电商后台数据产品的规划设计

编辑导读：做好数据的应用能帮助业务决策和优化，所以对数据产品的设计显得尤为重要。本文作者依据工作中项目实践的所思所想，并结合案例等分享了电商后台数据产品建设的相关经验，供大家一同参考和学习。

01 电商后台数据产品指什么？

广义来说，数据产品涵盖一切涉及到数据的产品系统，除了单纯的数据模块，订单管理、商品管理、资金管理等都可以算数据产品。

本文介绍的是，商家后台中数据分析（经营分析）的模块。通过多维度多经营指标的可视化呈现分析，帮助商家了解自己的经营状况的产品系统。

拼多多商户后台的“数据中心”模块

有赞微商城后台“数据中心”模块

02 数据后台的解决用户什么问题？

这也是我们在做数据后台时首先要思考的问题，按照《用户体验要素》划分，属于战略层。

一般来说数据后台会有这样的目的：

• 核心指标数据统计；
• 各个模块数据分析；模块的划分一般按照业务过程去划分。
• 策略输出；针对数据情况，智能自动告知商家数据结论和相关运营建议，增强商家后台其他功能模块的联动
• 工具商业化变现。针对数据上反映的问题，推荐电商后台的多种营销工具，进行商业化。例如广告投放，活动优惠券工具等，这些往往是可以收费的。

03 数据后台数据应该如何组织呈现？

很多人认为，丰富的数据形式，加上酷炫的交互就是个很“厉害”的后台数据产品，如果没有一个清晰的逻辑脉络的话，这样的产品无非是酷炫组件堆叠，达不到帮助商家统计分析的目的。

我总结了下面几个步骤：

1. 定指标：和自己业务相关的一些指标需要梳理，并且确定核心指标和过程指标。

2. 拆过程：将电商的过程拆解为 流量（自然、私域、广告），下单，付款，物流，退款、服务等各个环节。帮助商家了解各个流程环节中的强弱项。第1步和第2 步往往是结合起来一起做

3. 拆维度：时间，商品，渠道、用户特征等。帮助商家了解何时，什么样的商品，什么样渠道的流量、对什么样的人群有更好的经营数据。

4. 做比较。比较分为 和自己比（环比、同比、近X日等），与 和别人比（同类商家所处的位置）。

5. 可视化呈现。选择相应有意义的维度、指标、比较值，配合相应的可视化组件。

6. 输出结论。根据数据给出结论、问题、和决策建议。让数据讲故事。

04 数据后台一般的构成要素有哪些？

一般来说，数据后台根据电商业务的主题拆分成多个模块，包括：数据概况（首页）、流量分析、交易分析、商品分析、用户分析、营销分析、服务分析等

重要模块的内容和特点如下：

不同的电商平台，侧重点也不一样。

例如抖音小店是以内容引流商品的打法，更加关注创作内容维度对于电商成交的影响。专门设置了 不同的视频、直播、头条内容 维度下 店铺商品的核心数据。

抖音小店后台内容分析模块

拼多多和淘宝这种有集中流量的平台电商，服务相关的数据也会非常重要，包括IM消息回复率，纠纷率，退款退货处理时长，平台介入率，以及反应综合服务水平的DSR分析。

拼多多后台服务数据模块

05 数据后台设计时要避免的问题

最后来说说做数据后台产品要避免的几个重要问题。

第一，数据错误

数据质量是第一要求。数据产品优先保证数据的准确

1. 口径的准确性。对指标，维度，业务限定使用通用的口径逻辑，最好能和运营分析中使用的口径对齐，避免内部成员理解出错。
2. 释义的准确性。对指标、维度、业务限定的口径要有规范性的梳理，同时在数据后台中，向用户标注这些信息，减少用户的理解成本。

第二，臃肿堆叠

由于产品系统不断迭代，负责人不断更换，随着时间推移在原有基础上增加数据指标，增加可视化呈现，造成产品越来越臃肿。

因此我们需要明确各个数据模块的设计目的，目标用户，生命周期，谨记奥卡姆剃刀准则，克制添加功能，保证整个系统的简洁必要。

第三，交互展示错乱

一个大的产品系统经常会有多个人员负责 不同的子模块。更加要注重交互的一致统一。降低用户学习成本。

注意数值、单位上下文的一致性，例如单位，小数点，千分位符等。千万不要一个模块用“万”，一个模块用“k”在交互设计上，让用户以最少步骤拿到结果。

数据内容上可以有一定“重复”，避免多次点击让用户自己拼装碎片信息。

06 总结一下

电商数据后台的规划设计需要结合自己的业务特征，明确用户的核心需求和使用场景，确定能帮用户解决什么问题，和给自己平台能带来的商业利益。

在这个基础上，集合业务流程特点，确定核心指标、和次要指标，设计通用的维度组合。

再下一步是利用多种分析模型将数据反应的问题，直接告诉商户结论和决策建议，在这个过程中，与竞争对手的差异化的功能上，进行功能售卖和商业化的引流等。

简要过程：

（1）了解用户是谁，什么样的场景下使用

（2）制定数据后台要实现的目标

（3）数据设计和呈现

• 确定核心指标和次要指标，以及分析这些指标的维度
• 结合可视化组件将指标条理清晰地呈现出来
• 维度组合分析，常见的有：商品和时段组合（找出什么样的商品在什么时段销售更好），商品和人群特征的组合（找出什么样的人喜欢什么样的商品）

（4）将数据智能化的告诉用户结论，和相应的决策建议

（5）结合自己的商业化功能，进行有针对性的变现

（6）提供报表下载功能