用好标杆，支撑数据决策

标杆是数据驱动决策中用于判断的参照数据。

数据产品最大的意义是支持决策，对于业务方来说，数据收集与展示是后置的。我们先有了业务，才能收集到业务的数据，也就是说没有数据产品，业务可以照常运转。

那么为什么要收集数据，数据的价值在哪里呢？

是因为我们希望通过收集数据、分析数据来更好的指导业务的运转。也就是说纯粹的展示数据，不能带来价值，通过数据展示带来的决策才有价值。

那么同样的数据，是否能带来同样的决策呢？

不一定，很多时候我们说数据分析的角色需要“数据敏感”。所谓的数据敏感，很多时候是一个人是否有先验知识与预期来检验所要看的这些数据。

例如，单纯的次日留存1%，对不同的人带来的感知是不同的。对于一个预期次日留存3%的人来说，这个数据可能就偏低，需要做点什么提高次日留存。这里的先验预期3%就是一种数据标杆。

数据标杆是一种用来对数据进行判断的“参照系”。我们当然可以只做一款没有数据标杆的产品，全靠使用者的“数据Sense”来进行决策。但好用的数据产品，应当更多的思考如何通过添加合适的标杆以更好的支持决策。

一、为什么需要标杆

缺失标杆，产品展示的数据无法体现其意义，难以支撑决策。

标杆数据的缺失在产品中非常常见，以下是日常数据产品中经常能看到的元素，乍看之下没有什么问题。但细想一下，就会发现这样的产品由于缺乏标杆数据只能形成数据感知，但不能形成决策支撑。

说白了就是：“知道了，然后呢？”

以一个超市管理驾驶舱的场景为例，下图是一个超市管理驾驶舱的案例，展示了一个周期内门店销售金额、消费卡占比、消费年龄分布的情况。

这些数据乍看有意义，但对于每天打开平台关注数据的人来说，单凭数据展示已经无法从数据中得到有效的信息，更不用提根据数据做出决策了。

门店销售金额12.31万，是高是低，消费卡使用情况，有什么值得关注。年龄分布是否就意味着，门店应当对进店的年轻人，进行商品进货优化。

如果加上标杆，我们就能更明确如何看待这些数据，可以进行的下一步行动是什么：

• 目标销售额，我们知道销售金额还差的比较远，需要做出行动进行处理了。
• 同比环比，我们能够知道出现了很大的变化，我们应当分析情况的变化，看看是否需要对非会员的体验着重优化。
• 连锁店平均客户年龄分布，我们知道这家超市的老年人其实相对于其他连锁店偏多，进货策略上可以相对于其他连锁店有所调整。

因此数据应当放在决策场景中，并通过标杆参照，带来更加明确的决策指引。

标杆如此重要，甚至有专门的”标杆环“体系来描述管理决策过程，通过立标、对标、达标、创标实现企业经营管理的持续改进。

二、为什么数据产品设计时往往会忽视标杆

设计者缺乏业务理解，对整体决策流程没有认知，无法设计完整的数据决策路径。

很多产品经理在设计数据产品例如Dashboard时，认为数据本身就是产品的目标。

实际上展示数据只做到了数据决策的第一步，形成数据感知，也就是在完全不了解业务的情况下对业务有一些基本知识。

数据感知是一个低频场景，不了解时看，能形成基本印象用于问题识别，一旦了解之后，重复看数据很难从中获取新的有价值的信息。

因为缺乏业务理解，不知道什么情况下客户需要关注某个数据，也不知道应该如何评价数据的变化，更不知道数据变化之后，可以做哪些方案和行动，也就自然无法根据决策场景设计标杆了。

数据产品停留在工具阶段，依赖业务人员的经验补位。另一个情况是产品经理由于不了解业务场景，索性给决策人员提供灵活全面的数据查询工具，业务人员通过自身经验对标杆进行补位。

这当然也是一种解决方案，一方面，这严重依赖使用者的经验与能力，另一方面也局限了数据产品的发展。

如果能结合业务，把常用的决策场景固化，形成标准产品，例如Dashboard、决策大屏，甚至自动化决策，平台将沉淀更多知识，数据价值能够更加放大。

三、如何正确设立标杆，优化数据产品

让我们以终为始，来看看“管理驾驶舱”应利用标杆更好支持决策。

首先，应根据决策目的梳理决策路径，不在决策路径的数据没有意义。

比如，以销售管理的场景来说。可以从人员角度进行决策，决策的路径是通过衡量不同部门、人员的销售业绩情况，根据业绩好坏进行对应措施。

也可以从商品角度进行决策，例如将不同的商品销售的情况对比，销售情况好的，可以提升采购量，销售情况差的可以降低采购量，或者进一步下钻判断更细分的原因，做下一步决策。

如果没有明确的决策路径，例如尚不明确天气与销售的关系，也不明确有关系时能够采取什么行动，则可以不用展示这样的数据，避免冗余不明确的信息干扰决策流程。如果需要探求、验证这个关系，通过数据分析工具支持即可。

其次，在决策路径上的每个分支都应当有参照标杆。

一旦定义好了决策路径，我们对每一项数据的需求就比较明确，根据目标即可判断如何选取标杆。

一项指标可能有多个决策路径，在决策时也应当尽可能的考量多种原因，给出多种标杆。标杆的来源包括：

• 和固定标准比：这些固定的标准来自于常识，例如女性用户占比50%；也可以来自于规则，例如人为设定的年度目标6%；也可以通过经验设定，例如线上APP崩溃率应低于0.05%；
• 个体和整体比：例如单个股票可以和大盘比；
• 个体和其他个体比：例如两个业务定位相似的部门进行比较，或者两款类似的产品进行比较，例如iPhone 11与华为Mate 30销售量比较；
• 不同时间周期的数值比较：例如今年和去年同期比较。

但需要注意的是：选取的标杆应当尽量有比较意义，否则难以得出正确结论。

比方说医院不同科室要控制人均住院费用，就不应相互比较，因为肿瘤科和呼吸科的住院费用差异会非常大。而是应该尽可能细化差异项，取相同定位医院（同一医院等级、城市、患者年龄构成相似）的统一科室住院费用进行比较（当然，最稳妥的方式是自己和自己比较）。

再进一步，优化决策支持。

建设完分析路径，选取完数据后，还可以针对产品形式进行一些优化，提升数据决策效率。

• 多个图表采用相同的坐标系、相同的颜色表意，方便对比与识别：很多时候一组对比往往难以直接进行决策，在多个因素并列展示时，可考虑采用同样的坐标系，图例分配，对齐数据感知，对象识别，方便进行对比。
• 采用指数化形式或者定性的方式，缩短思考路径便于快速决策：例如高德地图的拥堵指数，通过指数化与定性的方式，缩短了比较过程直接形成判断结论。
• 直接给出todo，列出下一步行动的建议：例如，某一类商品的销售情况不符合预期，可以链接到进一步分析的页面，如果决策路径非常明确，可以直接提示行动项目：如点击导出待下架产品列表，如果产品集成情况比较好，甚至可以做到提示：点击下架项目，这样直接快捷的操作。

四、结语

以上列出了为什么要有标杆，如何应用标杆以及怎么进一步提升标杆的价值优化数据产品。这背后都有一个最重要的逻辑，即，数据不是目标，业务才是终点。

大家记得常常叩心自问：“这个数据到底有什么用，如果比……（此处应有标杆）……我能干什么”。

本文由 @航海加西亚 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议