近些年，随着Growth Hack、精益化运营、数据化运营等概念渐入人心，数据产品这个名字被提及的次数越来越多。但究竟什么是数据产品？数据产品如何来解决商业问题？如何现在最火的商业概念如Growth hacking 等落地的？如何设计一个能够满足用户需求的数据产品？本文将和大家一起分享这些问题。

一、什么是数据产品？

简单来讲，就是以数据为主要自动化产出的产品形态。这里强调自动化产出概念，是为了区分像 Gartner 之类的数据研究咨询公司，跟类似GrowingIO 这种实时互联网分析产品相比。显然，他们的报告也可以理解为以数据为主要产出的产品，但并不具备自动化产出的特性。

明确了概念后，我们就可以对它拆分细化。从用户群体来区分，可以分为三类：

1. 企业内部使用的数据产品，如自建BI和推荐系统；
2. 针对所有企业推出的商业型数据产品，如 Google Analytics 和 GrowingIO；
3. 用户均可使用的 Google Trends 和阿里指数等等。

在以上举的例子里，推荐系统可能会让人有些费解。其实，同用户画像，搜索排序类似的算法一样，它们本质上是根据用户数据和相应的数据模型，建立的一套评分标签体制。因此，在很多企业的划分里，也是属于数据产品的范畴。但个人经验所限，本文暂不涉及此类产品。

二、为什么需要数据产品?

来自硅谷的新一代数据分析产品GrowingIO 创始人张溪梦非常推崇德鲁克的一句话：If you can’t measure it, you can’t improve it（如果你无法衡量，你就无法增长）. 这与 Growth Hack 核心理念—数据驱动增长，不谋而合。

增长让企业经营者的念念不忘，而实践的曲线，就潜藏在数据产品中。

举例，在Facebook中，直接汇报给 Mark Zuckerberg 的 Growth Team 就专门下辖了 Data & Analysis 和 Infrastructure 两个数据团队做数据的采集计算和展示。他们会对 Facebook 所有的数据进行监控，以及根据效果持续优化。

Facebook对 Data Driven 重视到了什么程度？一个VP带领的30人团队做了一年的主页改版，在三个月内灰度上线过程中因数据表现不佳，直接回滚。对比之下，国内的人人网照抄那一次改版后，沿袭至今。可以这么说，Facebook 高速稳定的增长背后，数据产品功不可没。

下图是Facebook的增长团队结构，图片来自于前Facebook工程师、峰瑞资本技术合伙人覃超。

图1：Facebook增长团队结构

三、如何设计数据产品?

对于产品设计来讲，一些固定的步骤必不可少。厘清这些内容后，大到系统级的产品规划，小到功能级的产品设计，概念上都会清晰很多，我们将它抽象成了五个步骤：

1. 面向什么用户和场景
2. 解决什么问题/带来什么价值
3. 问题的分析思路是什么
4. 需要用到什么样的指标
5. 这些指标该怎么组合展现

1. 面向什么用户和场景

任何产品设计均需要明确面向的用户和场景，因为不同用户在不同场景下打开你产品的姿势也大不相同。

不同用户有不同的价值。这个方法主要面向第一类即企业内部产品。这里并不主张职位歧视，只是从数据能产生的价值来看，高层的一个正确的决断可以节省下面无数的成本。

不同层级用户关心的粒度不一样，永远要提供下一个颗粒度的分析以及可细化到最细粒度的入口。数据分析本质上就是不断细分和追查变化。

不同类型的用户使用数据的场景不一样，要围绕这些场景做设计。如 Sales 类型的客户，他们更多的场景是在见客户的路上快速看一眼数据，那么移动化和自动化就很关键。在设计的时候，原则就是通过手机界面展现关键指标，不涉及详细分析功能。而且在某些指标异动时能及时通过手机通知。而办公室的数据分析师，则必须提供PC界面更多细化分析对比的功能。

要了解自己的用户，必须和他们保持长期有效的沟通。如 GrowingIO 的PM，每周都会有和销售和客户沟通的习惯，而且每位PM入职后，必须兼职一段时间的客服。只有这样，PM才能更好的了解用户以及他们的使用场景，设计出更好用的产品。

2. 解决什么问题/带来什么价值

这本质上是要明确产品满足了用户的什么需求。但凡需求，均有价值和优先级。

首先判断核心需求是什么，可用 Demand/Want/Need 方法分析。用户来找你要可乐 (Demand)，如果你没有可乐就无法满足用户。但其实他只是要解渴 (Want)，需要的只是一杯喝的东西就够了 (Need)。

其次判断需求的价值，可用 PST方法分析。P：x轴，用户的痛苦有多大；Y轴，有多少用户有这种痛苦；z轴：用户愿意为这付出多少多少成本。相乘得出的结果才是这个需求的价值。

以一个利用GrowingIO的新功能做出来的漏斗图为例。

客户最开始说的是我们要个漏斗分析 (Demand) 的功能，但核心需求 (Want) 是改善用户使用产品过程中的流失问题。那么不同来源不同层次的用户，在不同的使用时间，在不同的环节都需要进行监控和优化，最终设计出来的就是这个可以根据不同纬度不同环节进行对比分析的GrowingIO漏斗 (Need) 。

图2：通过【漏斗分析】拆解转化率

3. 问题分析思路是什么

以上两点其实都还是普通产品经理的范畴，到了这一部分才真正开始数据产品经理的专业课。明确了问题后，应该通过什么样的思路进行分析？需要明确以下原则：

数据产品经理一定要有数据分析技能，才能更好创造更大的数据价值数据产品设计理念，应从总览到细分，并且不断对比总览应提纲挈领，简明扼要，让用户先了解当前发生了什么事情和问题的大概方向。不要让用户一进来就扎进无尽的细节中细分应该提供足够丰富的维度便于分析。每次细分必须带着指标下去，所有分析的结果必须可以落实到动作执行，并与业务紧密相关数据本身没有意义，数据的对比才有意义。数据产品的核心就是把这种对比凸显出来。

这个环节是数据产品经理最核心的区别其他产品经理的部分，同时也要求甚高。既需要丰富的产品设计经验，也需要深刻的业务理解能力和数据分析能力。

4.  确认数据是否准确完备

分析思路需要相应的数据支撑，数据展示类的产品自不用说，即使是用户画像的算法类产品，也必须有足够的准确数据做支撑。在确认的过程要注意以下两点:

数据的完备性提前明确所有需要的数据是否已经准备完全。数据就像水面上的冰山，展示出来的只是很小的一部分，它的采集，清洗和聚合才是水面下 98% 的部分。所以如果需要的数据没有采集或没有经过清洗的话，会让整个工期增加了极大的不稳定因素。

数据的准确性在埋点采集的时代里，这绝对是个遇神坑神的大坑。很多时候临到使用，才发现这个埋点的方式一直都是错误的。或者发现这个指标计算的方法没有把某种因素排除掉。这种情况在企业内部类产品比较常见。因为部门众多口径繁杂，一不小心掉进去了，就别想爬出来了。

所以，一个优秀的产品经理想要跟Facebook 一样做到Data Driven ，必须首先做到数据的完备和准确，埋点是必须要解决的痛点。国内很多公司开始使用来自硅谷的新一代数据分析产品GrowingIO
，它们采取的无埋点采集数据的方案，便可以解决在数据准备上遇到的很多问题。数据所见即所得，完备性准确性迎刃而解。

5. 选择什么样的产品形态

以上四步最终确定完成之后，就可以选择相应的产品形态了。常见的数据产品形态有：着重于数据呈现的有邮件报表类，可视化报表类，预警预测类，决策分析类等；着重于算法类的用户标签，匹配规则等等。篇幅所限，这里挑可视化报表类跟大家分享下：

（1）指标的设计

首先需要明确什么类型的产品适用什么样的指标，如电商最核心的是订单转化率，订单数，订单金额等，对于社交网站来讲则是日活跃用户数，互动数等。

逐层拆分，不重不漏。即MECE 原则 (Mutuallyexclusive,collectively exhaustive)。如将订单金额拆成订单数单均价，订单数也可以往下细分出用户数人均订单数，不同的用户还会拥有不同的人均订单数，一层层往下分拆确保指标能明确表达含义，为上层的分析思路提供依据明确指标定义，统计口径和维度

（2）指标的呈现

指标的呈现说白了，就是数据可视化。这对数据产品经理来说极为重要。它并不只是UI设计师的工作，因为它涉及到别人怎么去理解你的产品和使用你的数据。一方面需要阅读相关专业的书籍，另一方面，是要去观察足够多的产品，看他们是如何实现的。这里有一些通用的规则可以和大家分享：

同时着重展示指标不超过7个，5个比较合适在设计指标的展现时，要明确指标之间的主次关系几种图表形式的使用建议：趋势用曲线图，占比趋势用堆积图，完成率用柱状图，完成率对比用条形图，多个指标交叉作用散点图。为合适的指标选择合适的形式很重要。

下图展示了不同类型的图表表达数据和信息的要点：

图3：不同图表表达数据和信息的要点

四、结语

数据产品学问太深，我们也只是窥得冰山一角。一个优秀的数据产品经理必须要具备各种技能， 要了解自己的用户，要和他们保持长期有效的沟通；明晰用户的核心需求，而非停留在表面；而最重要的是一定要掌握数据分析技能、会用数据分析工具，时刻有Data Driven 的意识。

作者：陈新涛，GrowingIO 产品经理

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。