“大數據”“數據分析”“數據可視化”已經被人們越來越多的提起，傳統的金融服務公司最早開始使用數據驅動業務運營，由最早的二八法則尋找客戶、拓展業務發展到類似今天互聯網產品利用數據構建客戶畫像去管控風險精準營銷。大數據時代，如何更好利用數據驅動設計，提升產品商業價值是業界普遍關注的重點。

1.數據驅動產品功能設計

互聯網時代信息越來對稱，越來越少有人能夠做到你知道別人不知道，此時善于利用數據就會讓你的產品設計更加極致，也會讓你在競爭如此之大的行業中發掘新的產品設計機遇。

1.1用戶反饋數據驅動產品功能設計

用戶反饋數據不僅可以獲得后臺數據庫無法獲取到的用戶行為數據，也可以了解用戶的主觀態度、用戶觀點，將主觀感受應用到產品設計中助力產品設計。

小米的MIUI操作系統是完全根據中國用戶的使用習慣自主原創全套的用戶體驗設計，自2010年8月首發，在小米發燒友中的反響巨大，用戶的功能訴求從未停止，因此小米同時宣布了每周一次更新的策略，每次周五更新之后發燒友率先使用并積極與小米互動，提供很多修改意見，這些意見或主觀或實用或理性或情感，小米將這些數據統一整理并對評估合理的一些意見進行轉化，并快速修改，下周五便推出下一個版本，如此利用用戶反饋數據不斷滿足用戶，到2015年2月，不到5年時間MIUI用戶總數突破1億。

1.2用戶行為數據驅動產品功能設計

Linkedin的人才流動畫板記錄整理了世界上某個時間點到某個時間點，有多少人在哪兒家公司擔任過什么職務，得到世界上所有公司的人才流動情況。

2012年Linkedin基于此人才流動畫版設計了兩款新的產品：找出硅谷中最有潛力的初創公司，根據人才畫板中哪些公司最近階段采取方式方法挖掘大公司人才，人員流動少等信息對該公司的潛力值基本可以有一定的判斷；第二款產品即是為最受關注的雇主品牌排名，12年榜單發出便受到了極大的關注。

這兩款產品也是極大的方便了企業的銷售人員，

銷售把這張相關圖表發給目標客戶的管理層，這樣就很容易引起對方的重視，預約成功率和簽單比率大幅度上升，服務Linkedin企業內幾千人的銷售團隊。

2.數據驅動用戶體驗設計

數據如何評價產品的設計目標由產品的設計目標決定，通過對設計方案上線后用戶數據的對比，判斷設計目標的實現程度，往往也可以通過數據分析找到產品優化的方向。

1688UED團隊提到過“5”度用戶體驗質量模型，即從用戶和產品“當前”關系的觸達、行動、感知三個過程和“長遠”階段的回訪、傳播兩個過程，定義數據指標分別是吸引度、完成度、滿意度、忠誠度和推薦度。

觸達--吸引度：新用戶、老用戶帶著目標訪問網站，相應的吸引度是衡量在用戶操作前，產品是否能夠吸引用戶或有多少用戶通過吸引產生相應的行為；

行動--完成度：用戶尋找自己感興趣的內容進行相關操作，相應的完成度是衡量用戶能否完成相應操作及完成相應操作的實際效率如何；

感知--滿意度：操作完成后對產品形成的主觀感受，相應的滿意度是指完成相應操作之后用戶的滿意程度及其他主觀感受；

回訪和傳播對應的忠誠度和推薦度指的是用戶會不會再次使用該產品或將該產品推薦傳播給其他人。

“5”度用戶體驗質量模型作為一個基礎模型定義用戶體驗數據的基礎指標，不同企業不同產品也會根據自己的目標具體定義用戶體驗數據指標，助力驅動體驗設計。

3.數據驅動業務模式設計

以往提到數據科學人們腦海中總會勾勒出定律、公式、學術等詞藻，今天數據科學更多的被認識到是可以創造商業價值的科學，不僅是科學，更多的是為業務帶來增值效益。

用戶屬性信息、行為數據信息、社交網絡信息都是數據挖掘不可或缺的資源，Linkedin常提到EOI方法中講過大客戶興趣指數的案例，利用toB產品中決策者扮演決定性作用的本性，利用數據去判斷企業級大客戶對產品的興趣，根據決策者指數和產品傾向模型建造個人興趣指數得出大客戶興趣指數，這樣可以清晰的排序那幾家公司更容易購買產品，那樣相關的業務人員只需要在這些人身上花相對多的時間去采取手段、爭取機會就可以實現最初的目的，從而為整個業務帶來更高的交易效率。

4.數據驅動可視化設計

有了數據，可視化就成了必然趨勢，設計師需要通過圖表、形狀、文字、色彩等元素的組合將數據信息表達給用戶。數據類型直接決定所要表達的圖表類型，一般情況下想要表現離散數據選擇柱狀圖，想要展現連續數據、表現數據的變化趨勢選擇折線圖，想要表現地區數據則會選擇地圖作為數據展現的底圖相應選擇地圖色彩圖或地圖氣泡圖等。

《數據之美》中關于咖啡種類的說明，可視化的圖形樣式，直觀表現出不同種類咖啡的成分組成及各成分之間的比例關系。

美國大選投票數據展示是一個很好的榜樣，設計師將特普朗和希拉里雙方的選舉人票在地圖上進行整體對比，除此之外，也可通過鼠標懸停操作查看各洲投票情況及雙方支持比例。

數據連接著圖形和現實世界，終極目標是讓用戶通過更少的時間了解到更多的數據信息，”我花了5分鐘時間才看懂圖表“ 這是可視化設計的失敗，數據量越大可視化選擇就越大，如何設計最適合的形狀、顏色圖表過濾掉不好的選擇尤為重要。

來呀，大家一起來交流呀哈哈！！！