数据产品架构「大数据系统的逻辑架构由哪些层组成」

今天给大家普及一下数据产品架构「大数据系统的逻辑架构由哪些层组成」相关知识，最近很多在问数据产品架构「大数据系统的逻辑架构由哪些层组成」，希望能帮助到您。

关于互联网产品数据分析的文章和书籍，各大社区可以说发文已经数不胜数。本篇文章不会在基础性的DAU、ARPU等等基础性词汇上做深究，而是在为什么需要这些数据，以及如何设计这些数据指标上做深入探讨，旨在解构数据指标设计的底层逻辑，在创新不穷的互联网领域，方便大家能够更加自定义地为自己的产品创造和制定数据指标。

数据指标的依附，仍然在产品本身的层面上。交付你一份产品，并需要你为之设计需要追踪的数据指标的时候，假设你对基础指标一无所知，那么你的思考思路应该是怎样的？

这里先交代解构数据的基本知识和方法。一般来说，事物的基本解构方法包括: 要素、属性和行为。

要素：要素就是构成事物的组成部分。一件事情由人和事两个要素组成；一支笔由各个零部件组成；一个订单由产品、数量、定价、交期、品质说明、付款方式等部分组成。这些都是事物的构成要素；属性：属性是事物自身的特征或者特性，也包括各种要素的特征或者特性，这些特征或者特性包括颜色、硬度、强度、导电性、隔热性、灵活性、可燃性、阻燃性等；行为：因为事物的构成要素和其所具有的属性，所以事物会具有行为上的特征。而一个产品当中所含有的业务流程，就是这个产品的行为特征。

那么我们接下来会按照如上的三个基本概念去建构一整套的产品数据体系，建构利用的概念的顺序依次为行为、属性、要素。

指标基建第一步：在进入数据之前，需要首先解构产品/服务的核心流程

假设我们要为一套电商平台搭建数据指标体系。那么核心流程图应该绘制如下：

图示：核心流程图

这里可以更加细化地产出对应的场景描述，用户体验地图，服务蓝图，为了简化概念，这里暂时用核心流程图来示范。

第二步：根据第一步的梳理，我们接下来创造【流程转化性】指标

转化指标（应用的是<行为>概念）：

买家端核心流程指标：

访问->注册完成转化率访问->登录完成转化率商品详情页浏览->下单转化率商品详情页浏览->客服咨询转化率商品详情页浏览->收藏转化率商品下单->支付转化率商品支付->卖家发货转化率卖家发货->确认收货转化率下单->退货转化率

卖家端核心流程指标：

卖家入驻转化率（注册->通过审核正式签署协议入驻）卖家入驻->卖家上架商品转化率第三步：根据第一和第二步的梳理，我们再接下来创造【流程节点属性】指标

节点属性指标（应用的是<属性>概念）

买家端核心节点指标：

访问/注册/登录节点相关：浏览量（访客量），即PV、访客数，即UV

下单 & 支付节点相关：

订单金额、订单数量、订单用户数、有效订单、无效订单成交金额、成交数量、成交用户数客单价、件单价

退货节点相关：退货金额、退货数量、退货用户数、金额退货率、数量退货率、订单退货率

卖家端核心节点指标：

货物入库节点相关：库存金额、库存数量、库存天数、库存周转率、售罄率发货节点相关：送货金额、送货数量、订单满足率、订单响应时长、平均送货时间指标扩展

那么第二、第三个层面的数据梳理，基础的核心数据框架已经出来，在产品/服务不断成长的过程中，我们应该如何进一步深化一整套的数据体系？

这时候就需要应用<要素>概念，解构与建构：

首先，往上建构

由于这一套核心流程仍然要往企业、行业这一层面上服务的，所以这时候一定要及时跳出，Zoom Out，【全局维度】，从企业和行业的角度看全盘的数据（如图所示）：

包括财务数据，关心企业的三表，包括利润表、资产负债表、现金流量表（虽然这一部分数据属于企业核心数据，非高管很难拿到，但是可以关心的时候还是尽量关心一下，如果公司是上市公司的话可以去公司财报中寻找）

再往上升，还有行业分析，产业链表现，通过一些市面上专业的行业数据分析公司出具的报告可以拿到全行业的竞争数据。

图示：从核心流程指标出发，Zoom Out俯视全局

再次，往下解构

Zoom In，在每一个核心流程节点之间与节点上看【深化数据】：

将原有的流程节点进一步深入结构，分解出更多的【转化性质】和【属性性质】的分解指标，方便对单个节点的数据进行进一步的优化，创造价值，为未来的发展指点迷津。

例如转化率层面，商品下单->卖家发货上，

可以进一步细化转化分支路径，细化数据追踪（如图示），两步可以进一步拆解出额外的4小步（浏览确认付款弹窗、点击立即付款、身份验证、浏览支付成功页）出来形成6步转化节点进行数据分析，用于后续产品优化。

图示：流程转化2节点之间可以进一步细化

第三，向左向右建构

Zoom Aside，【另起维度】：是在不同于原有的流程节点上挖掘更多的流程分支，挖掘场景，例如可以在用户生命周期的流程上继续深挖指标，比如：

注册会员数、活跃会员数、活跃会员比率、会员复购率、平均购买次数、会员回购率、会员留存率、会员流失率等等

这样呢，重点的全盘数据追踪框架算是基本完成。

结语

本篇分享更加侧重数据体系背后的搭建思维和方法论，在很多细节上没有做大量渗透，希望读者朋友们可以多多体会背后的搭建体系的思维而非表层的数据指标，因为只有掌握了思维，才能运用到实战中去对不同行业的产品进行数据指标搭建。

另外，笔者希望说的是，好的数据体系也是一步一步演化出来的，尤其是新兴产业。从一开始就搭建起庞大的数据体系，唯一的方法只有在成熟产业中向成熟大型企业直接参考，而这些大型企业的数据体系也是一步一步发展出来的，对待数据，希望大家也能有发展思维去看待；那么今天的分享就到这儿了，感谢大家的阅读！

本文由 @菠萝饭 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。