研究国外业内前沿数据产品,了解当前实现数据价值的最新思路和实践。
无论哪一种数据产品,仪表盘(Dashboard)都是最核心的功能。它作为用户接触数据的第一个页面,相当于数据产品的门户,担负着提纲挈领,引导分析的重要职能,帮助用户能够快速判断业务情况,支持他们做出决策并行动。
一个原则即「提纲挈领,引导分析」,在一个页面里明确告诉用户当前业务状况好坏,并支持能够针对某个问题进行下钻分析,从而串联起整个数据平台。由此原则从而可推出以下三个细则:
这就像讲一个用户故事。经过起承转合慢慢铺垫,最终进入正题,告诉用户应该怎么去执行,怎么去优化产品和业务。
以Domo为例,它为每个职位的人单独设一个tab来显示,每一个岗位都有自己预设的Dashboard页面。
同时,它也支持用户对这些报表进行内容的增删改查,以及对整体布局进行调整。
所有设计仪表盘的第一件事情,就是明确自己的用户,然后根据不同的用户群体设计仪表盘,及确定开发的优先级。
划分场景,主要的场景有包括但不局限以下情况:实时监控场景,指定主题分析场景,移动查询场景,周日会汇报场景和大屏显示场景等。
从实时监控场景来讲,Dashboard会被分为实时和历史两种,两种略有差异。实时侧重于监控,历史侧重于了解和分析。这两种没有明显的分界,实时需要历史的信息作为对比,来判断当前的数据是否正常。而历史也需要准实时的信息来更快地了解当前的情况。这两种形态的Dashboard对于数据产品来讲都必不可少。
以下是较好的实时Dashboard设计方案,核心在于细分维度的多维监控,并确定合适的阈值点。
移动场景考虑到屏幕等硬件条件的限制,则侧重于通知和展示,不深入到分析部分。到具体产品设计上,则是通过M页或者APP等方式实现,提供最核心的数据查看和智能挖掘,不做过多的查询功能和复杂的交互。同时,基于现有大部分人通过手机进行沟通,那么页面或数据的分析也变得重要。
同样以Domo为例,它在移动端也有相应的场景划分,支持消息的移动推送和展示:
同时,这几个业务从几个侧面整体衡量了网站的用户数量及质量,既能监测网站访问用户数的情况,同时通过跳出率等指标来分析访问用户的质量,可监测爬虫或及时识别伪造用户。
对于非通用性产品,如企业内部的数据产品,这个环节的关键就落在了确定核心指标头上。结合《精益数据分析》和个人经验,有个简单的方案可供参考:
以下是《精益数据分析》中关于各种商业模式和公司阶段应该思考的问题,和采取的第一性指标,仅供参考:
(1)注意行业常识
(2)选择合适形式
(3)避免统计陷阱
(4)塑造指标易用性
至于「精准,精确反映业务情况」,精准讲的是指标要设计合理,精确讲的是一定要保证数据准确性。一个老板天天看的页面,数据出错了能发现还好,如果依赖错误的数据作出了决策,后果你能想象…
分析无非「对比,细分,溯源」,从这个角度讲,仪表盘的设计需要让用户能够在「提纲挈领」之余,也要能提供给用户分析思路。当发现数据异常时,能够沿着思路自主得到答案,或者分析方向。
没有对比就没有分析,从各种指标的对比中才能看出指标的偏离。对比可分为三大维度:
Qlik作为一个老牌的可视化厂商,它旗下的产品QlikView将对比的概念发挥的淋漓尽致,基本涉及了以上各种对比类别。
这里顺便提下对于红绿色含义的认知差别。有些国内的数据产品会以为在中国股市中,红涨绿跌,并且在中国传统文化中红色代表喜庆,所以在数据产品中红色应该也代表数据变好。其实数据可视化的原则是,高效地向用户传递数据信息。而用户天然对红色的内容会比较敏感,红色应该用来传递更重要的信息。数据下跌比数据上涨要重要得多,因此数据产品在指标的显示上,应该仍遵循红坏绿好的原则。
细分是对核心指标进行多维度的划分,分为单维度细分,多维度细分,流程细分及TonN细分等等。
TopN细分则是注重看中某个维度下占比前列的维度值的变化,来直接反映某些指标值的变化。
其实,溯源作为一个对于数据异变根本原因的追查过程,很难融合在以简洁为原则的Dashboard中,不过Amplitude通过隐藏选项并且通过和内在其他功能的融合,很好地解决了这个问题。
事实上,对比,细分和溯源不是严格区分出来的三个流程,而是互相融合在一起的。在不断地在异常的维度上进行对比和细分时,才能得到可以付诸行动的结果。
在设计仪表盘时,要反复地问自己“SoWhat”。从设定用户场景,到确定指标和优先级,再经历对比细分溯源三个分析流程,最后要做的,就提供给用户决策和行动的建议和方向。
这里有点个人的技巧:先假定几个异常的场景,然后通过设计出来的仪表盘,演练拆解场景中出现的问题。如果能够在若干个场景中都顺利走通,那就证明你整个设计能够支持用户做出决策和行动,已经马克森斯了。
再往上一层,就是能够直接给出业务建议的层次了。这个一方面需要对业务的极度熟悉,另一方面可能还需要数据挖掘和机器学习的内容。举个GoogleAnalytics的移动版为例,在这个版本的Dashboard里,已经有这种智能化的提醒了。
刚开始做Dashboard设计时,不要一上来就画原型图,而是先划分用户和场景,然后用思维脑图确认核心指标和衍生维度。再根据思维脑图画出草图,演练几遍在3.4提到的「用户故事」。在整个流程都走顺之后,再开始仪表盘的设计。
在设计细节上,不要刻意追求炫酷的效果,而是注重设计的内在逻辑和传递消息的有效性。有一些设计原则可以参考:
在功能设计上
在可视化设计上
汇总以上提到的各种类型的Dashboard,可供参考的设计框架有以下两种,均可从本文中提到的各个大厂设计的WebDashboard的样式作为佐证。
(1)总分式,先展示核心指标,再对核心指标进行拆分
在实际操作过程中,因为指标往往比较多,通常会通过加上指标筛选框或者Tab的方式来进行区分。
在实际使用过程中,模块间可以任意组合。如GA和Ptengine就是上趋势下数字搭配若干个细分维度,而Webtrends则是上数字下趋势再搭配细分维度,Mixpanel和Amplitude则干脆就是趋势+细分维度。
(2)分散式,常见于Customize类型的数据产品,形式是若干个报表集中在一个页面展示。
这是因为此类产品一般没有等级明确的金字塔结构来承接分析思路。此类形式胜在自由,但缺陷在于信息量太大,让用户一下子不知道该关系哪个指标。所以建议此类产品必须可以定制每个单图的大小,从而起到「少胜于多,分清主次」的作用。
为了追求视觉效果,在大屏展示场景下,也会经常采取这种布局方式,比如天猫的双十一大屏和一些公司内部的大电视上。
在《InformationDashboardDesign》一书中,作者给出了他眼中最完美的Dashboard设计范例,堪称简洁典范:
在实际设计过程中,以上几个方法可能会互相冲突,比如Amplitude产品中,我们说尽量减少Tab切换,可它就在页面中提供了若干个切换的入口。这时候就得在业务需求,产品简洁和信息量上做好取舍。
设计完成和产品上线后,都必须持续听取用户的意见,对指标和交互进行修正。随着企业阶段的演变,Dashboard也会处在不断变化当中。
我们先用GoogleAnalytics和Looker来举例说明这两者的差别。
GoogleAnalytics中根据分析主题划分出受众群体,流量获取,行为,转化四个子菜单,每个菜单会再按照菜单层次依次往下拆分,就像一层层金字塔一样。
另外一面,在Looker中,会采取这种分散的图表的组织方式,每个图表都可以再次编辑。整个分析页面,不再是简单的图和表的堆砌,而是变成了一个画布。用户可以在这个画布上放置他们任意想要的内容。
这两种方式各有利弊。
ReportDashboard适用于整个市场的数据利用意识处于早期阶段,分析思路匮乏,对指标的需求比较单一,只能由设计者提供一个抽象普适的分析思路,供用户日常使用。
不过,CustomizeDashboard会面临几个问题:1,对底层数据的规范要求较高;2,对使用者要求较高,这需要用户有十分明确的分析思路及定义指标的概念。为了解决这个问题,很多产品便提出了两者相融合的方式:在CustomizeDashboard的基础上,提供一些默认的报表,方便用户使用。允许用户修改,从而具备更大的自由性,适用于跨业务跨部门的情况。同时带来的问题就是分析思路不明确,可能没有重点和框架,用户在分析使用的过程中容易困惑。这种情况下,预定义的多主题的Dashboard和分析思路就显得非常重要,否则整个产品的上手难度会比较高。
在Kilometer.io的设计中,它会给用户预设几个常见的模板,同时允许用户对模板进行自定义的编辑。这是很多TOB数据产品都具备的功能,而kilometer.io比其他产品更进一步的做法时,在自主添加报表时,它同样提供了默认的指标和形式供你选择,避免了用户在自定义报表时无所适从的问题。
说起来,这有点像降维打击,后者只要有完善的底层数据和交互规范,片刻就可完成多种类型的Report的设计。这已经不是一个层次的战争。
当数据仓库基础已经完善或业务需求非常多样化的时候,就可以开始考虑这种架构了。
在数据产品之外,在管理后台产品,用户端产品,也有这种集中展示数据,帮助用户快速了解情况的场景,大多数集中在运动类产品,理财类产品和工具型产品上。类型虽然不同,理念大同小异。大家可以借此验证文中理念,拓宽思路。