这篇文章还有个简单的小故事，有天某读者 *** 姐问我“设计数据产品有什么需要注意的点”，当时只是简单闲聊，事后仔细思考了一下，而且恰好目前所在项目组，是面向电商行业的to b数据产品，就想结合自己踩过的坑，和大家探讨“设计to b数据产品”需要注意的一个坑：过度追求数据分析。

过度数据分析的表现

我们先来定义一下to b数据产品的概念，面向b端商家，通过数据字段、图表、数据分析等手段，用数据展示和分析结果来辅助用户做出决策的一类产品。

在设计to b数据产品的时候，很容易陷入一个误区，过于在意是“数据产品”，过分追求分析结果，从而导致过度运用了数据分析的手段，导致设计出来的功能不被用户接受或使用，造成了资源的浪费，常见的表现有：

分析字段脱离实际业务；

过度专业化；

大量使用数据可视化。

1. 分析字段脱离实际业务

我们在设计to b数据产品时，会想要展示更多的数据字段和定义更多的数据字段，希望尽可能地还原整个业务的数据全貌以及对业务数据做尽可能多的分析，就很容易定义“和实际业务关联性很小甚至毫无关联的字段或图表”。而这些字段和图表，对购买我们产品的商家来说没有意义，也浪费了开发资源。

例如下面这个案例：

案例：假如我们要设计一款面向潜在用户群体是汽车4s店新零售的数据产品，在设计“店铺销售情况”菜单时，在字段“销售人数”、“销售金额”、“销售件数”、“客单价”的基础上，想增加“客单件”字段，“客单件”的定义是什么？

客单件 = 销售件数 / 销售人数，即单个客户的一次购买件数，我们也可以理解成平均单笔订单中的成交件数。

从数据分析的角度，客单件可以帮助平台了解买家的平均购买件数的能力。但是结合实际场景来看，受汽车这一产品的属性影响，短时间内，买家在同一个平台购买第二辆车的概率极小。那么平台了解“客单件”字段基本上是没有意义的，该字段不具备营销分析价值，无法给店铺提供改变经营策略的可能性，对于店铺经营销售没有帮助

但是如果我们这款产品的潜在用户群是服装类的电商平台呢？

人在购买服装的时候往往会有搭配购买的心理和欲望，比如我们要去参加婚礼需要买一件西装，相应的可能就会在该平台同时选购衬衫，西裤甚至于领带等配件。在这个场景下“客单件”对于平台就具有重要意义了，可以针对“客单件”反馈出来的业务数据做一些经营策略的调整。

例如发现平台“客单件”较低，那么通过一些组合产品，比如“西装+衬衫”，“大衣+毛衫”等组合产品，进行连带销售，提升“客单件”，最终提升店铺销售数据

通过这“4s店新零售平台”和“服装类电商平台”两种场景的比较，我们发现“客单件”在不同的场景具有不同的意义，这充分说明了，设计字段时依托实际业务场景的必要性，只有设计出来的字段符合用户场景，在适合的场景里才能产生价值发挥作用，否则只会浪费团队的资源

2. 过度专业化

在设计to b产品中，出于对数据的过度迷信，很容易进入“过度专业化”的误区，希望通过复杂的图表和学术性的统计学观点来体现产品的专业度。而没有考虑用户对于“数据分析”的专业性，用户可能会无法理解一些专有的概念和学术名词。具体过度专业化的表现有：过度使用专业的数据字段、专业的图表和专业的统计学原理。

案例：我们想在“ *** 销售情况”菜单中实现排查“异常 *** ”的功能，为此我们对8个 *** 数据做了一个箱线图，通过图表我们可以了解到， *** 数据的分布情况，以及偏离正常范围的值，不难发现 *** 1的数据远远偏离了正常范围，定位出 *** 1是异常 *** 。

案例中通过设计“箱线图”来查找异常值，是一个典型“过度专业化”的表现。从案例的场景上来看，这是一款面向电商行业店铺主、运营等从业人员的数据产品，引入“箱线图“确实解决了需求，但是大多数用户对于箱线图的概念会比较陌生，增加了教育用户的成本

事实上，箱线图上展示出来的“上限值”、“下限值”以及“各分位数”，并不是该产品面向用户所关心的，用户只关心“异常值”。那么我们采用另一个方案，求出这一组数据的“平均值”，并计算出每个销售人员和平均值的偏离程度，标记偏离值大于100%的数据为异常数据，用户就能直接获取到他想要的结果了。而且这种用“与平均值的偏离程度”来衡量数据离散情况的 *** ，更容易被用户理解