全域大数据体验设计——数据产品可以这样“设计”

前言

马老师曾在阿里投资者大会上提到:21世纪的机器人是“吃数据”的,而阿里就是这样一家提供大数据的公司。当前,整个社会都处在产业升级和数字化转型的大浪潮中,如何在新的商业环境下,运用设计的方式,发挥设计的驱动力,助力整个数据产业的创新升级,是数据设计师们最核心的课题。

 

云上数据产品矩阵

云上数据产品矩阵围绕数据的“采集>建设>管理>应用”为核心搭建产品能力,多款数据产品形成合力,为企业建设、管理数据,并提供数据服务,Dataphin、Quick BI是贯穿于该链路的核心产品。

全域大数据体验设计——数据产品可以这样“设计”

数据设计师的工作矩阵中,都会遇到哪些设计难题,又如何解题呢?

体验架构构建:数据管理

阿里数据服务上云,目标是帮助政府企业合理便捷的管理数据,让数据为企业创造商业价值。这类产品拥有海量的功能模块,错综复杂的交互流程,以及普通用户无法理解的强数据技术背景,用户体验正是其最佳的定义方式。

 

从商业竞争研究、业务链路梳理、场景化体验架构构建,再到产品的落地与售卖传播,设计师在这一环扮演着“商业规划师”的角色。

这里提到的“体验架构=体验流程+信息架构”,如何去构建产品的体验架构呢?

  1. 体验链路构建:根据产品战略、行业竞争力优势及业务目标,全链路的定义产品分模块及体验关键触点。
  2. 信息框架设定:运用场景化及结构化解构思维,根据多角色需求,抽离用户多角色使用场景、提炼使用行为链路,设计师要真正站在用户的视角看问题,运用同理心,层层递进的剥丝抽茧,逐层架构产品信息框架。
  3. 信息过载解构:出现产品级、页面级、功能级信息冗余时,为了减少对用户造成误导的情况,可以从场景层、信息层、逻辑层进行解构。

全域大数据体验设计——数据产品可以这样“设计”

(Dataphin 体验架构构建案例)

全域大数据体验设计——数据产品可以这样“设计”

全域大数据体验设计——数据产品可以这样“设计”

可视化呈现:数据演绎

传统的数据表呈现方式无法跟上数据时代的脚步。我们期望让数据开口说话,用最直观简洁的可视化语言展现商业背后的故事。从构建业务目标,设计故事版,抽离符号,典型用户分析,用户需求收集,到最后的可视化设计呈现,设计师为用户规划了洞察业务、经营决策的分析动线和场景化体验。

 

Dataphin中,为满足企业主看企业数据、技术看业务关联及数据资产情况。“数据资产全景”以可视化的方式进行呈现,根据用户关注点及场景,设计师定义了从“全局>流程>结构”三种视图,从全局到细节,满足用户多维监控探索的需求。

全域大数据体验设计——数据产品可以这样“设计”

全域大数据体验设计——数据产品可以这样“设计”

从数据智能到商业智能:数据增值

1. 工具化设计

BI工具可以满足用户从数据处理,数据查看,数据分析到数据洞察的全链路分析需求,并用最直观的可视化方式进行商业的探索。

 

设计中,可视化图表的丰富、易搭建,工具的易操作,产品的多维分析能力都非常重要。设计师需要从可视化分析、工具化体验等不同维度进行方法体系深耕,用专业性说话,让产品具有丰富的工具配置能力、深度的工具洞察能力,才能帮助产品更稳定成熟的迭代,建立行业竞争力。

全域大数据体验设计——数据产品可以这样“设计”

(Quick BI 可视化组件模型及工具框架搭建)

全域大数据体验设计——数据产品可以这样“设计”

2. 智能化设计

如果说BI工具的工具化能力是产品的基础能力,智能化能力则是产品加在行业竞争力上的砝码。Gartner 2019发布的魔力象限报告中指出,通过人工智能、机器学习等技术实现的增强分析已是BI产品发展的最重要、也是最显著的趋势之一。

 

如何用体验赋能数据智能,如何以全链路的视角打造闭环的用户体验?

  1. 行业竞争研究:了解行业产品布局,挖掘竞争力优势。
  2. 可行性挖掘:与技术共建,多思维碰撞,了解知识图谱,自然语言理解,意图识别等最前沿的人工智能算法技术,全流程思考,不断挖掘设计可行性,设计赋能业务。
  3. 专业规则定义:辅助定义用户分析意图,可视化匹配规则、NLP交互规则,多轮对话逻辑,兜底问答逻辑等,做专业性定义。

 

设计师运用自己的专业能力,赋能打造低使用成本、轻松问、精准答的数据智能小助理,驱动产品从数据智能到商业智能的进程。

全域大数据体验设计——数据产品可以这样“设计”

度量标准:软性评估

从2018年初始至今,云上产品矩阵生态初步形成,当前整个云上产品矩阵处在成长期-初创期及成熟期之间。该阶段产品小步快跑,快速迭代,不停歇的补齐有竞争力的产品功能。我们尚无法拿到成熟的使用数据指标,那如何度量产品是否健康的进行着商业化呢?

 

  1. 生命周期评估产品上线后,记录功能的生命周期,不容易被更新或被替代,代表生命周期长,反之短。生命周期短会造成大把的研发投入被荒废,设计结果不尽人意。- 评估可用性
  2. 用户反馈评估新功能上线后,收集用户已有功能建议及无法满足的需求,记录反哺产品需求,辅助产品迭代。-辅助迭代
  3. 续签率评估:随着用户对产品的熟识,商业化营收续签率增长,说明用户对产品接受度较高,对产品产生正向影响。- 评估商业化健康度

全域大数据体验设计——数据产品可以这样“设计”

我们暂时把这几种度量方法定义为软性评估,更适用于B端成长期的产品,帮助产品节省研发成本的同时进行稳定迭代。

 

小结

在大数据时代,数据服务的产品化上云步伐不停继续,前路任重而道远。作为设计师的我们,需要不断突破设计师的限制,从多角度思考,运用设计的专业能力在产品中发挥更多的主观能动性,打造强有力的行业竞争力,同时定义可传承可复制的数据产品设计模式,长远赋能整个数据行业。

原文:https://mp.weixin.qq.com/s/6X0fLy8bG0Sbfv2udkaJFA

- Posted in: Blog

- Tags: ,

0 条评论 ,40 次阅读

  1. 既然来了,说点什么?

发表评论

Top