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。