈说过的一句话“数据产品的最终目标是沉淀数据资产”，他没有详细解释这句话，而我通过对过往经历的思考，发现大部分公司的数据产品只专注于沉淀数据、工具这些有形的资产，而忽视分析思维等这种无形资产的沉淀。

自由有时候也代表着盲目。如果我们将维度放在筛选器里任意选择，只会让业务同学在使用上杂乱无章。

所以这时候我们需要拉上数仓、业务同学，将相关的维度创建层级关系（注：指标没有层级关系，是一种数学关系）。

以电商场景为例，我们可以把“大区、省份、城市、门店”创建为区域层级，把“商行、课组、大类、种类、小类、商品”创建为商品层级……

当然，我想提到“层级”大家已经想到了下钻功能了，所以这时候我们就可以把图表改造为如下效果：

关于数据可视化的场景设计，今天就说到这里。如果你有其他的观点或场景欢迎在下方留言讨论，关于其他数据产品的内容，有机会我会在未来陆续整理出来。

#专栏作家#

兮兮，微信公众号：孤身旅人（ID：gushenlvren），人人都是产品经理专栏作家。关注人工智能、toB产品、大文娱等领域。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议