方法论|数据可视化产品的通用方法论( 二 )

第一个是关联指标的分析，可以借用财务领域的杜邦分析方法，拆解指标。
例如：营收=GMV-成本，GMV=订单数*单均价，订单数=UV*订单转化率，最终定位影响的关键指标。
第二个是维度拆解方法，即要确定目标指标支持的分析维度是什么，营收下降，是哪个产品线、哪个渠道，甚至是哪个具体的产品出了问题。

文章插图
总结下来，在数据可视化分析需求处理环节，核心要素就是明确你的用户是谁，在做什么事情，关注哪些指标，指标体系如何，分析的思路是什么。
其次，就是指标的统计口径，探查数据有没有的事情了。
二、好的数据可视化产品设计的通用逻辑好的数据可视化产品需要具备三个核心的能力，即：数据是什么，数据怎么样，应该如何做。
1. 是什么在需求分析阶段，确定了需要呈现的数据指标，在做具体的可视化页面设计时，根据指标的优先级顺序、分析的数据维度以及需要呈现的指标数据关系，通过最恰当的可视化展现形式呈现出来，通过可视化图表将数据信息传递给用户。
2. 怎么样数据怎么样体现的是将枯燥的数据转化成可以辅助决策的信息。
比如，如果你的数据产品每天告诉老板，今天DAU1000W，营收10亿，老板只能是“哦，知道了”。
老板期待的是，你可以直截了当地告诉他，业务表现到底是正常还是不正常。
也就是，数据产品上，要能够提供衡量指标好坏的评价标准，常用的是对比的方式。

和时间对比，不同时期的对比，与昨天（环比），与去年（同比），与上个月、上周等
和竞对对比，市场份额情况，行业大盘、竞对指标值参考等
和目标对比，KPI完成度，指标当前数值与既定目标的对比，看离目标还有多远
业务突破：是否实现了历史突破，达到新的里程碑？
预警值:和预测或者设定的预警值对比，是否在可控范围内

文章插图
3. 如何做知道了数据怎么样了，指标评价显示业务异常，下一步就是“为什么“或者”怎么做“了，数据驱动的决策最终落脚点就是业务该怎么办。
如营收同比下降了50%，数据产品设计时，需要提供可以快速定位出是什么原因导致下降的分析能力，例如相关指标对比分析，或者多维度下钻联动分析。
现在也有一些BI工具推出利用基尼系数，生成波动归因分析报告，一键定位指标波动的关键影响维度，以及Top维度枚举值。
数据可视化产品的最高层次，就是直截了当的告诉用户，业务有问题，你应该去怎么怎么做。
三、可视化页面布局1. 瀑布流模式：Dashboard布局

文章插图
优点：

信息平铺展示，无需过多交互操作，可快速获取需要数据信息
承载的信息量更多、可视化方式更丰富，每个图表都可以是一个分析主题
对图表共有维度要求不高，一般以日期为共有维度，作为全局筛选

缺点：

图表数量平铺过多时，重点不突出，难以聚焦
交互能力偏弱，用数据的人思路会受限于做图表的人
页面图表数量过多时，对前端加载性能影响大，页面耗时长

2. 指标化管理模式：交互式分析布局

文章插图
优点：

页面简洁，重点突出，通过维度选择和tab切换获取更多的数据，避免一个页面过多图表难以聚焦
- 上一页
- 1
- 2
- 3
- 下一页