谈谈如何使用数据产品画布构建高价值数据产品

一 介绍

你知道为什么大多数数据产品都失败了吗？这是因为它们并不总是与公司的真正目标一致。

因此，如果你真的想构建一个好的数据产品，就从任务开始吧。确保你从一开始就有一个真正的问题需要解决，并有一个明确的范围，也就是说，可以根据公司的业务挑战进行调整。毕竟，数据产品产生的价值与技术的使用无关，而是与技术的用途和实际应用有关。

这样，每当你想到与数据科学相关的产品和项目时，在定义之前请记住：重点、目标和战略。因为如果你知道该做什么，怎么做就不会成为问题。

因此，正是考虑到回答这些问题，创建了数据产品画布。希望大家喜欢阅读，欢迎评论。

二 什么是数据产品画布

它是一个基于Canvas模型的数据产品开发框架，遵循敏捷/精益方法论的原则。它的主要目标是作为一个实用的工具来生成数据产品路线图，在一个文档中调整所有相关人员对项目真实目的的完整看法。

数据产品画布分为10个块（问题、解决方案、数据、假设、参与者、行动、KPI、价值观、风险和绩效/影响），并由3个领域分开，即：产品愿景（包括块：问题、解决方法、数据和假设）；战略愿景（包括以下部分：参与者、行动和KPI）；最后是业务愿景（价值、风险和绩效/影响）。

在每个块中，详细探讨了对将要开发的数据产品的每个部分有独特理解所需的所有发现。每个领域都涉及正确规划和开发产品的关键领域，提供了从问题确定到战略执行的360度视图，包括KPI监控和风险映射。

三 产品画布是干什么的

DPC的想是为了确保在技术和业务领域之间的共同理解的基础上对数据产品进行实用和客观的规划。通过这种方式，可以将整个项目从一端映射到另一端，从而允许对计划和将执行的内容进行单一查看。此外，它还有助于创建行动和监控主要指标，以遵循将在其整个生命周期中开发的解决方案。

因此，可以清楚地识别和绘制以下项目：

1.问题定义；

2.采用的解决方案；

3.数据映射；

4.将要检验的假设；

5.所有参与者（客户和利益相关者）；

6.将要制定的战略行动；

7.应监控的KPI；

8.价值（问题的规模）；

9.风险；

10.产品的性能和/或对业务的影响。

四 为什么使用产品画布

数据驱动文化的成功取决于战略的定义和实施，而不是技术。这就是为什么明确数据产品是业务领域的问题，而不是技术领域的问题很重要。

所以，在开始一个项目之前，想想你真正需要什么。不要迷失在技术上，使用最容易获得的技术。关注业务，而不是技术解决方案。因此，您需要知道对您的数据产品的期望是什么，以及在实施时如何处理它，也就是说，在产品交付结束时将产生什么战略行动。此外，在整个生命周期中监控性能及其影响对于产品的长期成功至关重要。

这一点非常重要，因为如果没有这些理解，很可能会失败。

五 如何使用产品画布

1.从问题开始

作为一名优秀的数据产品经理，您必须引导产品发现完成最重要的部分：问题。否则，您很可能为错误的问题创建了正确的解决方案。

因此，无论需求如何产生（通常来自已经有了“现成”解决方案的利益相关者），始终从问题开始。毕竟，明确定义的问题就是已解决的问题。这是一个至关重要且不容谈判的点。甚至可以从解决方案的想法或假设的检验的前提开始。然而，填充Canvas，以及所有最初的努力，都应该集中在这一点上。也就是对问题的明确、具体的定义。

Canvas 的其余部分将基于这个主题进行开发。以至于在许多情况下，可以根据本主题中讨论的内容填充画布的其他部分。有时，此时可以更改项目提案和/或停止其执行。当以下情况发生时，就会发生这种情况：对于问题到底是什么没有达成共识，或者当人们认为所识别的问题不是实际预期的问题时。

所以，请记住：始终关注 Canvas 的第一块，即明确、客观地建立想要解决的问题。为此，请始终询问：

有什么问题？

为什么这是一个问题？

到底是谁的问题呢？

您会惊讶地发现这 3 个简单的问题如何改变项目的方向。但不要停在这里。对于每个问题，在客户/利益相关者给出答案后，至少再问每个答案原因 3 倍的问题。

作为例子，下面是我与一家电子商务集团首席执行官的经历。观看 CEO 和数据产品经理(DPM)之间的对话，并注意事情发生了怎样的变化：

CEO：我希望你能提出一个可以为公司带来更多客户的解决方案。这可能是一个使用客户细分和使用我们的数据进行 A/B 测试，然后提出建议的项目。你怎么认为？（请注意，客户已经强加问题是寻找更多客户，并且已经定义了技术解决方案！！！）

DPM：当然可以，我们可以做到。毕竟，我们正在讨论漏斗顶部的问题。但在我们进一步讨论之前，您能向我解释一下为什么您需要更多客户吗？

CEO：只是我们需要销售更多产品，为此我希望拥有更多客户。

DPM：嗯……我明白了，但是你可以通过关注当前客户来销售更多产品。在我看来，这似乎是漏斗中间的一个问题，也就是说，我们可以通过经常性购买和增加市场篮子来解决这个问题，在当前的客户群之上开展工作。在这种情况下，我认为采用追加销售和交叉销售技术的解决方案会更合适。你怎么认为？

CEO：没错，这就是为什么我总是说数据科学是解决所有问题的方法。继续！

DPM：好的，我们继续！但在此之前，请回答我：为什么需要更多的销售额？

CEO：看，我们的收入实际上正在下降。这就是为什么我需要更多的客户，购买更多的产品，以产生更多的收入。你明白了吗？（此时CEO已经显得有些不耐烦了）。

DPM：现在我们遇到了一个真正的问题！如果收入下降，那是因为我们存在客户保留问题（漏斗底部），这可以通过防止和重新激活客户流失的解决方案来解决。你怎么认为？

CEO：这就是为什么我总是说数据科学是所有问题的解决方案。继续！

在此示例中可以看出，创建最初提出的解决方案对于最终业务目标来说是多么低效。毫无疑问，这个解决方案无法解决项目的真正问题，即保留客户的问题，而不是吸引新客户的问题。

所以正确的做法是问：

有什么问题？

为什么这是一个问题？

到底是谁的问题呢？

然后，对于每个问题：保存答案。把它写下来并贴在 Canvas 的便利贴上。然后问：为什么？保存答案。把它写下来并贴在画布上的便利贴上。然后问：为什么？保存答案。把它写下来并贴在画布上的便利贴上。然后问为什么，为什么？？？

最后，你仍然可以问：为什么？

2.确定将采用的解决方案

这里值得强调的是前面已经强调过的一点：数据产品不是技术问题，而是业务问题。这样，就不再迷恋时髦术语（深度学习、神经网络、大数据、人工智能），而开始关注问题的实际解决方案。当逻辑回归有效时，为什么要使用深度学习？如果你连数据的基本统计都不做，为什么还要使用大数据呢？有时数据产品就是对数据的简单搜索，因为如果你没有数据，你应该从这里开始。

因此，重点关注确定解决问题的最简单、最客观的解决方案。请记住精益方法论的目的和著名的一句话：“快速测试、快速失败、快速调整”——Tom Peters

所以总是问：

将采取什么样的解决方案？（例如：分析、机器学习、人工智能等）。

解决方案是什么？例如：如果采用的解决方案是机器学习，我们必须考虑到：对于每个问题，我们有不同的方法。对于每种方法，都有几种算法。对于每个算法，都有几个参数化。也就是说，对于给定问题，不存在也永远不会有“最佳算法”。但无论如何，拥有你想要的映射将为项目的开发提供指导。

对解决方案的期望是什么？产品的输出是什么？例如：包含最终分析结果的报告？关于数据类型的具体预测？别忘了，在每个问题的最后，总是问：为什么，为什么，为什么？？？

3.映射所有数据

如果您是数据产品经理并打算从事数据项目，请记住：

1）主要挑战在于数据源及其来源；

2）结果将更多地取决于这些数据的质量，而不是分析和模型；

3) 始终优先创建有利于数据驱动文化的内部环境。

因此请记住，数据发现和管理适用于流程中的每个点。因此，为了确保项目成功，需要遵循一些步骤，以便在整个过程中为您提供更顺畅的路径。所以总是问：

数据的源是什么，即来源是什么？（例如：它在系统上吗？它是一组文件吗？它是否具有结构化格式？）

什么是数据质量？它们足以进行分析吗？

访问与可用性——您有权访问数据吗？有空值吗？

处理/转换——是否有必要建立一个读取数据的流程？会不会有一个转换的过程？

输出——输出格式是什么？

测试/训练/验证——是否有关于测试、训练和验证数据的策略或假设？

请记住，数据产品通常就是数据捕获本身。毕竟，如果没有数据或无法访问数据，将无法开发产品。

4.哪些假设将被检验

这是DPM经常忽视的一点。有时，我们被问题定义和解决方案识别所混淆，认为这些主题与数据映射一起足以推动产品开发。

然而，为了确保提出的解决方案能够满足所确定的实际问题，我们必须牢记一组要测试的假设。这些假设将从业务角度监控所建议的解决方案是否确实为公司带来了真正的价值。所以总是问：

我们想要检验哪些假设？

他们每个人的预期反应是什么？

根据每个答案做什么？换句话说，我们应该遵循什么策略？

我们可以用之前电商领域CEO的案例来举例。请记住，最终我们得出的结论是，我们遇到了客户流失问题（漏斗底部），而不是客户吸引问题（漏斗顶部）。因此，我们应该问：

例如：建议的解决方案会降低流失率吗？通过所提出的解决方案，是否可以预测正在考虑离开的客户？

这样，随着假设的结束，我们到达了第一个领域的结尾，即规划产品愿景本身的构建，即我们的产品的基本定义。

5.确定所有参与者

现在我们要进入数据产品画布的第二个域区域了，这是从产品策略视图的角度开发产品的部分。

这是最具战略意义的一点，它将指导我们制定最终解决方案准备好后必须采取的行动。这将确保解决方案在开发后不会耗尽应用程序，因为我们已经提前知道如何处理创建的产品。在这种情况下，识别所有参与该产品的参与者非常重要。值得一提的是，对于每个确定的参与者，我们必须验证在第一个领域中所理解的内容，也就是说，我们必须与他们一起验证问题定义、解决方案的识别、数据的映射以及将要进行的假设。已测试。

需要注意的是：参与者的映射必须在产品路线图期间完成，也就是说，它与之前进行的活动并行进行。

因此，我们必须随时问：

支持者是谁？

谁是产品的最终客户？

谁是利益相关方和利益相关者？

谁将使用该解决方案？

谁将是该解决方案消费者？

谁会受到该解决方案的影响？

注意点：如果找不到产品的支持者，需要评估该项目是否应该继续进行。这应该会亮起警告信号。但是，如果找不到该产品的客户，则应立即停止该项目。毕竟，没有客户就没有产品。

6.规划解决方案实施的战略行动

现在是时候让数据产品变得栩栩如生了。在此阶段，DPM 和技术经理必须开始定义将根据产品的使用制定的战略行动。在这里，角色互换了，是利益相关者在引导。然而，记录操作的却是DPM，以确保业务领域正确使用产品。

这可以防止开发的产品被业务领域停止使用，因为没有人考虑实施建议的解决方案后要做什么。

举个例子：想象一下，电子商务公司已经成功地建立了一个预防客户流失的预测模型。一旦产品交付并可供使用，您将用它做什么业务？将创建哪些操作？鉴于客户将离开公司的信号，可以采取什么措施让他继续下去？这是自动操作（电子邮件营销）还是人为操作（有人会联系您）？

因此，为了确保您的产品不会被遗忘在“抽屉”中，或者更确切地说，不会被遗忘在花费公司资金的云服务器上，我们必须确保，甚至在产品实施开始之前，业务领域就能够制定战略将使用的操作。所以问：

将使用什么操作？

应该创建哪些营销活动？

如何利用开发的数据产品为企业创造价值？

7.创建将用于监控产品的 KPI

该画布块是其他两个块之间的桥梁：解决方案和操作。您将在此处创建产品的质量和监控指标。

在解决方案方面，可以使用技术指标来监控所开发产品的质量，例如，如果是机器学习模型，可以在这里指出将使用哪个指标来衡量模型的准确性（例如.：F1、回归等）。在这种情况下，在此步骤中应询问以下一些问题：

如何评价产品的质量？（例如，如果它是机器学习模型，我们可以使用它的准确率。）；

应该使用什么指标？

此外，由于已经映射了参与者和将使用的操作，因此创建监控产品实施和使用的战略有效性的指标非常重要。也就是说，我们会监控数据产品是否真正为业务创造价值，例如，客户流失率是否下降、下降了多少百分比、客户是否开始增加购买以及购买频率等等。所以我们可以问这样的问题：

如何衡量行动的结果？

如果是A/B测试，怎么做？

我们可以应对多少不确定性？

另一点要记住的是，没有任何数据产品是 100% 有效/准确的。毕竟，过去并不是未来的镜子。因此，每个数据产品经理都必须与其主要利益相关者一起确定公司可以根据相关数据产品产生的结果来处理多少不确定性。

因此，我们完成了第二个领域（战略愿景），并转向数据产品画布的第三个也是最后一个领域。

8.估算项目价值

衡量问题的严重程度对于确定各个发展前沿的优先顺序至关重要。此外，我们将在这里评估该项目的可行性，即所产生的收益或节省是否足以继续执行计划的内容。在这种情况下，我们必须问：

你的问题有多大？

底线是什么？

使用该产品的预期收益或节省是多少？

请记住，在每个问题结束时，听完每个答案后，总是再问为什么？

9.绘制风险图

此 Canvas 的目的不是管理风险。然而，了解它们的存在并正确映射它们对于确保整个开发过程中完整和健康的规划至关重要。因此，我们必须始终牢记并随身携带已识别的主要风险清单。所以总是问：

有哪些风险？

这些风险会在产品开发过程中阻碍什么？

10.确定产品将为企业带来的绩效和影响

向公司高管证明数据产品合理性的最佳方式是展示该产品将为公司带来的影响和绩效。当然，在产品路线图的这个阶段，要做的只是一个估算，根据一定的业务情况，由产品团队来规划。无论如何，这种估计还有助于监控开发产品在其整个生命周期的使用过程中的业务价值。所以问：

对企业有何影响？

如何测量呢？

我们在哪里以及如何看到这种改进或影响？

小结

因此，在提出使用数据产品画布框架定义数据产品路线图的 10 个模块之后，我们已经到达了终点。我希望这个描述能让您在创建高性能数据产品时感到更加自信。请记住：避免为错误的产品创建正确的解决方案。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：晓晓，36氪经授权发布。