转载地址
导读 随着大数据技术在业务侧的应用越来越广泛，产生的商业价值也得到了业务部门的认可，数据分析、商业分析及数据价值在企业也逐步的纳入企业战略中，各业务部门不断提出五花八门的数据需求，为了满足不同场景的需求以及提升交付效率，企业开始将数据能力产品化。不论是企业、部门还是产品经理都会关注数据产品的价值到底有多少，是否值得投入，本文主要分享数据产品涉及的使用场景和价值评估方法。

全文目录如下：

1. 为什么需要评估数据产品的价值

2. 数据产品场景和价值评估体系

3. 提升数据产品价值的一些方式

分享嘉宾｜李泽亚 资深数据产品经理

编辑整理｜梁伟 河北工业大学

出品社区｜DataFun

01/为什么需要评估数据产品的价值

1. 数据产品的价值评估 - 产品阶段

作为一名产品经理，在产品的整个生命周期中，不论是负责公司内部平台，还是 ToB 的产品，中间都会涉及很多节点需要说明产品或产品功能的价值。但在各个阶段的目的并不完全一样，产品规划立项时，需要说明产品支持的用户场景，对应价值以及产品的 milestone；产品研发上线过程中，需要评估功能价值，调整排期并汇报进度；推广迭代时，需要收集数据支持迭代、推广方向等决策；功能维护阶段，也需要结合功能场景的价值，当前产品的架构，评估是否继续维护，或是全新改版。

2. 数据产品的价值评估 - 评估目的和方法

• 汇报同步：结合产品定位和阶段，系统评估产品价值（产出、效果、成本、沉淀等），通过汇报和同步，得到领导和团队的认同和支持；
• 场景发现：收集并分析用户需求场景，评估满足需求可带来的价值，通过拆解合并子需求，提炼高价值功能，给产品清晰的定位和功能描述；
• 功能排期：首先分析功能价值和投入成本，然后结合当前产品阶段的策略，与用户及合作方沟通，确定功能排期；
• 运营推广：一方面推广时会面向不同用户群体提供解决方案，阐述产品价值，以使用户更好的理解和使用产品；另一方面就是从运营数据本身进行分析，了解目标用户覆盖情况，辅助推广策略制定；
• 产品合作：基于前序阶段积累的价值评估体系，分析有可能的合作方和合作价值，寻求与企业内外其他数据、业务、系统团队的合作机会。

--

02/数据产品场景和价值评估体系

当我们更清晰的认知到，评估产品价值这件事本身的目的和价值后，那么接下来就是，怎样更高效的完成产品价值评估。这里也分享一些系统性的思考，给大家参考。

1. 数据产品的价值来源 -- 与企业价值来源保持一致

在我们聊数据产品前，先退后一步，看一看这个数字化的大浪潮。数字化转型，是一个相对数据产品，更大的课题。大部分的数据产品，是企业数字化的一部分，与数字化转型目标一致，就是为企业带来更多价值。

• 数字化时代：首先，我们说数字化时代，数字化程度上领军的是高新科技公司，因为这些公司的生产或业务流程，原生就是基于数字化的设备生长的。比如芯片制造是通过自动化的设备完成，一些互联网公司通过网络渠道高效触达和服务用户，这些过程中会收集到大量数据，也有很多数据应用，把业务流程数字化，发挥数据价值，有些企业，还会为传统行业提供数字化转型服务。
• 数字化方向：进一步看，数字化方向第一是生产或业务流程的效率提升和成本优化；第二是提升客户服务和体验，为客户提供数据增值服务，提升满意度；第三是为组织形成数据文化，辅助业务决策。
• 技术基建：实现数字化转型，首先需要技术基建，需要技术人才，在这个基础上去建设数字化应用，以及更广泛的数字化人才培养。

• 数字化应用：总体来说，是将一些以往依赖人去管理操作的，生产/业务流程、客户/合作伙伴服务流程、组织内部管理流程自动化，或者辅助员工更高效的完成相关的工作。
• 数据产品：最典型的场景就是数据管理和应用，属于数字化应用的范畴之内，但实际上数据产品场景还有很多，一方面是偏业务赋能，一方面是提升效率。

总结起来，这些数字化方向，对于我们去做高价值的数据产品非常重要：一方面我们评估数据产品价值的时候，要考虑是否直接或间接地，在这些方向帮助企业获得价值；另一方面，这些方向背后的业务知识，也是数据产品的输入，要去更多的学习和理解。

2. 数据产品价值评估体系 -- DBA 评估框架和场景方向

分析数据产品价值的源头，对我们构建评估体系很重要，接下来跟大家分享我最近梳理的一个评估框架，从三个角度出发去评估，可简写为 DBA。

（1）数据应用价值：覆盖数据处理和应用流程。

• 效率提升方面，体现在整个数据加工服务链条上，包括数据检索探查、数据开发运维、数据分析洞察和数据服务支持，例如过去需要业务方提分析需求，等待技术团队完成，而通过数据产品，业务方可以自助查询和分析；
• 成本优化方面，一方面效率提升、数据驱动业务增长，可以折合为成本优化，一方面通过数据治理工具和推进，可直接减少计算和存储资源浪费，减少重复性的开发，直接节省成本；
• 质量提升方面，一方面是数据开发程序的正确率和时效性，另一方面就是数据规范及数据口径的统一。

（2）业务价值：广义的业务，数据产品应尽可能覆盖到企业商业模式的各个业务环节中，包括客户关系维护。

• 业务增长方面，首先是业务和业务策略效果的评估与沉淀，辅助业务部门了解业务现状，制定有效的增长策略；另外，可以通过数据和算法直接影响业务流程，提升业务效率效果，或是提供一些预测，业务策略建议；
• 成本优化方面，基于实际业务类型，可提供各类成本优化建议，例如可建设数据产品直观体现库存周转情况，提供优化建议；可通过分析各获客渠道的质量，提升 ROI；可以预测未来业务所需人力，提前做好储备计划；
• 效能提升方面，可基于业务部门需要，实现数据分析自动化、运营自动化、自动监控和预警，降低业务方使用数据的门槛，减少他们在获取和使用数据上花费的时间精力。

（3）管理价值：包括企业内部管理、决策支持，但相对来说较难量化。

• 管理规范方面，可辅助企业目标管理，利用数据产品将目标拆解体系化呈现，直观体现目标完成情况；也可设置奖惩等管理规则，并实现规则自动化落地和追踪；
• 决策支持方面，通过数据分析产品辅助管理决策或者发现商业机会，例如通过分析业务上下游供销关系，直观体现公司所处位置和可能的机会；
• 价值沉淀方面，可以进行知识管理，沉淀业务经验、运营策略等，方便新人快速学习和融入，对于企业来说存在中长期价值。

3. 数据产品价值评估体系 -- 量化评估方法

虽然产品价值没有绝对量化标准，但我们可以用一些量化指标，衡量价值的相对提升，保持正确航向。另外需要注意，在考虑量化指标体系前，首先要考虑数据产品场景的多样性，即一个数据产品的价值，可能来自评估框架中的多个分支场景。

（这里主要讨论应用价值，即应用数据产品为企业或使用者总体带来的价值，非商业数据产品售卖的价值或估值，这会有另外一些评估方法，不在本次分享范畴中。）

• 产品成本：如果是公司自研产品，则为产研、运维、推广过程中的人力、硬件、渠道成本等；如果是采购产品，就是投入时间精力、采购和二次开发成本。成本的量化，除了估算货币价值 ，也可以估算人力成本 ，比如人数、人月、人日；总的思路是，根据产品本身的场景定位，找到一些与产品价值对应的量化单位。
• UseCase 的价值：UseCase 价值总和的量化，有两个点可以考虑：

① 一个产品可能覆盖多种场景，且这些场景需要不同的量化公式。

② 对于不方便直接量化的，可参考财务领域中无形资产评估的方法，做一些价值转化。

（1）常用量化方式

• 用量驱动：使用产品的用户越多，使用频率越高，价值就越高。
• 业务量驱动：针对的是与业务绑定较深的数据产品，即使覆盖的用户量不是特别大，但是用户通过使用产品产生的业务收益较高，那么该产品就具有较高的价值。
• 数据量驱动：通过产品使用产出、优化的数据量越大，产品价值越高，例如数据治理，数据标注平台场景。

（2）无形资产评估方法

• 市场价值法：如果我们的产品与一些有市场价值的资源有关联，且产品使用对这些资源有影响，可以使用这个方法，例如可以节省的一些硬件服务费用。
• 收益法：在我们评估产品带来的业务价值 时可以参考，例如可以和业务约定一个占比，在使用产品期间带来的业务收益或增益中，取一定比例作为产品的业务价值。
• 成本法：在我们评估产品带来的效率、效能提升方面的价值时，可以参考。不论是数据应用、业务开展还是组织管理上，如果我们的产品，相对已有的产品工具、工作方式，有效率提升，也可以转化为成本下降。

（3）量化公式示例

关于这部分内容的详细介绍，可以扫码查看原PPT

--

03/提升数据产品价值的一些方式

1. 提升关键指标

对于已有产品，结合前面的量化评估公式，围绕那些可变的数字，设计指标体系，并提升他们（根据实际情况考虑提升用量、业务量、数据量等）；以提升用量为例，我们需要更细致的指标拆解，更深入的分析：

• 目标用户覆盖：明确目标用户范围和数量，并通过用户来源和属性等维度进行分布分析。了解了不同类型的目标用户的覆盖情况后，精准触达和吸引用户，有针对性的加强推广。
• 用户活跃和使用：除了需要分析活跃用户数外，用户的留存情况、功能的使用频率等也需要分析，最重要的是挖掘出有效用户及重度使用用户或忠诚用户。一方面更好的服务他们，一方面了解了这些深度用户的特征，通过特征分析去识别同类用户，才可能获得更多的用户，降低获客成本。
• 用户体验：用户体验相关的指标体系有很多，NPS，CSAT，SUS，HEART，国内常用是 NPS（净推荐指数），NPS 为 0-10 分，按分段综合统计用户数，得到综合指数衡量体验。除了收集和分析用户的综合评价数据，也要针对功能收集反馈。

2. 找到高价值方向

高价值产品方向，从企业需求出发会各不相同，总体来说是：更通用、更高效、更智能。

• 数据应用：通用、高效角度，例如开发通用型数据采集、开发和分析工具；智能角度，可考虑智能洞察，增强分析，自动化完成分析，选择最需要用户关注的数据结论。总体来说，减少重复开发和增强分析能力，将常用的数据分析方法论产品化，可以让更多用户自助地进行一些分析，即使用户本身不具备专业的数据技能，也能很好的理解数据。
• 业务联动：对于业务上来说，尽可能将数据产品与各业务系统进行联动，数据产品价值可以直接体现在业务核心的价值上，在企业的数字化战略中，明确各类产品和产品联动的策略。
• 人员联动：例如将线下的经验、数据同步到线上，统一管理和同步，如企业有员工目标管理系统，也可以做一些联动，将企业员工、平台、渠道联通，发挥更大的协同价值。

3. 优化产研资源投入

从整体产品体系的角度评估价值，在多个产品并行开发的过程中，对于阶段性成熟或瓶颈产品适时结项，考虑产品功能价值，安排各个产品产研资源投入。

--

04/问答环节

Q1：方便介绍一下 ToB 数据产品的价值是怎么量化的吗？

A1：对于 ToB 产品来说需要考虑市场定价和估值，是另一个大话题，比如从用户角度来说，需要分析付费率和续费率，得出一个亏损盈利点。

Q2：方便介绍一下企业自建数据产品与采购 SaaS 产品的对比吗？

A2：需要从前面的量化示例公式 上看，两个方案的成本和价值不同，需要综合评估。从成本上分析，企业自研产品，需要考虑产品调研、功能设计及产研投入的人力成本，采购产品主要就是采购价格成本。从实际使用价值分析，企业自研产品的优势是更了解企业内部需求，有时外部采购产品功能非常强大，但实际不会应用某些功能。但是偏开发和分析类产品，如果有符合业务需求的，外部采购产品也不错，首先 自研除了开发成本，运维也会耗费较高的人力财力，其次有的复杂功能开发起来周期过长，影响业务使用和开展。例如数据可视化的个性需求，如果从 0 到 1 开发的话，即使有开源的资料可以参考，满足全部个性化需求，周期还是比较长的。

Q3：数据算法的价值和目标设定数据算法的价值。

A3：数据算法的价值，如果能有条件进行 AB 实验对比的话，会更客观。目标设定也可以根据 AB 实验的结果去调整，如果是做这种对比的话，Baseline 就很清晰，当然还需要从 AB 的统计学的角度去分析是不是一个显著性的结果，这样会更有说服力。

今天的分享就到这里，谢谢大家。

分享嘉宾

李泽亚｜资深数据产品经理

密歇根州立大学统计学硕士，多年互联网行业数据产品、数据分析经验，曾负责企业级数据分析平台、数据开发、数据治理平台的产品设计落地，心系用户的数据人，持续探索和挑战更高效的数据处理应用解决方案。

**