从产品发展史，看可视化分析类数据产品的边界

数据干饭人 2023-08-01 00:40:47

数据驱动决策是数据的重要价值之一，数据化管理、数字化转型要求从过去拍脑袋的定性决策向一切用数据说话的定量决策转变。

在数据化管理的过程中，数据产品的价值是让数据获取和分析效率更高效，用数据产品赋能数据决策。决策方向的数据产品在发展过程中出现了定制化的数据分析平台、用户行为分析系统、BI产品等多种产品形态，这些产品各自的定位，以及相互之间的边界是什么呢？

搞清楚这些问题，可以帮助我们更好地规划数据分析产品体系。

产品经理，产品经理网站

一、分析类数据产品发展史

产品经理，产品经理网站

虽然大数据的元年是2013年，但是数据统计、分析需求在各种互联网模式诞生之前，甚至更早的IT时代就已经存在了。做过PC网站的人应该对aleax都不陌生，aleax诞生于1996年，主要是统计网站访问用户在全球网站中的排名，用以指导网站内容或收录策略优化。而一些企业内部的IT系统，也具备数据统计类的页面的功能，那个时候可能都没有数据仓库的概念，直接基于业务的关系型数据库进行简单的统计分析。

随着互联网的发展以及企业分析场景的日益增加，诞生了以Tableau(2004年)为代表的商业智能分析类产品，即BI产品。为了解决企业数据分析成本过高的问题，Tableau以拖拽、自助化的思想提供数据分析能力，并且提供比Excel可视化图表配置更加灵活、丰富的图表可视化能力。国内传统的BI产品(2006)以帆软为代表，结合国内企业特点，进行BI分析能力的本土化。

2010年，智能手机的发展带动了移动互联网的崛起，当时的塞班操作系统让飞信、人人网等各类App在手机端的应用成为可能。各种移动应用如雨后春笋般诞生。于是，一些用来统计App用户数据、渠道数据、页面访问数据的产品应运而生，给没有数据处理能力的公司提供数据化运营的能力。其中一些代表产品包括：友盟、talkingData、百度移动统计等。

2016年7月，王兴提出了互联网下半场的概念，而在这之前互联网的流量红利就已经逐步消失殆尽，互联网从过去靠跑马圈地式地粗放式运营向精细化运营转变。增长黑客的书籍和理论在2015年诞生后广受追捧，增量瓶颈的公司似乎看到了新的救命稻草，甚至成立专门的用户增长部门，期望通过数据分析挖掘新的业务增长点。主打用户行为精细化分析和增长理论的数据产品顺势而生，例如GrowingIO，神策数据等。

二、数据产品定位与边界分析

产品经理，产品经理网站

1. 定制化开发数据平台

定制化的数据可视化页面是最早的数据产品的雏形，将数据查看、获取、分析的过程产品化，用户直接基于产品页面进行交互式的分析。毕业第一份工作就是在外卖数据部门做C端数据统计类数据产品，当时负责的是流量模块，其他的还有经营主题、商品主题、销售主题等。按照产品经理、分析师看App版本数据、流量入口及转化漏斗数据等指标及分析维度的需求，形成数据可视产品解决方案。

定制化开发的数据平台，旨在将数据分析思路产品化，数据指标与分析维度可视化，让用户基于产品进行交互式分析。有句话叫做“数据分析写作业，数据产品抄作业”，这种说法的正确性仁者见仁，但对于定制化开发的数据产品，最重要的是要先解决业务有数据可看的问题。当时判断需求优先级的时候，往往是先看下当前需求是否已经有数据可以使用(邮件形式、SQL查询等)，新增的需求连数据都没有肯定是高优去做的，其次才是可视化页面的呈现。

优点：基于产品需求进行定制化开发，可视化效果及交互实现方面更加灵活，容易出效果，比如数据可视化大屏各种炫酷效果的实现。

缺点：人力成本高，一个页面上线，需要数据开发进行ETL模型建设、指标开发，接口开发将数据封装成可即席查询响应的接口，前端开发基于Echart等可视化组件进行页面封装。开发周期以周为单位。

开发周期长，每个需求都要CaseByCase的处理，需求多时，极容易积压，影响数据决策的时效性。举个例子，节假日前夕，业务提了数据报表需求重点关注节日期间某新上产品功能的数据效果，数据产品对了需求进行排期，为了不影响业务决策，先用excel邮件报表的方式把数据输出了，产品页面因排期和开发周期的限制，节后一周才可以上线。当产品上线了，业务对该产品的依赖程度就大大降低了。

适用场景：

指标及分析维度相对固定，通过定制化开发可以覆盖大部分常规的取数及分析需求。
分析需求量少，定制化开发的人力和响应周期可以Cover住常规需求

2. 用户行为分析

用户行为分析产品最大的价值是在于为企业数据化运营提供了比较完善的数据解决方案，过去很多产品甚至都不知道数据分析要先埋点。神策等第三方的数据服务公司，将用户行为分析数据采集的SDK高度集成，客户接入后，即可按照既定的标准化的事件模型、用户模型进行处理。用产品功能和客户销售服务能力，赋能中小企业的数字化转型。

用户行为分析类产品主要思路是，把用户访问数据模型进行高度抽象，并将采集到的的数据集成到分析平台内，业务只需要关注行为事件、用户留存、漏斗转化等业务场景即可，不需要再去找需要的数据在哪里，谁来清洗，谁去加工，怎么可视化的问题。

优点：屏蔽数据采集和清洗流程，对专业的大数据人才依赖度低，产品或运营可以基于通用的行为数据模型和产品功能进行精细化的数据分析，发现产品问题，找到优化改进点。自研产品主要是投入产品研发成本，分析过程业务自助。如果外采第三方产品，人力成本就更低了。

分析时效快：行为类分析，业务自助分析，并可将结果进行可视化图表的保存并共享。

缺点：数据模型局限于埋点SDK能够采集到的数据，更深层次的业务系统之间的数据无法进行交叉关联分析。

适用场景：业务发展初期，或内容、工具类产品，以用户行为为主，业务数据较少的场景。对于需要做更多的业务数据的关联分析场景支撑度低。

3. 自助BI分析产品

自助BI分析产品的定位是“人人都可数据分析”，过去业务取数要自己会写SQL或者依赖数据团队，数据可视化页面要前后端多工种协同。BI产品将数据模型化，取数分析拖拽式操作、并可以将结果可视化展示。BI产品的诞生早于用户行为分析产品近10年，为什么用户行为分析类产品会成为后期之秀，而BI产品则看起来一直不温不火呢?主要的原因包括：

BI产品是纯工具，即使有了BI产品，还需要数据模型开发、数据分析、数据产品等不同的角色协同，对于处在数字化转型初期数据人才和数据决策知识都比较匮乏的人来说，使用门槛仍然很高。

用户行为分析类产品提供精细化运营和用户增长的解决方案，并对客户进行完善的产品和数据运营思路的培训。

BI作为工具类产品，工具的通用性和需求的个性化之间的迭代，需要投入大量的开发资源和开发周期。

优点：BI产品兼具数据建模的能力，可以作为统一的数据汇聚和集散中心，可以包括行为数据、营销数据、会员数据等更丰富的数据源，覆盖的分析场景更多。拖拽式的分析形式，大大降低数据分析门槛，并且可以直接将分析接口用可视化的形式，配置成Dashboard门户，不需要开发资源的支持。

缺点：数据模型多了后，用户找到目标数据集的成本变高，需要先选数据源，再进行分析。另外，通用类的工具，对于一些个性化的可视化分析场景无法满足。此外，平台本身的建设周期长，投入成本高。

适用场景：拥有比较完善的数据仓库体系，或者具备数据模型建设的专业人才，业务数据类型丰富，且有较多的数据可视化产品需求。