从0到1到100，经营诊断型数据产品人的思维模型
导读 大家好，我是来自京东零售的数据产品经理，具有多年零售行业经营诊断型数据产品经验。经营诊断型数据产品是更贴近业务操盘分析的一类数据产品。本次分享题目为经营诊断型数据产品人的思维模型。
本次分享主要介绍：
-
经营诊断型数据产品长什么样
-
构建经营诊断型数据产品的思维模型
-
从0到1到100的一些挑战
-
经营诊断型数据产品人的进阶迭代
分享嘉宾｜陈晓波 京东 资深产品架构师
编辑整理｜陈洋
出品社区｜DataFun
01/经营诊断型数据产品长什么样
1. 经营诊断型数据应用的价值落地链路
如上图所示，总体描述了经营诊断型数据产品通过怎样的价值落地链路能够帮助用户解决哪些问题。
- 从纵向看，可以分为两大阶段：提升效率阶段和效果达成阶段。
在效率提升阶段，一方面帮助用户快速看全经营数据，另一方面通过对全面经营数据的多维统计分析，帮助用户快速看清整个经营现状。
在效果达成阶段，主要是通过监控经营异常，定位经营问题，提供适当的改进策略，执行后让经营更健康，这其实是一个帮助业务增值的过程。
- 从横向看，可以分为两大方向：左边是"人工决策为辅，机器决策为主"，右边是"机器决策为辅，人工决策为主"。
**在"人工决策为辅，机器决策为主"侧，**比较具有代表性的产品是策略型产品，这种产品会运用很多规则和算法，涉及到业务领域有搜索、推荐、广告等。
在"机器决策为辅，人工决策为主"侧，不同的视角会有不同的价值应用方向，比如：
按管理层次视角的价值应用方向：战略决策、执行决策等；
按业务域视角的价值应用方向：运营决策、营销决策等；
按业务场景视角的价值应用方向：大促决策、新品发布决策等。
2. 零售场景下经营诊断型数据产品的架构形态
以京东零售场景举例说明经营诊断型数据产品架构形态，对于经营分析，不同的行业、不同的企业的做法都不尽相同，那么经营诊断型数据产品的用户群体、分析方法等都会有很多差异。
- 底层的数据资产层
**在底层的数据资产层，将沉淀的数据按业务划分数据主题，**如流量主题、交易主题、财务主题、用户主题、营销主题、商品主题、供应链主题、服务主题等。
在此基础上，会做数据资产的治理工作 ，主要包括数据标准管理、数据质量管理、数据安全管理、元数据管理、数据目录管理等。其中搭建数据指标体系也属于数据资产治理的工作范围。
- 上层的数据应用层
在上层的数据应用层，从横向看分为消费者资产运营、全链路经营分析，从纵向看分为用户视角、业务场景、能力全景。
① 对于消费者资产运营产品，服务的用户比较广泛，如销售人员、市场人员、商家等。
② 对于消费者资产运营产品，主要围绕"人货场"三大业务场景，通过数据产品把消费者资产管理好，使消费者在整个生命周期内的运营是可控的。
③ 对于消费者资产运营产品，其能力涵盖了具体的全域消费者洞察、全域人群管理、全域效果评估、全域消费者资产沉淀等，构建了完善的用户增长能力体系。
④ 对于全链路经营分析产品，服务的用户包括内部的管理者、采销人员、营销人员等，还包括外部的商家、供应商等。区分这些用户，是因为这些用户的工作内容各不相同，他们的关注点也不一样，那么他们做决策的范围及所需数据范围也是有差异的。
⑤ 对于全链路经营分析产品，主要通过构建企业的全链路业务场景，然后根据不同的用户角色组合这些业务场景，从而帮助这些角色更好完成相应的工作。
⑥ 对于全链路经营分析产品，其能力涵盖了具体的流量路径分析、订单交易转化、销售利润分析、成本结构分析等，构建了全面的企业经营分析能力体系。
--
02/构建经营诊断型数据产品的思维模型
构建经营诊断型数据产品的过程中，思维模型有两大部分：内部看自身、外部看环境。
- 业务认知
经营诊断型数据产品，是与业务相生相长的，只有充分认知业务，才能构建有价值的这种产品。
① 根据业务发展的不同阶段，认清业务的预期成长目标，构建相应的北极星指标。
举例：某种零售业务，当前处于从0到1阶段，用金额类指标（如业务收入等）考核不太合适，而用增速类指标（如用户群体环比增速等）考核则比较合理。当该业务发展到成熟阶段，则此时可用金额类指标（如 GMV 等）进行考核。
② 熟悉业务流程，拆解核心流程链路
举例：京东 APP，某用户的主要旅程：登录-搜索-查看搜索页-选择点击-查看商品详情-加入购物车-提交订单-付款支付。业务运营人员需要明白在整个链路中产生了哪些接触点，通过用户行为分析不断优化与此相关的业务流程。
③ 了解产品所面向的用户，熟悉他们的分工与职责、绩效考核等关键点
举例：对于运营人员，不同层级管理者的职责、权限等不同，他们的关注点也是有差异的，那么他们所能使用到的数据也是与之对应的。
④ 了解用户一系列业务操作中面临的痛点，通过使用数据改进优化他们的业务操盘动作。
举例：运营人员在日常的工作过程中，涉及到一系列的操盘动作，如果某些操盘动作的效率不高给运营人员带来了很多困扰，这时可以通过使用数据帮助他们优化这些困扰。
⑤ 对业务要素分级、分类，从不同角度深刻理解业务
举例：对产品进行生命周期划分，可以为其匹配合理的资源，或者提供了一种分析视角。
⑥ 从损益构成上分析业务健康状况
举例：充分了解业务运转的各个节点，从损益结构上分析各个业务结果。
- 产品化抽象
把业务需求转化为产品需求。
① 做产品设计时，要把自己作为用户来思考整个产品的体验；
② 了解业务的痛点，明确产品设计的目标侧重点（提效率还是追效果）；
③ 找到参考点或标杆，通过比较来衡量变化；
④ 分析时，要兼顾纵向和横向，纵向上支持用户了解更细粒度的数据，横向上支持用户了解与此关联的数据；
⑤ 通过分析趋势、构成、排名，建立初步的了解；
⑥ 让数据为用户提供更好的服务，不要让用户为了使用数据而操心很多事情。
⑦ 通过自上而下、从整体到局部的分析，对业务进行诊断并预警；
⑧ 数据产品的构建过程是非常复杂的，可以建立相应的检查清单（如包括数据时效性是多少，历史数据范围是哪些等），对于提升整个产品的交付效率和质量是非常有帮助的。
- 产品成长
① 从产品运营的角度来说，通过分析业务用户使用数据产品的行为数据，帮助持续提升数据产品；
② 通过采取不断降低数据产品的使用门槛等措施，让业务用户真正从中受益，帮助业务用户成长起来；
③ 设立与业务紧密联系的数据 BP（Business Partner），通过数据 BP 反馈业务诉求，让数据产品得到持续迭代优化，从而实现数据 BP 与数据产品的共同成长；
④ 倾听业务用户的声音，不断提高产品体验的满意度。
- 行业认知
了解该行业在国内外的发展情况，进一步了解该行业的上下游产业链是怎样的，同时了解该行业的关联动态有哪些，行业发展中的关键阶段（比如高光时刻、至暗时刻）有哪些。
如何获取行业信息？
如国家部委发布的信息，行业协会发布的信息，咨询公司发布的信息，券商机构发布的信息等。
- 竞对认知
我们要去关注这个行业里的竞争对手在做什么事情，他们的战略重心是什么，他们近期业务表现如何，他们所构建的这个数据产品或者数据能力的全景是什么样，他们的数据产品的核心优势是什么，他们的数据产品的中长期目标是什么。
这些都是我们在构建经营分析产品过程中需要思考的地方，可能会有一些遗漏，希望大家基于这些分享做一些发散和思考。
--
03/从0到1到100的一些挑战
接下来分享一些我的个人经验，主要是关于在构建整个经营分析产品的过程中，可能会遇到的一些挑战。就我来说，不仅做过从0到1的数据产品，也做过从1到100的数据产品，所以对于整个数据产品阶段，我的个人经历还是比较完整的。
主要是两大部分：数据质量和产品规划设计，其中数据质量 包括数据一致性、数据延迟、数据异常；产品规划设计包括做什么与不做什么、从效率到效果、从满意度到商业化。
- 数据一致性
① 对于实时或离线数据源进行认证和打标，告知用户哪些数据源的质量是经过认可的；
② 在定义整个数据指标口径时，需要提前明确这个指标的 Owner，一般来说指标的 Owner 都是业务方，然后和业务方一起确定这个指标的具体口径；
③ 通过标准的一致性接口，将数据指标服务化或数据权限服务化，让用户在不同的终端上能得到一致性的数据结果；
④ 仅依靠人力保障数据一致性是非常困难的，可以建立多端数据指标自动化对比巡查机制。
- 数据延迟
在电商双11和618大促期间，在业务高峰期，前后端业务系统的压力是非常大的，而数据系统的数据处理压力也是非常大的，这时把不同业务方需要的数据及时提供给他们就是非常关键的。
① 其一，我们会对数据进行重点保护和分级；
② 其二，为某些核心数据建立两条数据链路；
③ 其三，对于某些极高时效要求的数据，在技术侧采用预计算模式来减少数据延迟；
④ 其四，在不影响业务正常使用的前提下，对某些数据进行降级以保障使用数据时的整体体验。
- 数据异常
① 一般来说，数据从源系统到数据应用，整个数据链路是非常长的，我们会对整个数据进行合理分层，每一层都会加上相应的监控报警，当某一层出现数据异常后，我们就可以向前去定位问题，便于及时处理这些数据异常；
② 在整个监控报警的过程中，也会设置各种各样的阈值；
③ 对于某些数据异常会采取一定的降级措施以保障整体数据的准确性等要求；
④ 建立数据异常的联动处理机制，当数据异常发生后，在整个数据链路中的相关系统和人员能够协同高效地解决这些异常问题；
⑤ 在数据异常发生后，要从用户体验的角度出发，主动通知用户有关情况，或者根据预案做一些维护用户体验的事情，尽量减少对用户的不好影响。
- 做什么和不做什么
① 在数据产品的任何阶段，都要沉到业务里面，弄明白业务的真正诉求；
② 寻找志同道合的业务伙伴，把他们发展成我们数据产品的 VIP 用户，双方一起建设或迭代优化这个数据产品；
③ 将这个数据产品的运营表现通过数据量化出来，可以为这个产品提供一定的规划方向；
④ 将所有获取的需求都整理好，然后通过数据价值分级等措施进行优先级排序，进一步明确当前阶段的产品重点事项。
- 从效率到效果
通过数据产品提升业务效率，整个过程中很多事情是相对明确的，但通过数据产品提升业务效果，这个过程中会有很多的挑战。
① 结合业务场景，比如大促、平销，建立相应的诊断分析框架；
② 引入业务专家，与业务建立紧密的联系，双方协同建设细分场景的诊断分析框架；
③ 基于业务方的业务目标，将这个数据产品与下一步的业务操盘通过某种方式进行连接打通，那后续的业务操盘所产生的数据也能反馈回这个数据产品，从而不断迭代优化这个数据产品，不断促进这个数据产品的效果达成。
- 满意度与商业化
① 其一，客户的满意度是整个数据产品的健康生态的基石。不同水平的客户使用这个数据产品所带来的价值提升是有差异的。但通过某种收费策略可以让较低水平的客户也能获得更多的价值提升，如此一来，整个客户的满意度都会有一定的提升，那么整个生态就相对更加健康。
② 其二，对于付费意愿高的客户，不管是在存量市场提升市场份额，还是在增量市场开拓市场份额，如果我们的产品可以帮助这些客户实现这些目标，那么这个产品可以适当加速商业化。
③ 其三，虽然这款数据产品自身没有商业化，但可以通过这款数据产品与其他产品的联动关系实现间接的商业化。也就是从整个组织的角度，这款数据产品的商业化是达成的。
--
04/经营诊断型数据产品人的进阶迭代
从整体上来讲，经营诊断型数据产品人的发展阶段可以分成三个部分：效率满足、效果达成、业务实现。
- 效率满足
首先是单用户级别的效率满足，其次是组织级别的效率满足。在实际过程中，要实现通过数据驱动提升组织效率是非常困难的，但这对于组织的意义是非常大的。
- 效果达成
当效率得到充分满足后，下一步可以聚焦业务效果了，可以逐步从单个业务场景的效果达成，到多个业务场景的效果达成，再到场景生态的效果达成。整个过程的难度也是逐步增大的。
- 业务实现
这个阶段很可能已经脱离产品经理本身的工作范围了，而是很可能成为业务的掌舵者，主要做业务规划等业务管理方面的工作。
作为未来职业发展中的一个路径，大家可以根据自己的情况进行考虑。
--
05/问答环节
Q1：哪些挑战是从0到1，哪些挑战是从1到100？
A1：以"做什么和不做什么"来说明。
在业务发展初期阶段，数据沉淀较少，这个时候数据产品能帮助业务主要有两点：其一，展示最核心业务数据的分析结果；其二，展示整个业务的全貌。这是从0到1要解决的事情。
在业务发展壮大阶段，用户会对你提出更高的要求，比如现在业务数据比较完备了，如何通过运用这些数据帮助用户打新品并打出效果。这是从1到100要解决的事情。
其实，不论是从0到1，还是从1到100，都会面临"做什么和不做什么"的挑战，但这个挑战是逐渐升级的。
Q2：简单介绍京东在经营诊断型产品的最佳实践？
A2：京东数坊 是一款消费者全生命周期资产经营平台产品。京东商智是一款面向商家的一站式运营数据开放平台产品。
Q3：简单介绍4A 模型？
A3：4A 模型是京东数坊产品中的消费者资产模型。
认知（Aware）：通过广告曝光等，目标人群产生初步认知。
吸引（Appeal）：目标人群持续浏览、关注、加购、咨询等。
行动（Act）：目标人群完成购买、评价、使用售后等工作。
拥护（Advocate）：目标人群复购、提供好评、推荐给他人等。
Q4：经营数据分析与财务数据分析的差异有哪些？
A4：财务数据分析是经营数据分析的一个环节。经营数据分析 侧重于把控整个经营过程，常用于经营操盘；财务数据分析侧重于经营结果的衡量，常用于经营考核。
今天的分享就到这里，谢谢大家。
分享嘉宾
陈晓波｜京东 资深产品架构师
十年以上数据产品经验，曾作为京东商智全系产品线负责人主导面向零售 POP 商家及自营品牌/供应商的数据应用平台建设，目前负责面向京东零售内部的一体化决策分析平台建设。
《数据智能知识地图》下载
上下滑动⬆️⬇️，查看《数据智能知识地图》云原生大数据模块，完整版请关注公众号"大话数智"下载
DataFun新媒体矩阵
关于DataFun
专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章900+，百万+阅读，16万+精准粉丝。
