这篇文章还有个简单的小故事，有天某读者小姐姐问我“设计数据产品有什么需要注意的点”，当时只是简单闲聊，事后仔细思考了一下，而且恰好目前所在项目组，是面向电商行业的to b数据产品，就想结合自己踩过的坑，和大家探讨“设计to b数据产品”需要注意的一个坑：过度追求数据分析。

过度数据分析的表现

我们先来定义一下to b数据产品的概念，面向b端商家，通过数据字段、图表、数据分析等手段，用数据展示和分析结果来辅助用户做出决策的一类产品。

在设计to b数据产品的时候，很容易陷入一个误区，过于在意是“数据产品”，过分追求分析结果，从而导致过度运用了数据分析的手段，导致设计出来的功能不被用户接受或使用，造成了资源的浪费，常见的表现有：

1. 分析字段脱离实际业务；
2. 过度专业化；
3. 大量使用数据可视化。

1. 分析字段脱离实际业务

我们在设计to b数据产品时，会想要展示更多的数据字段和定义更多的数据字段，希望尽可能地还原整个业务的数据全貌以及对业务数据做尽可能多的分析，就很容易定义“和实际业务关联性很小甚至毫无关联的字段或图表”。而这些字段和图表，对购买我们产品的商家来说没有意义，也浪费了开发资源。

例如下面这个案例：

案例：假如我们要设计一款面向潜在用户群体是汽车4s店新零售的数据产品，在设计“店铺销售情况”菜单时，在字段“销售人数”、“销售金额”、“销售件数”、“客单价”的基础上，想增加“客单件”字段，“客单件”的定义是什么？

客单件 = 销售件数 / 销售人数，即单个客户的一次购买件数，我们也可以理解成平均单笔订单中的成交件数。

从数据分析的角度，客单件可以帮助平台了解买家的平均购买件数的能力。但是结合实际场景来看，受汽车这一产品的属性影响，短时间内，买家在同一个平台购买第二辆车的概率极小。那么平台了解“客单件”字段基本上是没有意义的，该字段不具备营销分析价值，无法给店铺提供改变经营策略的可能性，对于店铺经营销售没有帮助

但是如果我们这款产品的潜在用户群是服装类的电商平台呢？

人在购买服装的时候往往会有搭配购买的心理和欲望，比如我们要去参加婚礼需要买一件西装，相应的可能就会在该平台同时选购衬衫，西裤甚至于领带等配件。在这个场景下“客单件”对于平台就具有重要意义了，可以针对“客单件”反馈出来的业务数据做一些经营策略的调整。

例如发现平台“客单件”较低，那么通过一些组合产品，比如“西装+衬衫”，“大衣+毛衫”等组合产品，进行连带销售，提升“客单件”，最终提升店铺销售数据

通过这“4s店新零售平台”和“服装类电商平台”两种场景的比较，我们发现“客单件”在不同的场景具有不同的意义，这充分说明了，设计字段时依托实际业务场景的必要性，只有设计出来的字段符合用户场景，在适合的场景里才能产生价值发挥作用，否则只会浪费团队的资源

2. 过度专业化

在设计to b产品中，出于对数据的过度迷信，很容易进入“过度专业化”的误区，希望通过复杂的图表和学术性的统计学观点来体现产品的专业度。而没有考虑用户对于“数据分析”的专业性，用户可能会无法理解一些专有的概念和学术名词。具体过度专业化的表现有：过度使用专业的数据字段、专业的图表和专业的统计学原理。

案例：我们想在“客服销售情况”菜单中实现排查“异常客服”的功能，为此我们对8个客服数据做了一个箱线图，通过图表我们可以了解到，客服数据的分布情况，以及偏离正常范围的值，不难发现客服1的数据远远偏离了正常范围，定位出客服1是异常客服。

案例中通过设计“箱线图”来查找异常值，是一个典型“过度专业化”的表现。从案例的场景上来看，这是一款面向电商行业店铺主、运营等从业人员的数据产品，引入“箱线图“确实解决了需求，但是大多数用户对于箱线图的概念会比较陌生，增加了教育用户的成本

事实上，箱线图上展示出来的“上限值”、“下限值”以及“各分位数”，并不是该产品面向用户所关心的，用户只关心“异常值”。那么我们采用另一个方案，求出这一组数据的“平均值”，并计算出每个销售人员和平均值的偏离程度，标记偏离值大于100%的数据为异常数据，用户就能直接获取到他想要的结果了。而且这种用“与平均值的偏离程度”来衡量数据离散情况的方法，更容易被用户理解

如果我们面向的用户是数据分析师，那么展示“箱线图”对他们来说是非常有必要的，他们并不只关心“异常值”一个结果，他们需要通过了解箱线图展示出来的数据，来进行个性化的数据分析，展示给他们更多的数据就是具有意义的。

从这个案例中可以了解到，在设计to b数据产品时，我们要考虑b端用户的认知和水平，过度追求专业化的数据分析方式，不考虑实际的用户情况，反而会产生降低效率和浪费资源的现象。要合理运用数据分析方式，简单的数据分析对应简单的问题，高级的数据分析针对复杂的问题

3. 过度追求数据可视化

数据可视化，是借用数据图表和一些交互来展示各种数据的属性和变量，帮助我们解决看大量数据或文字产生的厌倦感。

数据可视化也是分等级的（从1-5不断增加设计成本）：

1. 数字清单；
2. 基础的图表：例如折线图、柱形图、饼图、漏斗图等；
3. 复杂的图表：例如树形图、桑基图、热力图、词云图等；
4. 二维数据地图；
5. 三维立体数据地图。

合理的数据可视化能提升用户的效率。例如下图中神策数据demo的“搜索”中，如果不使用数据可视化，那么多个字段如果设计在一张表中会给用户大量数据的感觉并且无法取看出数据的走势，部分信息也无法透出，比如同比和环比；如果分成4张表又回造成表格过多重复，时间维度扩大到30天级别，数据会非常臃肿。

引入“可视化”后，通过4张简单的折线图，就能反馈出不同日期下不同字段的走势，更加简单直观的展示了业务情况。

但是如果在这里用了大量的“二维数据地图”或者“三维立体数据地图”，大量的颜色和复杂的交互，反而会产生反作用，对用户产生了干扰效果，降低了用户使用体验。

而“二维数据地图”和“三维立体数据地图”在数据大屏中采用的效果是合理的，例如下图中“天猫”双十一的数据大屏，并不会让人觉得不合理，因为数据大屏本身更需要展示效果。

由此可见，我们需要在合适的场景中，采用适度的数据可视化，过度追求数据可视化反而会产生负面影响

不要为了数据而数据

其实我们在设计to b的数据产品时，字段和分析方式只是一个产出手段。我们只是通过定义“数据字段”和运用“数据分析”来实现产品功能，展示产品能力和价值。to b数据产品的核心还是要从业务，从场景，从用户出发。在设计字段，引入分析手段前，可以先问下自己这类问题：

1. 这个字段是否是从实际业务出发的
2. 是否符合用户的需求
3. 什么场景下的是符合的
4. 能否被用户所接受理解，符合用户认知
5. ……

我们在设计产品时要提醒自己，数据分析只是一个手段并不是目的。只有避开“过度数据分析”，所设计的产品功能才能够满足用户的价值，用户为我们产品付费也是冲着所能提供的价值来的，帮助减少用户的成本，增加用户的收益，提升用户的效率。

本文由 @晌午 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。