# 数据产品化要点
# 数据产品的能效
能效意味着要直面用户要解决的问题，合理评估数据加工量，目的是使数据产品化的过程变得更高效。
# 用户关心的是问题
数据的产品化设计，必须要深刻理解用户的深层次需求，帮助用户解决实际的问题。绝大多数的用户对数据是陌生的，他们不熟悉数据处理技术，也很难掌握数据应该如何被应用，但是用户都会很关心自己要解决的问题。例如，在生产现场，项目经理作为用户，关心的是生产数据系统能否告诉他们哪些设备可能会存在潜在的故障，哪些指标可能会出现预警，用户并不想了解系统的数据后台的具体处理过程。又例如，开零售店连锁的经理关心的是希望通过数据分析能够告诉他，哪些位置更适合开分店，哪些商品更适合放在他们的店里，而并不想了解数据指标模型以及数据技术处理的细节。
随着技术的成熟，我们看到越来越多的大数据技术开源软件，技术门槛持续下降，现在想解决一个实际问题，往往技术不再是瓶颈。那么，数据产品化的核心竞争力就在于能否解决用户关心的问题。
# 数据并不是越多越好
传统理解上，特别是在自然科学领域，人们总会有一个刻板印象，就是会认为采集的数据量越大越好，只要有数据我们就尽量先存下来，以后再去想怎么分析处理。但是在大数据的背景下，这种认知方式并不合适，因为这会使大数据的价值密度变低，这最终会导致的结果可能就是：数据能够产生的边际收益不够抵消数据加工环节的成本。 我们现在总会把精益生产挂在嘴上，实际上精益的本质是减少浪费。处理无价值的数据意味着成本，数据加工环节如果如法让它最大程度的变现，那么现有的业务可能很难长久维持下去。
在海量数据面前，要衡量应该采集和处理多少核心数据才能足以描述事物的特征，或足以还原事物的场景。拿天猫商城举例，目前来自商家八成以上的数据需求是对用户购买行为的分析，如点击量、访问量、访问频率、偏好商品、跨店铺点击、订单流转两，甚至旺旺聊天记录的采集和分析等等，基于这种场景，这些诉求就是天猫要采集和处理的核心数据，通过这些数据商家可以分析出引起销量起伏的原因。我们在做数据决策时，总会找一个北极星指标，它是指在产品的当前阶段与业务/战略相关的绝对核心指标，一旦确立就像北极星一样闪耀在空中，指引团队向同一个方向迈进（提升这一指标），这个种场景下，一切采集数据都要围绕着指标层层建立，不需要额外冗余其他维度的东西。
# 数据清洗并不容易
目前行业的普遍现象是，由于缺乏统一的监管和规范，各行业的数据格式繁多，数据质量参差不齐。当数据来自多个业务系统时，避免不了数据存在错误或自相矛盾的情况，这些事不以人的意志而转移客观存在的问题。
数据清洗是讲各渠道采集过来的原始数据经过标准化处理，生成客观质量高的结构化数据，以方便共享。数据清洗在整个数据加工环节非常重要，它可以避免分析团队被冗杂和重复的工作所困，一份没有清洗过的数据，往往是无法使用的。任何做数据的公司都跑不掉数据清洗这个环节，即便可以借助一些自动化识别技术来批处理一些数据错误、数据去重、数据补充的工作，但在数据清洗的过程中可能还是需要大量的人力工作来保障数据质量。
# 数据产品的边界
# 数据责任的角色
为了有针对性的落实数据安全的保护责任，欧盟很早就提出了《通用数据保护条例》，该条例中将数据利益的相关角色做了一下四个分类：
- 数据控制者：是指能拥有和管理数据的企业或个人。绝大部分的数据服务提供者都是这类角色，像是银联、腾讯、阿里、今日头条等等。这些企业有权决定采集、处理和应用数据的方式，同时也承担着保护数据安全和隐私的责任；
- 数据处理者：是指自身并不拥有数据，但是会按照数据控制者的要求对数据进行分析或处理的个人或企业。市场上提供数据运营、分析或开发服务的企业属于这类角色。虽然数据处理者不负责数据的采集和应用，可能只承接处理业务，但他们也承担保护数据安全和隐私的职责；
- 数据生产者：是指产生数据的企业或个人。数据生产者享受其数据安全被保护的权利，可以对自己的数据进行访问限制或提出数据增删改查的要求；
- 数据消费者：是指有意愿购买数据价值的企业或个人。随着数据产品的种类增加，市场上的数据消费者会越来越多，如果我想看某个人的征信情况，我就可以通过机构去购买某些人的征信数据，这时候我就是数据消费者；
# 数据加工的伦理
数据加工的伦理是指人们使用数据应遵循的道德要求。数据加工本身是中立的，但是我们可以用它来做好事也可以做坏事，这一切的关键在于执行人。例如，探针识别技术的数据采集方式是中立的，如果该技术用于帮助提升客户体验，那它将会是有益的应用，如果该技术用于骚扰电话呼叫，那它可能就是有害的应用。
以用户为中心的设计出发点是用户，不同的用户在不同的社会、政治、经济和文化复杂的环境下，如何表达和加强对用户的尊严，将是一个需要持续探索的过程。以用户为中心的设计，其实是对用户的尊重和肯定。数据可以帮助人们发觉更多的价值和意义。将数据作为设计对象，要求产品经理更多的去满足用户的需求，同时尊重和关心那些对产品进行批评的用户。
# 数据与体验的关系
数据与体验的关系是水乳交融的状态，从数据的角度来说，数据可以作为辅助工具来提升产品的用户体验。从体验的角度看，体验可以作为数据产品的设计准则，体验也可以成为数据产品的设计对象。
# 数据提升用户体验
数据在提升产品的用户体验方面可以发挥重要的作用。用户体验是指人们对于使用或期望使用的产品、系统或者服务的认知印象和回应，包括情感、信仰、喜好、认知印象、生理和心理反应、行为和成就等各个方面。在用户使用产品的交互过程中，用户会和产品内涵的语义产生情感上的交流，产品的外在影响也是在互动操作中得到充分体现的。
行为类数据和反馈类数据与用户体验直接相关，描述的是一段时间内的用户行为和感受，可以客观反映用户的实际需求，也能反映出用户的消费倾向、喜好及真实情感。依靠传统的市场调研和分析方法很难定位到每个人的需求和感知，但是依靠数据却有可能做到。
# 数据助力体验设计
体验设计师将体验或经历作为设计对象，被设计的是特定人群在特定场景的一段特殊经历。体验设计关注用户在特定目标引导下通过一系列有意义的事件实现价值。用户体验设计师或者产品经理常常无法了解用户的所有生活细节，所以很难凭空制造意义。但是可以通过体验过程的设计，去唤醒人们对于外界的互动。用户参与到有助于提升竞争优势的品牌建设或产品优化中的协同方式可以创造出新的价值。
# 体验作为设计原则
人们的心理状态和外界情况之间存在着很多鸿沟，每个鸿沟都反映出人内心对外界的解释与外界实际状态这两者间的差异，这种差异需要通过不断可交互的反馈机制来解决。
无论是被动地感知还是主动体验，用户对于数据产品所传递的内容都会产生误解。将体验作为数据产品的设计准则，是一个解决问题的办法。在设计方法论中，有的人不仅提出了具体的设计要素，而且提出了用户对品牌特征、内容性和功能性和信息共用性等多方面的体验设计方法、有的人提出共情设计方法来提升用户体验水平，通过有目的、有计划、有步骤的实践活动，体验能让人产生满足的情感，将其内化和释放呈现。产品的用户体验是指消费者在使用产品的过程中的直观感受，包括人机交互和情感两个要素。
产品的数据用途并不是由该产品功能和设计初衷决定的，而是由用户的理解、听取别人对该产品的描述和旁观者对它的评价来决定的。数据产品不是简单的功能载体，而是整套服务和解决方案。数据产品的形式是整体的、全方位的。
# 体验作为设计对象
数据产品或服务是一个综合了多种物质基础、多样化的非物质条件和复杂社会互动的多元产品。用户除了基本的心理预期要求外，还需要有超出预期之外的惊喜。数据产品的设计任务是去构架数据与人之间恰当的互动关系，而不是去完整策划或标准化每一个体验接触的细节。
能否唤醒存在于数据消费者内心的意义，让他们在参与过程中感知到数据价值是衡量数据产品设计优劣的标准之一。用户主动去体验的方式可以更容易产生业务模式创新，要想更好地提升数据产品消费者的主动体验，需要将体验本身作为设计对象。
我们可以围绕特定的某个体验环节展开：预期、事件、影响。这些环节可以用来指导产品的体验设计以及对产品体验进行评测。体验设计师从用户动态消费过程去看待设计活动本身，把用户的参与真正融入设计中，用户的角色由设计结果的被动接受者转变为设计活动的主要参与者，设计目标指向了用户的心理、情感和精神领域。一个有意义的体验需要从三个方面去塑造：用户能感知的触点数、体验过程的持续时间，以及与用户互动的紧密程度。体验是企业以服务为舞台，以产品为道具，围绕用户创造出有价值的活动。