分清指标和维度关系。
既然是数据产品，一定离不开数据图表。而要做图表，首先得确定指标和维度。最直观的说：指标就是图表中纵坐标轴；维度就是横坐标轴。
身高，销售量，访问量，收入这些能用数字衡量的，就是指标；而性别，部门，访问来源，地区等不能用数值衡量的，就是维度。
指标和维度组成一个数据图表的基本元素。当然，最重要的一种维度就是时间，它的优先级会在其他所有维度之上，下文中会更多地讨论。一般人应该不会分不清指标和维度，去使用一下excel中的数据透视表功能，你就会对指标和维度理解得非常深刻。
有对比才有信息，有信息才有价值
销售总监向ceo汇报：“上个季度我们销量是100单”。这话其实是没有信息量的。真正有价值的是对比后产生的信息：“上个季度我们销量100单，比上上个季度多了20单，增长25%！”。第一种对比就是时间维度的，纵向的对比。这样就能知道是变好还是变坏。
“上个季度我们销售了100单，在所有分公司中排名第一！”这是第二种对比方式，即横向的对比。横向对比不能告诉你变好还是变坏，但能告诉你是好还是坏。
那聪明的孩子肯定知道第三种对比方式了。纵向与横向都进行对比，一个指标的价值才会体现。不仅告诉你变好，变多好，还能告诉你哪里变好或者为什么变好。
案例一：
如图，订单量从纵向和横向（不同规模客户）进行了对比。
上图会反应一个很典型的销售分析场景：
首先，分管销售和市场的副总裁接被告知销量增长了25%（变好了），然后他会看是什么类型的客户增长了（为什么变好），他发现是50-200人的订单和0-25人的订单增长迅速，那么进一步，他再看看这些客户的地域分布、行业分布或者是所隶属的分公司的分布对比，分析增长的外生因素和企业内生因素。
比如，0-25人企业新增量大部分来自超一线城市，原因是政府鼓励学生创业计划，0-25人小微企业大量涌现，导致订单量增加（外生的影响因素）；而50-200人的中型企业客户增加，大部分来自珠三角地区的制造业，原因是产品功能上增加了项目管理工具和审批流程，解决了很多中型制造企业的需求（内生因素）。
于是，接下去的策略就是在超一线城市增加与小微企业孵化器的bd合作，再增加针对学生类创业人群的定向广告投放；而在珠三角和长三角地区增加销售员数量，用人去触及更多工业园区和企业；结合会销，关键是用精心制作的案例来打动他们。
时间维度优先，明确的时间范围和显示颗粒度
这条原则不是非常绝对，但是以我的经验，任何数据指标，你都得先纵向地观察变好还是变坏，才有必要去横向切片（用其他维度去探究为什么）。使用场景参考案例一。
时间维度不仅要优先，还要区分时间段和显示颗粒度（图表横坐标上标签的密度）两个概念。比如，我要观察公司网站半年来的pv变化趋势，那么需要选择2015.2.1号至2015.8.1号，并且选择按日、周还是月来查看。当然，选择半年跨度按天查看，图表很可能呈现波动巨大且密集的折线图，你会觉得杂乱无章。所以选择以周活着月的颗粒度看，会更直观。
补充一点，工具当中如果增加趋势线选项，那会是更棒的。在excel中，可以在“图表布局”的选项卡下找到趋势线，里面有线性、指数、幂、移动平均等模式，是观察一个指标时间维度波动趋势的好帮手。
尽量减少表格和静态型图表的呈现
表格可以承载很多信息，但不够直观，因此在数据产品中它的呈现要让位于数据图表。
静态型图表是指饼图、环形图、树状图等只反映某个指标在某个时间点上的结构分布的图表。这种图表的缺陷就是没有时间维度的对比。在我看来，它更适合用在公关性质或者推广性质的报告中，而对于指导企业运营的数据产品，更合理的方式是采用堆积柱形图。
如下图：
堆积柱形图，总高度即当月总订单量，不同颜色的部分即不同的客户规模的订单量。用堆积柱形图结合饼图，不仅指标的总量在时间维度变化可以直观看到，各成分的量和占比的变化也变得直观。
补充一点，静态型的图标传达信息少，占面积大。这与数据产品要在有限的页面空间中传达足够多的信息（个人认为）是相违背的，所以最好还是作为辅图。
具备下钻和筛选的能力
案例二：
首先，CEO发现公司业绩下滑了，但并不是全公司在销售管道（pipeline）上的普遍下滑，那么就是某几个分公司拖了后腿。
接着，他要看看是哪个分公司业绩下滑，甚至是哪个销售经理的业绩下滑。
然后，找到了下滑最厉害的销售经理后，CEO要看看他的团队在销售管道的哪个环节出了问题（假设这家公司的销售管道是约访—>拜访—>签单）。
最终发现是约访效率出现大幅下降；检查后发现，是这个销售团队没有好好进行话术的培训。
——这就是对下钻的需求
找到症结后，CEO决定，要筛选出全公司约访率在这个季度排名在后20%的销售，进行集中的话术培训。
——这就是筛选需求
这就是通过数据找到问题并针对性进行解决的一个典型。下钻的深度可以随着数据的积累慢慢增加，但下钻和筛选必须同步开发，缺一不可。
重视导出和接口，但要重视权限
数据产品最终是给企业决策提供依据的，看的人应该是管理层和部分业务层。他们未必都有深入研究的需求，只要通过简洁的操作，直观地发现业务上的问题就行。
而对于数据分析岗位（BI），有多样化的研究目的，需要灵活地建立模型。研究方法会不断在变，模型也会不断优化，所以不适合做到固定的数据产品当中。因此对于他们来说，更重要的是数据产品背后的数据仓库。数据仓库变量的建立要全面和详细（数据产品只是呈现一部分），并支持BI们手动导出或者与数据分析软件对接。
不要忘记，所有数据是公司的机密，权限需要严格控制。
