随着2022年双 11 临近，小明是杭州某天猫旗舰店的运营担任人，自本科院校结业后加入该职业以来一向就职于该店肆。

为了使得店肆本年双11的营收添加以及自己的收入添加（收入占店肆出售额提点），他需求拟定店肆在本年双 11 的一个运营计划方向，小明想到了经过数据比照的方法，尝试经过前史大促的表现来总结大促的改变和规律，然后得出运营方向，为此小明期望获得如下几组数据来进行比照剖析：

近 3 年（即 19-21 年双 11 期间）的店肆访客数、下单买家数、支付买家数、支付转化率、客单价。

终小明凭借东西-电商流量剖析产品 A，拿到了上述数据并得出如下表格：

表格：近3年双11店肆数据

剖析数据小明发现近 3 年双 11 大促存在几个现象。

现象1：店肆流量逐年下降

从19-21年双11的店肆访客数从6134下降到5941，再下降到5745，每年较前一年呈现 3% 的下降趋势。小明结合抖音等产品的火速开展，猜测是淘系全体的一个流量占比在电商市场遭到了外部产品的蚕食，导致了淘系全体流量变少，各店肆的流量也随之削减。

现象2：转化率根本安稳

近 3 年的转化率别离是 20.0033%、20.0135%，20.6963%，全体都在 20%，有一点点纤细的提高。阐明店肆的顾客人群的转化率仍是比较安稳的，没有因为流量削减，出现下滑。

现象3：客单价较大提高

客单价这3年呈安稳的上升趋势，从323.93上升到388.96再上升到了407.57，经过出售额=客单价X支付买家数的公式，推导出近3年的出售数据别离为397462.11，462473.44，468297.93，并得到出售额呈上升的趋势别离添加率为16.36%和1.47%。

由此可估测客单价的提高从使店肆出售数据没有因为流量下滑而大幅度下降，甚至在 20 年对 19 年还有较大程度的提高。

结合3个现象，小明得出猜测，本年也便是22年店肆的流量还会存在必定程度的下降，在转化率得以保持的状况下，能够持续在客单价方向上发力，经过策略提高顾客的客单价，确保店肆出售数据不会出现大规模的下降。

但从客单价每年都有较大的添加状况下，21 比 20 年的出售额提高比例远远小于 19 比 20 的提高，阐明客单价关于安稳店肆出售数据的意义或许在削弱，但因为数据只要 1 年的改变不具备代表性，所以在挑选持续提高客单价的同时，能够考虑寻觅新的策略来完结店肆的出售数据的添加。

以上，便是电商职业中比较常见的一个场景，从业人员小明经过数据产品A供给的前史数据所表现出来的数值、趋势和改变，总结复盘出前史作业的现象，并经过现象得出对未来的猜测，并以猜测作为依据拟定辅导未来的作业计划。

由此可见数据产品在职业中现已成为举足轻重的存在，协助用户在作业场景下剖析和决议计划。已然数据产品如此重要，今日想和咱们评论下其规划理念，详细表现为是从用户视角来评论下电商数据产品的一些规划理念。

一、剖析电商数据产品的用户

已然要从用户视角来剖析，首先咱们先需求了解下电商数据产品背面的用户。

这个用户是什么呢？用户便是咱们电商数据产品所服务的一个人群，这个人群是多样且复杂的，不同的电商数据产品服务了不同的人群。

像电商流量数据产品，服务的是需求以流量数据来作为辅导作业的人群，文章初的运营小明便是一个电商流量数据产品的服务方针，用流量数据来服务于自己的作业，为作业方向供给依据。

而电商客服数据产品，服务的便是需求以客服数据来作为辅导作业的人群，或许是一个客服主管，用客服数据来核算客服团队的绩效薪酬。

尽管不同的人群会存在差异性，但是也会具有一些共性，满足多的共性使得他们又组成了一个具有新特征的人群，也便是今日咱们要评论电商数据产品规划理念的根底，在评论规划理念前，就先需求找出这个人群的共性特征。

共性1：数据精确性要求高

在这个人群的作业场景中，是需求经过数据来拟定运营方向或开展作业的。

• 典型的稀有据剖析，以剖析数据来作为运营方向的辅导，例如经过数据来复盘前史活动总结经验和教训；
• 数据依据，以数据作为日常作业的依据，例如绩效考核和薪酬核算需求用数据来核算；
• 以数据作为未来方针，猜测未来，例如经过数据趋势猜测未来改变，和拟定方针。

数据是该人群作业场景中的根底。以一份过错的数据作为依据，会导致产生过错的判别，终影响到了该人群的切身利益，包含营收、赢利和薪酬等，甚至造成严峻的亏损出现。这就造成了这个人群对数据是十分敏感的，而且对数据精确性的要求很高，甚至关于数据过错是零容忍的。

像文章初事例中的小明，双 11 店肆的成绩直接关系到他的提点收入，如果前史数据出错，就会导致对本年双 11 方向产生了误判 ，挑选了过错的计划，导致店肆出售额数据削减，终小明的提成收入削减。那么小明必然对该产品失去了信心，产生了流失。

相似的事例还有许多，甚至会导致投诉索赔产生，例如老板经过本钱数据东西核算赢利，数据过错会导致本钱核算过错等等。

共性2：数据获取本钱低

这个人群的作业场景中面对的事务是在线上产生的，而且通常日常作业流中会运用到许多线上东西，因而该人群想要获取的数据本钱低。

这里咱们能够从两个方面来看“本钱低”这个概念，一是该人群面对的事务都几乎是在线上产生的，以顾客的行为数据为主 ，是顾客的阅读、加购、收藏和退款等行为。现在电商职业开展较为完善，有许多手段和方法记载这些数据，像是订单体系、会员体系等。使得顾客的行为数据有依据可循。

二是电商从业人群自身的作业行为也会依托各种东西，像是运营报名活动的运用到的报名东西，客服团队招待顾客时运用到的招待东西等等，这些行为数据都被各种作业东西记载下来。使从业人员自身的作业行为数据也能够被追溯到。

归纳这两个方面，该人群所需求的数据在获取上是会相对简单的，不管是想要对外的顾客数据，仍是对内的内部作业数据都有记载下来，而为什么说是相对呢，主要是针对线下场景来说的。

文章初小明的事例中，顾客在拜访天猫旗舰店都会留下拜访记载，想要核算访客数只需求按必定的核算规则将需求核算时刻段内的拜访明细汇总处理就能够得到店肆的访客数据。

但假如这个店肆是一个线下的实体店肆，访客量便是该店肆的人流量，而当产生在线下场景时，顾客进店的行为想要记载下来的本钱就会大许多，例如想要核算店肆一个时刻段的人流量，或许就需求经过一些智能辨认东西，来辨认进店的人数，这样的本钱就会高许多，是一种比较难获取到的数据。

共性3：数据时效性要求低

这部分人群有一个比较典型的特征是，在其作业场景中，并不是一线的履行人员，或许其尽管是个履行人员但有必定的决议计划权。

这个决议计划指经过运用数据来完结其作业需求，归于重要但并不紧迫的作业。像是十分常见的拟定计划，便是运用数据，完结剖析后得出的。考核计划，也是经过数据来完结办理的作用。

例如小明做本年双11的计划，双11年只要1次时刻也是根本固定的，理论上只需求在小明做计划的截止时刻前准备好这部分数据，就满足小明进行剖析了。

小明在这里的作业是有较大时刻宽余的，归于并不紧迫的作业。通常状况下今日能更新出昨日的数据现已能够满足该人群关于数据运用的绝大部分需求。

反之像买卖/出资这类软件中，这类软件服务的人群的运用场景中用户行为是需求即时反馈的，归于紧迫的行为范畴。

电商场景里的一些作业也归于需求即时反馈的，例如给用户处理修改价格等，需求在较短的时刻内完结。一旦滞后了，就会失去这一次机会了。

共性4：存在数据剖析才能不强的现象

近年来电商职业全体开展飞速，各大高校纷繁打开电商专业人才运送，整个职业的从业者素质教育水平越来越高。

但不行避免的是，前史存量人才以及电商专业不涉及专业数据剖析，职业内部分从业者关于数据的剖析才能并不是很强，存在良莠不齐的状况。而数据剖析才能不强意味着这个人群在数据剖析上关于过于专业的数据定论承受才能较差。

了解这 4 个人群关于数据剖析观点的共性后，咱们能够以此作为一个人群的特征，即该人群在事务上对数据的一个观点或共识。把握后，咱们能够此来评论电商数据产品的规划理念了。

二、数据产品规划理念

在评论完这个人群的特征后，咱们就能够依据这些特性，总结出一些规划理念。

理念1：数据精确是榜首要义

通常在b端产品中，为人熟知的一条规划原则便是“降本增效”，许多功用都是环绕这个打开的。

b 端数据产品也不例外，咱们的用户运用 b 端产品也是为了下降本钱，添加效益。

但在之前，有一个前提，便是数据需求精准，因为 b 端数据产品和其他 b 端产品不相同，它的降本增效是经过供给数据、数据加工、数据剖析成果等来完结的，数据能否精确决定了它是否有或许协助想要服务人群完结“降本增效”，一同经过简略的两个东西来比照下。

1. 东西 1：客服订单备注东西，供给了客服在订单上备注的才能，客服在招待顾客时能够凭借该东西快速备注顾客要求，然后下降了记载的本钱（相比于纸张/电脑上记载）。
2. 东西 2：客服绩效核算东西，供给了客服数据，用户挑选要害字段后按预设的核算公式核算出客服薪酬。

东西 1 是供给了产品功用来完结用户的本钱下降；而东西 2 这个数据产品，尽管也供给了功用协助用户下降本钱削减了运算的进程，但假如功用前的数据是过错的，那么功用再完美也是没有意义的。

由此可见数据精确性是数据产品的核心，以上便是人群“数据精确性要求高”这个特征要求咱们的数据产品数据是精确的。

而另一方面“数据获取本钱低”的特征，又为咱们的精确性供给了根底，完善的底层根底建设确保了电商职业的原始数据被完好精确和低本钱的保留了下来，咱们在此的根底上加工数据是有保障的。

详细怎么规划数据精确性上，咱们能够从两个方面下手，一是咱们关于数据字段的了解不能产生误差，b 端数据产品经理并不身处于该产品服务人群的场景之下，对部分字段的了解会出现一些想当然的误差。

举一个简略的事例，谈天量的了解，日常微信谈天中，今日有 5 个人和我进行了谈天，包含发消息给我的和我主动发消息曩昔的，那么今日我在微信上的谈天量便是 5，这是一种常见关于谈天量的了解。

咱们如果把这个了解概念复制到客服呼叫场景下，像是中国移动的客服，一天有 100 个人给他发了消息，那么他的谈天量便是 100，这便是一个过错的了解了

中国移动客服和手机机主的交流场景一方面不像微信的熟人谈天相同，能够直接触达对方，机主是需求进行分配到详细的客服后才可开端和人工客服的谈天。

另一方面客服也不能像在微信相同上午看到消息下午再回复，如果超过了必定的时刻谈天就会被封闭了，客服就不能再回答机主的问题。

在这两个特征下，中国移动客服的谈天量应该是由一个又一个会话组成，机主分配到详细人工客服后，标志着一个会话的开端，而一个客服和一个机主在必定时刻内不产生谈天信息导致谈天封闭，就标志着一个会话结束。同一个机主一天内或许和客服产生了多个会话。

二是在产品规划中，要使得数据的加工逻辑性正确，只从明细数据加工成核算数据的进程，实质上是一个数学核算上的进程，但实践仅从数学上核算，得出来的数据并不必定是正确的。

一是因为数字自身不考虑现实意义导致的，像是常见的算平均数时把人算成了 x.几个人，比方 3.3 人，而现实意义上人是一个完好的单位个别，没有 0.3 个人这样的说法。

二是因为数字自身具有迷惑性，会遭到核算方法导致的失真，像是平均数会因为极大或极小值导致平均数高于或低于真实的状况。咱们在对数据进行加工时，就要充分考虑数字在现实场景下的含义，并依据真实状况，挑选适宜的一个核算方法，这样加工得出来的数据才会具有辅导意义。

仍是一同来看个例子来加深了解考虑现实意义后的核算数值才是有价值的，咱们需求经过原始数据 100 条订单明细来核算当日购买人数，首先不考虑数字的现实意义，1 个订单明细代表了由 1个顾客下了一个订单，以此作为核算逻辑，咱们算出了当日购买人数是 100 人。

当咱们考虑数字的现实意义，咱们都知道一个顾客会存在购买多笔的状况，然后导致 1 个顾客会下多个订单的现象，按照这个核算逻辑，剖析 100 个订单明细发现，实践是有 23 个顾客重复了，终核算出当日购买人数是 77 人。

在这里如果咱们不去考虑这个现实意义，就会导致得出过错的购买人数定论，而得出的 77 人能够协助咱们了解现在存在 1 个顾客购买多笔的状况，能够更好地协助咱们做一些单个顾客下多笔订单的活动和功用。

理念2：供给前史数据

该人群需求一个今日之前某个周期内的数据来辅导作业，咱们就需求供给的是一个前史数据。

能够看这个数据的一个界说是“前史”，前史阐明这份数据在时刻维度上是一个产生在当日以前时刻段的一个数据。需求前史数据，是因为该人群的特征 3 推导出来的，该人群的作业场景是一个重要但不紧迫的非即时操作场景，不需求时效性高的数据，供给一个实时改变的数据对该人群来说没有意义。

例如小明地点公司每月 10 日发薪酬，那么假设在11月10日需求发放薪酬了，原则上只需求在 11 月 10 日前依据 10-1 到 10-31 这个周期的数据，为小明核算 10 月份小明担任店肆出售额所带来的提点成绩就行，这里的 10-1 到 10-31 周期的数据便是一个前史数据。

再来看前史数据，这份数据的周期是现已产生的，那么其数据是一个安稳的数据，一般不会再产生改变了。产生改变只会在一些特别的场景，例如行政上命令的改变，法律上对判定的修正。这种是对前史数据的一个修正或抛弃，是一种比较少见的场景。

前史数据作为一个安稳的数据，也满足了该人群需求经过前史数据来辅导作业的需求，一个不安稳的数据会导致作出的定论无法被作为依据。

理念3：供给简略易懂的数据

该人群存在数据剖析才能不强的现象，这就要求咱们在供给数据字段、数据剖析东西和功用时，要供给考虑人群的承受度，供给较为根底的字段和根本剖析东西为主。

简略就意味着公式过程少，图表组成元素少。像是简略的加减乘除便是一个过程少的核算公式，折线图便是一个组成元素少的图表。这些就归于简略易懂的数据，过程少和元素少，更简单被人了解和阅读，反过来的，元素多的便是一个图表会导致用户了解本钱上升，不简单了解。

在完结相同作用的前提下，挑选更简单被该人群所了解所承受的方法，削减添加该人群对字段和功用的了解本钱，过于专业的数据剖析功用，一旦无法被该人群了解，终反而会得出过错的定论，甚至造成了负面作用。

三、总结

本文咱们依据电商数据产品服务用户中对数据观点的共性，归类了一个人群，并以这个人群的 4 大特征，总结了 3 个规划理念，别离是数据精确是榜首要义；供给安稳的前史数据；和供给简略易懂的数据。

专栏作家

晌午，微信大众号：晌午自习室，人人都是产品经理专栏作家。4年产品经验，专注于数据方向，现在是电商客服范畴的产品 。