橙歪瓜是电商公司负责某条业务线的产品负责人，天天都会通过数据可视化屏幕观察业务线的数据变化，近期发现订单量有较高的上涨的趋势，好像有些异常，询问后运营后，得知这些天有运营活动。想来是运营活动导致的订单量和GMV激增，橙歪瓜也没有太在意，没想到几天后，出事了！
公司新来的一个运营同事在新的活动中进行100元无门槛优惠券的配置，由于错误配置，全用户可以无限制领取，且优惠券全场通用。黑灰产及羊毛党利用该“漏洞”领取大量优惠券，完成了千万的套利，导致公司在2天之内损失惨重。
可怜的橙歪瓜，谁能想到看似一个运营活动导致的订单量增加，却是一个重大的问题呢？
通过GMV（交易总额）、日订单量，我们大家可以明显地感觉到业务处于一个飞速的增长。
这是一个好的信号，通常来说，运营活动导致订单量激增，很多时候依然处于大家印象的“正常”范畴。
一方面因为新的运营活动必然做出了一些有利的促销活动，好像也能为订单量的激增做出解释；另一方面单从可视化屏幕进行观察，订单量、GMV的突兀增长变化也不能直接反映出优惠券被无限领取和大量使用的问题，所以每天通过可视化屏幕观察数据的小小橙也没能察觉到这是个问题。
事实上，数据可视化没能为用户做好预警，是因为订单量和GMV这2个数据指标无法明确传达业务异常的含义，如果在可视化屏幕中，新增一项图表，用来展示优惠券业务的数据情况：假设某电子商务平台使用优惠券的订单在全部订单中的正常占比是2%~10%，优惠金额在总订单金额的正常占比是在2%-6%，这是一个正常的区间。
当单日订单中，使用优惠券的订单超过10%，且订单优惠金额占比超过6%，这就已经很明确地反映出优惠券的业务出现异常了，橙歪瓜也能很清晰地就能感知到这个问题。
然而这些“关键信息”的缺失，使用户未能及时有效地发现风险；如果我们大家都希望数据可视化能够更好地为用户更好的提供分析决策的依据，第一步则是找到这些“关键信息”。
传递的信息真正是用户最初想要的，可根据此信息分析出他想要的结论，那么这个信息就是关键的。所以能看出，信息是否关键，取决于与用户目的的契合程度。
数据可视化屏幕常见于展厅或公司前台，当投资人或合作客户来访时，首要看到的就是公司当前阶段全局的业务发展数据，各条业务线的关键数据指标展示可以让他们对公司当前的发展状况一目了然，体现企业实力的同时也为接下来的交流隐性的增加双方的合作机会。
数据可视化屏幕常见于实时监控中心/内部数据平台，不同于展厅那种向外界呈现全局数据的应用场景，监控中心/数据平台的面向对象通常是各个业务线的负责人，他们更关注自己业务线的细节信息。
如今一些网络公司，产研团队和运营团队是分离的，产研不在公司产品运营城市的当地，因为不在一线，业务负责人/产品人员很多时候难以了解到线上运营的一些真实的情况，往往只可以通过用户主动反馈，有时候才能发现业务当中存在的一些问题。
然而被动地等待用户去主动的反馈是有极大的风险的，问题发现得越晚，给业务层面带来的损失可能就越大。
而数据进行可视化表达后，管理人能直接通过有关数据观测，实时了解到业务的发展状况或异常问题，进而及时做出策略调整来抓住业务增量的机会或降低异常造成的损失。
假设某网约车平台中隐藏着这么一个问题：高峰期大量叫车的订单在3分钟内会被乘客主动取消，造成司机空驶一段距离后被突然取消，浪费司机运力。司机自己即使知道被取消订单的缘由，但不主动向平台反馈，业务负责人/产品经理也是很难发现这样的一个问题的。
但借助数据可视化，业务负责人无需外界反馈，观测订单转化漏斗图（下单——订单被取消转化率）、乘客取消原因占比，即可发现到大量叫到车的订单被乘客主动取消的这个问题。
而越早发现问题，业务负责人也就可以更早地定位问题点，实际经过分析后发现很多乘客取消订单，是因为派单的司机距离自己较远（接驾距离超过5公里），此时业务负责人则能及时地调整派单策略中的派单距离上限，来缓解这个问题。
结合可视化的应用场景了解用户对目的后，之后我们最终选择关键的数据指标，就有了选择的依据。
选择关键的数据指标的前提是，我们清晰地了解当前有哪些数据可供我们最终选择，所以此前我们应该整理出现有可用的有关数据指标。
业务目标是我们自始而终的驱动力，基于业务目标出发，我们将业务策略、业务度量贯穿，自上而下地思考现有可用的数据指标。
1）首先明确平台的业务目标：网页车平台希望使用户得到满足能够便捷、快速打到车，安全抵达目的地的诉求。
便捷方面，东风出行提供了独立APP版本（包括针对老年人使用的敬老版APP）、H5打车、在滴滴上也能叫到东风出行的车；起始点自动定位，最优行驶路线选择等；
快速方面，针对不同人群不同诉求提供了多品类产品选择，例如快车、专车、出租车、顺风车等业务，根据早晚高峰提高热点区域运力（司机端热力图驱动司机主动前往高峰区域），减少用户排队时间；
安全方面，运营侧建立司机合规准入机制，APP端建立安全中心，为司乘提供实时位置保护，紧急联系人，行程录音，一键报警等措施。
当然，在穷举出有关数据后，我们可能会发现大量的数据指标，例如滴滴出行2020年官方技术团队披露当下已有5000+数据指标进入到数据仓库，单凭用户目的，选择数据指标并不是特别容易，因此我们还需要对数据指标分层级之后，在进行指标选取。
指标分级主要是对指标内容的纵向思考，根据公司战略目标、业务线或事业群目标进行自上而下的指标分级，核心就是对顶层指标进行层层拆解，在拆解的过程中，指标逐步分为三层T1、T2、T3，子级指标通常能体现出父级指标变化的原因。
用于衡量公司整体目标达成情况的指标，主要是决策类指标。T1指标使用通常服务于公司战略决策层（最高层领导），通俗点说T1指标可能就是公司最高层每年决定要达成的那几个目标点。
为达成T1指标的目标，公司会对目标拆解到业务线或事业群，并有明确的目的性做出一系列运营策略，T2指标通常反映的是策略结果，同时也是业务线或事业群的核心指标。T2指标是T1指标的纵向的路径拆解，便于T1指标的问题定位，T2指标使用通常服务业务线指标——
T3指标是对T2指标的路径拆解，用于定位T2指标的问题。T3指标通常也是业务过程中最多的指标。T3指标的使用通常可以指导一线运营或分析人员开展工作，能够迅速引导一线人员做出相应的动作。
在网约车风控领域的初期阶段，“逃单率”作为领导层很关注的战略指标，它与完单数一样直接影响着公司的营收，大量乘客坐车不付款逃单的行为能致使公司每个月损失超过50万元（平台会给未支付的订单进行金额垫付给司机）。
而基于车型的维度分析，发现快车车型的未支付订单数在整个未支付订单数中几乎占据99.9%；而专车车型则几乎不存在未支付订单，此时“快车车型未支付订单数”成为了更加具体的T2级指标。虽然问题好像更加明确了，但此时风控部门依然无法确定降低“快车车型未支付订单数”的具体方案，因为批量出现未支付订单的原因还不明确，而处理问题的前提是，找到问题原因。
未支付订单中的用户人均注册时长——区分未支付用户群是近7天内注册的新用户还是注册时间比较久的老用户；
每日下单设备数/每日下单用户账号数——分析是否多账号频繁切换设备，对应集中性下单的欺诈性特征；
这些可视化的数据指标，可以直接明了地让我们验证自己对T2指标过高的原因猜想，一旦数据的反馈符合自有假设，业务部门可以迅速针对问题点提出详细明确的方案去执行。
指标分级的核心是对于问题的层层拆解，拆解出来的指标可以明确对应到各个层级，有效地指引团队进行决策，当我们对指标进行分级归类之后，我们对于数据指标的择取就更加清晰明了。
产品周报255期 端午节平台预订量同比2019年增四成，梅西淘宝直播观看量近250万
人人都是产品经理（是以产品经理、运营为核心的学习、交流、分享平台，集媒体、培训、社群为一体，全方位服务产品人和运营人，成立12年举办在线+期，线+场，产品经理大会、运营大会50+场，覆盖北上广深杭成都等20个城市，在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名网络公司产品总监和运营总监，他们在这里与你一起成长。
上一篇：数据可视化的意义和价值 下一篇：Shopify推出免费AI新功能
