用好標杆，支撐數據決策

標杆是數據驅動決策中用於判斷的參照數據。

數據產品最大的意義是支持決策，對於業務方來説，數據收集與展示是後置的。我們先有了業務，才能收集到業務的數據，也就是説沒有數據產品，業務可以照常運轉。

那麼為什麼要收集數據，數據的價值在哪裏呢？

是因為我們希望通過收集數據、分析數據來更好的指導業務的運轉。也就是説純粹的展示數據，不能帶來價值，通過數據展示帶來的決策才有價值。

那麼同樣的數據，是否能帶來同樣的決策呢？

不一定，很多時候我們説數據分析的角色需要“數據敏感”。所謂的數據敏感，很多時候是一個人是否有先驗知識與預期來檢驗所要看的這些數據。

例如，單純的次日留存1%，對不同的人帶來的感知是不同的。對於一個預期次日留存3%的人來説，這個數據可能就偏低，需要做點什麼提高次日留存。這裏的先驗預期3%就是一種數據標杆。

數據標杆是一種用來對數據進行判斷的“參照系”。我們當然可以只做一款沒有數據標杆的產品，全靠使用者的“數據Sense”來進行決策。但好用的數據產品，應當更多的思考如何通過添加合適的標杆以更好的支持決策。

一、為什麼需要標杆

缺失標杆，產品展示的數據無法體現其意義，難以支撐決策。

標杆數據的缺失在產品中非常常見，以下是日常數據產品中經常能看到的元素，乍看之下沒有什麼問題。但細想一下，就會發現這樣的產品由於缺乏標杆數據只能形成數據感知，但不能形成決策支撐。

説白了就是：“知道了，然後呢？”

以一個超市管理駕駛艙的場景為例，下圖是一個超市管理駕駛艙的案例，展示了一個週期內門店銷售金額、消費卡佔比、消費年齡分佈的情況。

這些數據乍看有意義，但對於每天打開平台關注數據的人來説，單憑數據展示已經無法從數據中得到有效的信息，更不用提根據數據做出決策了。

門店銷售金額12.31萬，是高是低，消費卡使用情況，有什麼值得關注。年齡分佈是否就意味着，門店應當對進店的年輕人，進行商品進貨優化。

如果加上標杆，我們就能更明確如何看待這些數據，可以進行的下一步行動是什麼：

• 目標銷售額，我們知道銷售金額還差的比較遠，需要做出行動進行處理了。
• 同比環比，我們能夠知道出現了很大的變化，我們應當分析情況的變化，看看是否需要對非會員的體驗着重優化。
• 連鎖店平均客户年齡分佈，我們知道這家超市的老年人其實相對於其他連鎖店偏多，進貨策略上可以相對於其他連鎖店有所調整。

因此數據應當放在決策場景中，並通過標杆參照，帶來更加明確的決策指引。

標杆如此重要，甚至有專門的”標杆環“體系來描述管理決策過程，通過立標、對標、達標、創標實現企業經營管理的持續改進。

二、為什麼數據產品設計時往往會忽視標杆

設計者缺乏業務理解，對整體決策流程沒有認知，無法設計完整的數據決策路徑。

很多產品經理在設計數據產品例如Dashboard時，認為數據本身就是產品的目標。

實際上展示數據只做到了數據決策的第一步，形成數據感知，也就是在完全不瞭解業務的情況下對業務有一些基本知識。

數據感知是一個低頻場景，不瞭解時看，能形成基本印象用於問題識別，一旦瞭解之後，重複看數據很難從中獲取新的有價值的信息。

因為缺乏業務理解，不知道什麼情況下客户需要關注某個數據，也不知道應該如何評價數據的變化，更不知道數據變化之後，可以做哪些方案和行動，也就自然無法根據決策場景設計標杆了。

數據產品停留在工具階段，依賴業務人員的經驗補位。另一個情況是產品經理由於不瞭解業務場景，索性給決策人員提供靈活全面的數據查詢工具，業務人員通過自身經驗對標杆進行補位。

這當然也是一種解決方案，一方面，這嚴重依賴使用者的經驗與能力，另一方面也侷限了數據產品的發展。

如果能結合業務，把常用的決策場景固化，形成標準產品，例如Dashboard、決策大屏，甚至自動化決策，平台將沉澱更多知識，數據價值能夠更加放大。

三、如何正確設立標杆，優化數據產品

讓我們以終為始，來看看“管理駕駛艙”應利用標杆更好支持決策。

首先，應根據決策目的梳理決策路徑，不在決策路徑的數據沒有意義。

比如，以銷售管理的場景來説。可以從人員角度進行決策，決策的路徑是通過衡量不同部門、人員的銷售業績情況，根據業績好壞進行對應措施。

也可以從商品角度進行決策，例如將不同的商品銷售的情況對比，銷售情況好的，可以提升採購量，銷售情況差的可以降低採購量，或者進一步下鑽判斷更細分的原因，做下一步決策。

如果沒有明確的決策路徑，例如尚不明確天氣與銷售的關係，也不明確有關係時能夠採取什麼行動，則可以不用展示這樣的數據，避免冗餘不明確的信息干擾決策流程。如果需要探求、驗證這個關係，通過數據分析工具支持即可。

其次，在決策路徑上的每個分支都應當有參照標杆。

一旦定義好了決策路徑，我們對每一項數據的需求就比較明確，根據目標即可判斷如何選取標杆。

一項指標可能有多個決策路徑，在決策時也應當儘可能的考量多種原因，給出多種標杆。標杆的來源包括：

• 和固定標準比：這些固定的標準來自於常識，例如女性用户佔比50%；也可以來自於規則，例如人為設定的年度目標6%；也可以通過經驗設定，例如線上APP崩潰率應低於0.05%；
• 個體和整體比：例如單個股票可以和大盤比；
• 個體和其他個體比：例如兩個業務定位相似的部門進行比較，或者兩款類似的產品進行比較，例如iPhone 11與華為Mate 30銷售量比較；
• 不同時間週期的數值比較：例如今年和去年同期比較。

但需要注意的是：選取的標杆應當儘量有比較意義，否則難以得出正確結論。

比方説醫院不同科室要控制人均住院費用，就不應相互比較，因為腫瘤科和呼吸科的住院費用差異會非常大。而是應該儘可能細化差異項，取相同定位醫院（同一醫院等級、城市、患者年齡構成相似）的統一科室住院費用進行比較（當然，最穩妥的方式是自己和自己比較）。

再進一步，優化決策支持。

建設完分析路徑，選取完數據後，還可以針對產品形式進行一些優化，提升數據決策效率。

• 多個圖表採用相同的座標系、相同的顏色表意，方便對比與識別：很多時候一組對比往往難以直接進行決策，在多個因素並列展示時，可考慮採用同樣的座標系，圖例分配，對齊數據感知，對象識別，方便進行對比。
• 採用指數化形式或者定性的方式，縮短思考路徑便於快速決策：例如高德地圖的擁堵指數，通過指數化與定性的方式，縮短了比較過程直接形成判斷結論。
• 直接給出todo，列出下一步行動的建議：例如，某一類商品的銷售情況不符合預期，可以鏈接到進一步分析的頁面，如果決策路徑非常明確，可以直接提示行動項目：如點擊導出待下架產品列表，如果產品集成情況比較好，甚至可以做到提示：點擊下架項目，這樣直接快捷的操作。

四、結語

以上列出了為什麼要有標杆，如何應用標杆以及怎麼進一步提升標杆的價值優化數據產品。這背後都有一個最重要的邏輯，即，數據不是目標，業務才是終點。

大家記得常常叩心自問：“這個數據到底有什麼用，如果比……（此處應有標杆）……我能幹什麼”。

本文由 @航海加西亞 原創發佈於人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基於CC0協議