在日常业务中，运营人员可以结合数据来辅助各方面的运营动作，而这个过程中，数据产品的应用是不可忽视的。那么，你了解数据产品的设计理念吗？本篇文章里，作者结合案例，从用户视角阐述了电商数据产品的设计理念，一起来看一下。

随着2022年双 11 临近，小明是杭州某天猫旗舰店的运营负责人，自本科院校毕业后加入该行业以来一直就职于该店铺。

为了使得店铺今年双11的营收增长以及自己的收入增加（收入占店铺销售额提点），他需要制定店铺在今年双 11 的一个运营方案方向，小明想到了通过数据对比的方式，尝试通过历史大促的表现来总结大促的变化和规律，从而得出运营方向，为此小明希望获得如下几组数据来进行对比分析：

近 3 年（即 19-21 年双 11 期间）的店铺访客数、下单买家数、支付买家数、支付转化率、客单价。

最终小明借助工具-电商流量分析产品 A，拿到了上述数据并得出如下表格：

表格：近3年双11店铺数据

分析数据小明发现近 3 年双 11 大促存在几个现象。

现象1：店铺流量逐年降低

从19-21年双11的店铺访客数从6134下降到5941，再降低到5745，每年较前一年呈现 3% 的下降趋势。小明结合抖音等产品的火速发展，猜测是淘系整体的一个流量占比在电商市场受到了外部产品的蚕食，导致了淘系整体流量变少，各店铺的流量也随之减少。

现象2：转化率基本稳定

近 3 年的转化率分别是 20.0033%、20.0135%，20.6963%，整体都在 20%，有一点点细微的提升。说明店铺的消费者人群的转化率还是比较稳定的，没有因为流量减少，出现下滑。

现象3：客单价较大提升

客单价这3年呈稳定的上升趋势，从323.93上升到388.96再上升到了407.57，通过销售额=客单价X支付买家数的公式，推导出近3年的销售数据分别为397462.11，462473.44，468297.93，并得到销售额呈上升的趋势分别增长率为16.36%和1.47%。

由此可推测客单价的提升从使店铺销售数据没有因为流量下滑而大幅度下降，甚至在 20 年对 19 年还有较大程度的提升。

结合3个现象，小明得出猜想，今年也就是22年店铺的流量还会存在一定程度的下降，在转化率得以维持的情况下，可以继续在客单价方向上发力，通过策略提升消费者的客单价，保证店铺销售数据不会出现大规模的下降。

但从客单价每年都有较大的增长情况下，21 比 20 年的销售额提升比例远远小于 19 比 20 的提升，说明客单价对于稳定店铺销售数据的意义可能在减弱，但因为数据只有 1 年的变化不具备代表性，所以在选择继续提升客单价的同时，可以考虑寻找新的策略来实现店铺的销售数据的增长。

以上，就是电商行业中比较常见的一个场景，从业人员小明通过数据产品A提供的历史数据所表现出来的数值、趋势和变化，总结复盘出历史工作的现象，并通过现象得出对未来的猜想，并以猜想作为依据制定指导未来的工作方案。

由此可见数据产品在行业中已经成为举足轻重的存在，帮助用户在工作场景下分析和决策。既然数据产品如此重要，今天想和大家讨论下其设计理念，具体表现为是从用户视角来讨论下电商数据产品的一些设计理念。

一、分析电商数据产品的用户

既然要从用户视角来分析，首先我们先需要了解下电商数据产品背后的用户。

这个用户是什么呢？用户就是我们电商数据产品所服务的一个人群，这个人群是多样且复杂的，不同的电商数据产品服务了不同的人群。

像电商流量数据产品，服务的是需要以流量数据来作为指导工作的人群，文章开头的运营小明就是一个电商流量数据产品的服务对象，用流量数据来服务于自己的工作，为工作方向提供依据。

而电商客服数据产品，服务的就是需要以客服数据来作为指导工作的人群，可能是一个客服主管，用客服数据来核算客服团队的绩效工资。

虽然不同的人群会存在差异性，但是也会具有一些共性，足够多的共性使得他们又组成了一个具有新特征的人群，也就是今天我们要讨论电商数据产品设计理念的基础，在讨论设计理念前，就先需要找出这个人群的共性特征。

共性1：数据准确性要求高

在这个人群的工作场景中，是需要通过数据来制定经营方向或开展工作的。

• 典型的有数据分析，以分析数据来作为经营方向的指导，例如通过数据来复盘历史活动总结经验和教训；
• 数据依据，以数据作为日常工作的依据，例如绩效考核和工资核算需要用数据来计算；
• 以数据作为未来目标，猜想未来，例如通过数据趋势猜想未来变化，和制定目标。

数据是该人群工作场景中的基础。以一份错误的数据作为依据，会导致产生错误的判断，最终影响到了该人群的切身利益，包括营收、利润和工资等，甚至造成严重的亏损出现。这就造成了这个人群对数据是非常敏感的，并且对数据准确性的要求很高，甚至对于数据错误是零容忍的。

像文章开头案例中的小明，双 11 店铺的业绩直接关系到他的提点收入，如果历史数据出错，就会导致对今年双 11 方向产生了误判 ，选择了错误的方案，导致店铺销售额数据减少，最终小明的提成收入减少。那么小明势必对该产品失去了信心，产生了流失。

类似的案例还有很多，甚至会导致投诉索赔发生，例如老板通过成本数据工具计算利润，数据错误会导致成本计算错误等等。

共性2：数据获取成本低

这个人群的工作场景中面对的业务是在线上发生的，并且通常日常工作流中会使用到很多线上工具，因此该人群想要获取的数据成本低。

这里我们可以从两个方面来看“成本低”这个概念，一是该人群面对的业务都几乎是在线上发生的，以消费者的行为数据为主 ，是消费者的浏览、加购、收藏和退款等行为。目前电商行业发展较为完善，有很多手段和方式记录这些数据，像是订单系统、会员系统等。使得消费者的行为数据有依据可循。

二是电商从业人群自身的工作行为也会依托各种工具，像是运营报名活动的使用到的报名工具，客服团队接待消费者时使用到的接待工具等等，这些行为数据都被各种工作工具记录下来。使从业人员自身的工作行为数据也可以被追溯到。

综合这两个方面，该人群所需要的数据在获取上是会相对容易的，不管是想要对外的消费者数据，还是对内的内部工作数据都有记录下来，而为什么说是相对呢，主要是针对线下场景来说的。

文章开头小明的案例中，消费者在访问天猫旗舰店都会留下访问记录，想要统计访客数只需要按一定的统计规则将需要统计时间段内的访问明细汇总处理就可以得到店铺的访客数据。

但假如这个店铺是一个线下的实体店铺，访客量就是该店铺的人流量，而当发生在线下场景时，消费者进店的行为想要记录下来的成本就会大很多，例如想要统计店铺一个时间段的人流量，可能就需要通过一些智能识别工具，来识别进店的人数，这样的成本就会高很多，是一种比较难获取到的数据。

共性3：数据时效性要求低

这部分人群有一个比较典型的特征是，在其工作场景中，并不是一线的执行人员，或者其虽然是个执行人员但有一定的决策权。

这个决策指通过运用数据来实现其工作需要，属于重要但并不紧急的工作。像是非常常见的制定计划，就是运用数据，完成分析后得出的。考核方案，也是通过数据来实现管理的效果。

例如小明做今年双11的计划，双11年只有1次时间也是基本固定的，理论上只需要在小明做计划的截止时间前准备好这部分数据，就足够小明进行分析了。

小明在这里的工作是有较大时间宽裕的，属于并不紧急的工作。通常情况下今日能更新出昨日的数据已经可以满足该人群对于数据使用的绝大部分需要。

反之像交易/投资这类软件中，这类软件服务的人群的使用场景中用户行为是需要即时反馈的，属于紧急的行为范畴。

电商场景里的一些工作也属于需要即时反馈的，例如给用户处理修改价格等，需要在较短的时间内完成。一旦滞后了，就会错失这一次机会了。

共性4：存在数据分析能力不强的现象

近年来电商行业整体发展飞速，各大高校纷纷展开电商专业人才输送，整个行业的从业者素质教育水平越来越高。

但不可避免的是，历史存量人才以及电商专业不涉及专业数据分析，行业内部分从业者对于数据的分析能力并不是很强，存在良莠不齐的情况。而数据分析能力不强意味着这个人群在数据分析上对于过于专业的数据结论接受能力较差。

了解这 4 个人群对于数据分析看法的共性后，我们可以以此作为一个人群的特征，即该人群在业务上对数据的一个看法或共识。掌握后，我们可以此来讨论电商数据产品的设计理念了。

二、数据产品设计理念

在讨论完这个人群的特征后，我们就可以依据这些特性，总结出一些设计理念。

理念1：数据准确是第一要义

通常在b端产品中，最为人熟知的一条设计准则就是“降本增效”，很多功能都是围绕这个展开的。

b 端数据产品也不例外，我们的用户使用 b 端产品也是为了降低成本，增加效益。

但在之前，有一个前提，就是数据需要精准，因为 b 端数据产品和其他 b 端产品不一样，它的降本增效是通过提供数据、数据加工、数据分析结果等来实现的，数据能否准确决定了它是否有可能帮助想要服务人群实现“降本增效”，一起通过简单的两个工具来对比下。

1. 工具 1：客服订单备注工具，提供了客服在订单上备注的能力，客服在接待消费者时可以借助该工具快速备注消费者要求，从而降低了记录的成本（相比于纸张/电脑上记录）。
2. 工具 2：客服绩效计算工具，提供了客服数据，用户选择关键字段后按预设的计算公式计算出客服工资。

工具 1 是提供了产品功能来实现用户的成本降低；而工具 2 这个数据产品，虽然也提供了功能帮助用户降低成本减少了运算的过程，但假如功能前的数据是错误的，那么功能再完美也是没有意义的。

由此可见数据准确性是数据产品的核心，以上就是人群“数据准确性要求高”这个特征要求我们的数据产品数据是准确的。

而另一方面“数据获取成本低”的特征，又为我们的准确性提供了基础，完善的底层基础建设保证了电商行业的原始数据被完整准确和低成本的保留了下来，我们在此的基础上加工数据是有保障的。

具体如何设计数据准确性上，我们可以从两个方面入手，一是我们对于数据字段的理解不能产生偏差，b 端数据产品经理并不身处于该产品服务人群的场景之下，对部分字段的理解会出现一些想当然的偏差。

举一个简单的案例，聊天量的理解，日常微信聊天中，今天有 5 个人和我进行了聊天，包括发消息给我的和我主动发消息过去的，那么今天我在微信上的聊天量就是 5，这是一种常见对于聊天量的理解。

我们如果把这个理解概念复制到客服呼叫场景下，像是中国移动的客服，一天有 100 个人给他发了消息，那么他的聊天量就是 100，这就是一个错误的理解了

中国移动客服和手机机主的沟通场景一方面不像微信的熟人聊天一样，可以直接触达对方，机主是需要进行分配到具体的客服后才可开始和人工客服的聊天。

另一方面客服也不能像在微信一样上午看到消息下午再回复，如果超过了一定的时间聊天就会被关闭了，客服就不能再回答机主的问题。

在这两个特征下，中国移动客服的聊天量应该是由一个又一个会话组成，机主分配到具体人工客服后，标志着一个会话的开始，而一个客服和一个机主在一定时间内不发生聊天信息导致聊天关闭，就标志着一个会话结束。同一个机主一天内可能和客服产生了多个会话。

二是在产品设计中，要使得数据的加工逻辑性正确，只从明细数据加工成统计数据的过程，实质上是一个数学计算上的过程，但实际仅从数学上计算，得出来的数据并不一定是正确的。

一是由于数字本身不考虑现实意义导致的，像是常见的算平均数时把人算成了 x.几个人，比如 3.3 人，而现实意义上人是一个完整的单位个体，没有 0.3 个人这样的说法。

二是由于数字本身具有迷惑性，会受到计算方式导致的失真，像是平均数会因为极大或极小值导致平均数高于或低于真实的情况。我们在对数据进行加工时，就要充分考虑数字在现实场景下的含义，并根据真实情况，选择合适的一个计算方式，这样加工得出来的数据才会具有指导意义。

还是一起来看个例子来加深理解考虑现实意义后的统计数值才是有价值的，我们需要通过原始数据 100 条订单明细来统计当日购买人数，首先不考虑数字的现实意义，1 个订单明细代表了由 1个消费者下了一个订单，以此作为计算逻辑，我们算出了当日购买人数是 100 人。

当我们考虑数字的现实意义，我们都知道一个消费者会存在购买多笔的情况，从而导致 1 个消费者会下多个订单的现象，按照这个计算逻辑，分析 100 个订单明细发现，实际是有 23 个消费者重复了，最终计算出当日购买人数是 77 人。

在这里如果我们不去考虑这个现实意义，就会导致得出错误的购买人数结论，而得出的 77 人可以帮助我们了解目前存在 1 个消费者购买多笔的情况，可以更好地帮助我们做一些单个消费者下多笔订单的活动和功能。

理念2：提供历史数据

该人群需要一个今日之前某个周期内的数据来指导工作，我们就需要提供的是一个历史数据。

可以看这个数据的一个定义是“历史”，历史说明这份数据在时间维度上是一个发生在当日以前时间段的一个数据。需要历史数据，是由于该人群的特征 3 推导出来的，该人群的工作场景是一个重要但不紧急的非即时操作场景，不需要时效性高的数据，提供一个实时变化的数据对该人群来说没有意义。

例如小明所在公司每月 10 日发工资，那么假设在11月10日需要发放工资了，原则上只需要在 11 月 10 日前根据 10-1 到 10-31 这个周期的数据，为小明核算 10 月份小明负责店铺销售额所带来的提点业绩就行，这里的 10-1 到 10-31 周期的数据就是一个历史数据。

再来看历史数据，这份数据的周期是已经发生的，那么其数据是一个稳定的数据，一般不会再发生变化了。发生变化只会在一些特殊的场景，例如行政上命令的变更，法律上对判决的修正。这种是对历史数据的一个修正或废弃，是一种比较少见的场景。

历史数据作为一个稳定的数据，也满足了该人群需要通过历史数据来指导工作的需要，一个不稳定的数据会导致作出的结论无法被作为依据。

理念3：提供简单易懂的数据

该人群存在数据分析能力不强的现象，这就要求我们在提供数据字段、数据分析工具和功能时，要提供考虑人群的接受度，提供较为基础的字段和基本分析工具为主。

简单就意味着公式步骤少，图表组成元素少。像是简单的加减乘除就是一个步骤少的计算公式，折线图就是一个组成元素少的图表。这些就属于简单易懂的数据，步骤少和元素少，更容易被人理解和阅读，反过来的，元素多的就是一个图表会导致用户理解成本上升，不容易理解。

在实现相同效果的前提下，选择更容易被该人群所理解所接受的方式，减少增加该人群对字段和功能的理解成本，过于专业的数据分析功能，一旦无法被该人群理解，最终反而会得出错误的结论，甚至造成了负面效果。

三、总结

本文我们根据电商数据产品服务用户中对数据看法的共性，归类了一个人群，并以这个人群的 4 大特征，总结了 3 个设计理念，分别是数据准确是第一要义；提供稳定的历史数据；和提供简单易懂的数据。