如何将数据分析方法产品化

　　数据产品分为三个层级：数据展示类产品、数据分析类产品、自动化产品，本文为大家分享了第二个层级的相关内容。
　　提到数据产品，大家一定不会陌生，但大多所谓的数据产品都仅限于做一些数据报表展示或者数据可视化。那么，是否可以将我们常用的数据分析方法做成产品呢？下面就以电商为例为大家分享几个数据分析类产品的设计方法。
　　一、数据看板
　　作为电商企业的数据产品，数据看板是必不可少的，因为这是业务人员每周、每月或者每个季度必看的，用于了解自身业务的发展状况。
　　对于产品经理而言，不管你其他的产品功能多么强大，数据看板也是保证用户粘性和活跃度所不可或缺的模块。
　　大多数产品的数据看板模块一般都只是罗列出一大堆数字，而对数据分析类产品而言，简单的罗列无法体现分析的价值，因此我们需要用逻辑把这些数字串起来，在串逻辑之前，我们首先需要确定要展示哪些数字，也就是先要建立指标体系。
　　对于电商行业而言，业务侧早就在用各类指标进行管理了，GMV、毛利率、用户数、pv、uv等等。假设，我们的产品包罗万象，针对每个指标都有对应的分析模块，那么，我们可以试着将这些指标串起来，形成一个真正的数据看板。
　　将指标进行拆解和整合，可以建立起一套指标分析的框架，具体可以参考我之前的文章《想成为数据产品经理，先掌握这些数据分析方法论》。
　　设置同比环比的按钮，便于用户进行切换对比，同时提供与大盘同比环比的比较，便于更直观了解自身相对大盘的增长下降。
　　每一项指标如果同比环比为正，则相应图标显示为黄色，如果为负，则显示为蓝色，具体颜色依照指标数值大小进行渐变填充。此外，在图标旁显示同比环比的实际数值。
　　每个指标的图标可直接链接到对应的分析模块，用于作进一步分析。
　　在看板下提供数据解读的功能，数据解读内涉及的指标也可直接链接跳转到相应的分析模块。
　　至于数据解读功能怎么做，一方面可以直接设置阈值，比如同比环比0，另一方面也可以默认只展示同比环比最低的两项。
　　除此以外，因为数据指标间都有乘除加减的运算关系，如：
　　GMV（自然流量营销流量）转化率（前台价优惠）产品数量
　　那么我们可以计算出当其他指标同比环比不变时，转化率下降x，核心指标GMV的下降比例y，以此类推，从而识别出对GMV的结果影响最大的几个指标，在数据解读中进行提醒展示。
　　按照以上方法，用户可以一眼看出业务当前的情况，以及核心指标的变动到底是由哪些因素引起的，那么针对于表现不好的指标，可以直接跳转到对应模块进行诊断分析，从而起到分析和建议的作用。
　　二、建构解构重构
　　1。建构
　　任何产品都有自己的产品逻辑，一个产品要包含哪几个模块，每个模块要切分为哪些子模块，这些都是在产品开发的前期需要明确的。
　　数据分析产品的每个模块都依赖于方法论的打磨，当一个一个能力积木生产出来之后，才能搭建起整个产品的大楼。
　　比如按照上述数据看板的框架，就至少需要四个分析模块，即流量、用户、价格、促销。那么在初期还需要针对每一个模块进行研究，深入浅出。其中，用户部分的方法论可以参考《如何做好用户关系管理型产品（CRM）？》
　　2。解构
　　当产品的各个模块搭建起来之后，每个模块都能解决一个方面的问题，产品也有了自己既定的逻辑。
　　但是，产品里模块的逻辑是写死的，每个用户都只能按照产品规定好的逻辑来使用。
　　然而问题在于，业务的应用场景是复杂的，比如，某个业务的同学想要解决联合拉新的问题，那么这至少涉及到各渠道拉新效率、用户结构、品类关联、促销拉新方案、凑单选品等多个子模块。
　　所以，当我们方法论的颗粒度足够细的时候，就不应再满足于现有的产品结构了，而是应该将大的模块打散，变成最小单元的子模块。
　　3。重构
　　将原有的产品投入熔炉，这只是锻造绝世武器的第一步，接下来，需要再进行重构。
　　对于业务侧而言，没有具备确切边界的解决方案，只有实际的应用场景，因此，当我们的方法论足够细致的时候，我们可以按照实际场景进行积木组合，建立一张张的场景卡片。
　　那么，我们的产品不再需要以前的结构，而是可以简化为一个搜索框，用户可以直接搜索具体的功能模块，比如促销、关联度，也可以搜索场景，如新品首发、提升客单价、站内引流等等。
　　卡片总体分两类，涉及具体功能模块的叫功能卡片，涉及应用场景的叫场景卡片，每个场景卡片中的内容是由多个功能卡片的子模块聚集而成的。
　　用户可以直接搜索关键词，跳转至包含关键词的卡片列表页。同时在搜索框下会默认展示近期搜索频率较高的搜索词，点击可跳转至相关卡片列表页。
　　搜索框下第一栏展示近期全平台高频浏览的卡片，点击卡片左侧按钮可进行订阅或取消订阅，点击最右侧翻页按钮可以查看所有卡片的详情页。
　　第二栏为用户已订阅的卡片，默认显示用户最近使用过的卡片，点击最右侧翻页按钮可查看用户已经订阅的所有卡片。
　　这样一来，用户的使用门槛会极大程度地降低，不过在进行产品设计时，需要有详细的引导说明，以免用户因不熟悉产品的新形式而懵圈。
　　除此以外，这种方式对于产品的迭代开发而言有着极大的灵活性，如果有新的方法论，可以随时以功能模块的形式添加进去，如果可以串出新的场景，也可以按照功能聚集的方法将各个子模块的功能组合到一起。
　　金庸笔下的《易筋经》功法在于变通筋骨，从而打开任督，而任督通，则八脉通，八脉通，则百脉通。
　　业务场景虽然复杂，但以功能组合的形式也可达到融会贯通，无生一，一生二，二生三，三生无穷尽。
　　三、逐层下钻
　　对于每一个功能模块的分析方法而言，最常用的思路就是逐层下钻。
　　比如，电商平台对于品类一般都是分级管理，服饰属于一级品类，而女装属于二级品类，女装羽绒服属于三级品类，对于品类管理者，他们需要针对所负责的品类逐层下钻，找到问题品类和优势品类。
　　传统产品的做法都是放一个多级复选框，如下图所示，用户可以选择整个一级品类，也可以点开选择下方的二级三级品类。
　　这种方式对于用户而言不太友好，如果用户想要看多个二级三级品类的数据，还需要来回筛选切换。
　　那么按照逐层下钻的思想，我们可以做这样的尝试：
　　用户先筛选想要查看的某一级品类数据，如用户筛选全品类，那么用户会看到各个一级品类的位置，了解各个品类的状况。
　　当用户双击任意一个一级品类的时候，如图中的服饰气泡，会自动在新标签页中打开服饰品类下的展示图，用户可以看到各个二级品类的状况。当用户继续点击，如图中的女装气泡时，又会继续弹出女装品类下的展示图。
　　以此方法，用户可以更方便地层层下钻，同时还能更自由地来回切换。
　　除了品类诊断分析的模块可以按逐层下钻的方式展现以外，用户画像分析的模块同样可以，唯一不同的是，用户画像模块涉及多个维度的交叉，用户点击下钻的时候需要再增添一个选择项，即按哪个维度展开。
　　比如，用户先选择性别，之后双击女性并按年龄展开，接着再选择1625岁并按购买力展开，以此类推。
　　结语
　　越是简单、流程化的需求，越容易产品化，而涉及分析诊断，甚至解决方案的需求，产品化难度极大。
　　总体而言，数据产品分为三个层级，数据展示类产品数据分析类产品自动化产品，本文所分享的产品类型属于第二个层级。
　　要做好数据分析类产品，首先要求有足够多的积累，能把方法论打磨透，其次，需要按照产品研发的逻辑将方法论的每一环产品化，最后，还需要兼顾到用户的使用体验，尽量降低他们的使用成本。
　　而翻越过数据分析类产品的巨石，我们会看到自动化的大山，在那座山后等待着的，将是人工智能的曙光。