数据产品测量以及有哪些度量指标

概述

数据产品这一主题在整个行业中持续受到关注，一些行业引领潮流，而另一些行业则退后一步，吸取其他行业的教训。“数据产品”已成为一个普遍使用的术语，但其 定义在业内却存在显著差异 。 

尽管对于数据产品的构成存在多种观点，但本文提出了一个实用的框架，用于从基础方法到分析方法对数据产品进行全面审视。 

根据我作为顾问的经验，谈话很容易陷入细节，所以我试图将数据产品的概念以及衡量它们如何创造价值的方法，构建成一个简单的结构，然后可以应用并进一步扩展。 

需要记住的是，数据产品组织的目标不仅是构建数据产品，还要 衡量、管理和理解数据产品……

他们的数据产品组合是如何被用于实现主要业务目标的 。 

一 数据产品谱系

1.基础数据产品

数据产品体系的最底层是基础数据产品——企业数据架构的基石。这些面向领域的数据产品是主数据和参考数据的权威来源。 

想象一下金融机构的客户主数据产品，其中包含客户信息的黄金来源；或者产品主数据，维护着明确的产品规格和层级结构。 

这些基础产品通过数据市场（即内部平台，可在整个组织内控制数据产品的发现、访问和分发）提供，从而实现广泛的企业消费，同时保持数据治理标准（即用作数据管理组织规则和流程的政策和程序）。 

基础产品通常是最先创建的，因为它们更加独立，许多其他产品和服务都将它们用作干净、可信的数据源。 

注：虽然我使用了“基础数据产品” 一词，但业内也曾使用过类似的术语，例如“ 源数据产品 ”或“ 实体数据产品” 。 

2.集成数据产品

沿着这个光谱继续往下看，下一类数据产品可以被描述为集成式的，它将跨领域的数据结合起来，以满足特定的业务需求。 

例如，“客户 360”数据产品可能会将客户主数据与交易历史、产品持有情况和互动数据合并。 

这些产品均为特定用途而设计，同时兼具灵活性，可适应各种应用场景。它们既可作为构建更复杂分析解决方案的基础模块，又可通过其跨领域数据集的集成视图提供即时价值。 

注： 与多个指代基础数据产品的术语类似，“ 集成数据产品 ”在业内也曾被使用过类似的术语，例如“ 聚合数据产品 ”、“ 衍生数据产品 ”或“ 业务数据产品 ”，正如其他社区贡献者所引用的那样（例如，此处引用为“聚合数据产品”）。 

3.分析数据产品

在数据光谱的另一端是分析型数据产品。这些产品与其说是“数据即产品”类型的数据集产品，不如说是纯粹的消费型资产，旨在通过特定的洞察来推动行动、回答问题或利用其他数据产品解决用例。它们的形式多种多样：

• 为特定业务目的设计的仪表盘和报告工具
• 预测模型（例如，信用风险评分引擎）
• 自动化决策系统（例如，交易执行算法）
• 人工智能/机器学习解决方案（例如，欺诈检测系统）

通过对数据产品范围的这种理解，组织需要系统地评估和改进其数据产品，以保持其高价值和相关性。 

为了拥有数据产品而拥有数据产品是一种失败的策略。以下提出的测量框架提供了评估和改进各个层面数据产品所需的结构。 

二 数据产品测量

“我们是否有一致的方法来衡量和识别切实的商业价值？”

对数据产品进行清点，按领域或业务进行分类，并了解其数量和分布情况，是管理数据产品组合的良好开端。但衡量数据产品不仅仅是跟踪指标，更重要的是驱动和 理解其价值 。尽管各组织在构建数据产品方面不断取得进展，尤其是在分析方面，但 许多组织仍然难以系统地衡量其有效性 。 

在我参与或咨询过的几乎所有组织中，都存在着无数的数据看板和精心整理的数据集，它们的 成熟度、使用情况和使用年限各不相同 。这种指数级增长源于将数据解决方案视为“项目”而非“产品”，并不断对其进行演进以满足新的需求并保持其相关性。 

这一挑战源于追踪不同类型产品（涵盖整个产品线）的技术性能、业务价值和用户满意度的复杂性。 必须建立一致的衡量标准来监控和改进您的数据产品组合。

一个全面的测量框架可以实现多种目的。 

提高产品性能和价值交付的 透明度。

使数据产品团队能够识别 改进机会并确定改进的优先级 。 

帮助组织就产品生命周期管理做出 明智的决策，从投资新功能到淘汰过时产品 。 

为了构建有效的衡量体系，企业需要从整体角度思考其数据产品。这意味着要超越简单的使用统计数据——当然，这是一个很好的开始，总比没有好——而是要全面了解产品的健康状况、采用情况和性能。 

通过将这些衡量指标整合到一个综合记分卡中，组织可以从多个层面评估其数据产品组合，从单个产品到特定领域的集合，再到企业范围的分析。 

上 图展示了一个本地化的指标树，用于跟踪数据产品内部的度量依赖关系。类似地，我们也可以构建用于企业运营的全局指标树 。 

记分卡方法使团队能够快速识别表现不佳的产品，庆祝成功，并根据数据做出有关产品投资的决策。 

例如，数据域所有者可能会发现，尽管其基础数据产品的质量评分很高，但由于文档不完善或访问问题，采用率却很低。同样，企业级视角可能会揭示跨域产品重叠的情况，从而为整合和成本节约提供机会。 

1.数据产品健康状况

“该产品是否值得信赖，描述是否准确？”

任何成功的数据产品或项目，其基石都在于其 可信度和清晰的目标。此评估指标侧重于决定数据产品能否可靠地用作真实来源的 基本质量和文档方面。 

通过监测健康指标，组织可以确保其数据产品保持最高的数据完整性和可用性标准。 

（1）定量测量

数据质量评分：综合衡量完整性、准确性和及时性。 例如：客户主数据产品基于必填字段完整度和地址验证，保持 98% 的质量评分。 

元数据合规率：元数据标准遵守程度的百分比。 例如：95% 符合所需的业务术语表和数据沿袭文档。 

（2）定性测量

领域专家评审：由领域专家、产品所有者和活跃消费者进行的定期评估或认证。 

文件完整性：对辅助材料和指南的评估。 

2.采纳与使用

“顾客是否在使用该产品？该产品是否具有广泛的适用性？”

拥有健康的数据产品固然重要，但只有在整个组织内积极使用，才能真正发挥其价值。试想一下，你拥有一辆跑车，却把它停在车库里，自己步行上班。 如果产品完好无损却束之高阁，那就毫无用处。

该部分考察数据产品的使用范围和有效性，帮助团队了解其产品是否满足实际业务需求，并发现扩展或改进的机会。 

（1）定量测量

活跃用户数：访问该产品的唯一用户/应用程序数量。 例如：一个风险数据产品，支持风险、财务和监管报告方面的 15 个不同应用程序。 

使用频率：访问和消费模式 示例：每日访问模式显示工作日使用量稳定，并在月末结算期间达到高峰。 

（2）定性测量

用例覆盖范围：记录整个组织内支持的业务流程和用例。 

用户反馈会议：对产品实用性和不足之处进行结构化反馈。 

3.性能与可靠性

“该产品是否达到了既定的业务目标？”

数据产品的技术卓越性直接影响其创造业务价值的能力。此衡量类别同时评估数据产品的技术性能和业务影响，确保其满足服务级别协议 (SLA) 的要求，并为组织带来切实利益。 

（1）定量测量

系统性能：响应时间和可用性指标示例：99.9% 的可用性，查询响应时间小于 1 秒 

业务影响指标：产生的收入或节省的成本。例如：通过自动化信用决策每年节省 200 万美元。 

（2）定性测量

客户满意度评分（CSAT） 

净推荐值 (NPS) 

三 实施指南及注意事项

1.文化转变：超越技术

数据产品的技术层面固然至关重要，但 要在这个领域取得成功，同样重要的是所需的文化转型 。许多组织历来都从纯粹的技术角度看待数据管理，专注于为特定用例提供数据，而不是将数据视为服务于企业内多个利益相关者的产品。 

从技术数据交付到产品思维的转变，要求组织在数据管理方式上做出根本性的改变。这需要新的角色、新的流程，而最重要的是，需要一种新的思维模式。 

数据产品负责人必须像传统产品经理一样思考，考虑用户体验、市场需求和竞争优势。数据工程师需要跳出数据管道的局限，思考他们的工作如何创造更广泛的业务价值。业务分析师必须拓展视野，从关注单个报告转向理解他们的需求如何融入更大的数据产品生态系统。

挑战不仅在于构建和衡量数据产品，更在于转变组织对数据的思考方式和交互方式。虽然许多组织都在谈论将数据视为产品，但 真正成功实现这种文化转变的 却寥寥无几。要真正拥抱数据产品，并将概念转化为现实，需要： 

领导层致力于产品思维和交付

对产品管理能力和资源的投资

技术团队和业务团队之间的跨职能协作

以用户为中心的设计方法

与利益相关者就使用情况和价值建立持续的反馈机制

明确数据产品的所有权和问责机制，以及在出现问题时高效解决问题的途径。

2.数据产品创建与维护风险

数据产品的激增给企业带来了巨大的挑战。正如仪表盘的过度扩张一直困扰着商业智能团队一样，不受控制的数据产品增长也会导致维护成本增加和价值降低。 

（1）主要风险

产品泛滥：冗余或重叠的产品

技术债务：技术老化和架构不匹配

价值贬损：相关性和使用率下降

（2）可持续管理的领先实践

通过持续的反馈循环、季度审查和认证以及使用模式分析进行定期价值评估。 

通过识别产品整合机会、明确的产品淘汰标准和流程，实现产品组合合理化。 

建立数据产品治理框架，明确数据产品整个生命周期的所有权和责任。 

四 衡量自身数据产品的后续步骤

请记住，实现高效的数据产品管理，文化转型与技术实施同样重要。通过了解您的产品在产品组合中的定位，并坚持严格的衡量方法，您可以确保您的数据产品组合持续创造业务价值，同时避免无序增长带来的种种弊端。 

所以，我已经有了数据产品，接下来该做什么？ 除了我们已经概述的分类、框架和示例指标之外，以下是 3 个可以立即采取的后续步骤，以加速您的数据产品之旅并创造持续价值。 

将您当前的数据产品映射到 谱系 上 。 

在所有产品类型中实施该衡量框架，并根据您的具体业务需求进行调整。 

建立与端到端生命周期管理相一致的数据产品定期审查周期。 

通过应用本文概述的原则和衡量标准，组织可以开始从传统的数据交付转向真正的产品思维，最终从其数据资产中创造更大的价值。 

本文来自微信公众号 “数据驱动智能”（ID：Data_0101），作者：晓晓 晓晓，36氪经授权发布。