原标题：B端项目复盘：智能大数据分析平台 Nebula V2.1
编辑导读：本文作者详细地复盘了一次智能大数据分析平台 Neblua 平台优化重构的经历，从项目背景介绍，到过程中的难点分析和措施制定都展开了复盘并分享了自己的项目思路以及需要注意的问题，与大家分享。
编辑导读：本文作者详细地复盘了一次智能大数据分析平台 Neblua 平台优化重构的经历，从项目背景介绍，到过程中的难点分析和措施制定都展开了复盘并分享了自己的项目思路以及需要注意的问题，与大家分享。
一、项目背景介绍
Neblua是一个专为数据分析师/数据分析小白打造的一款一站式智能大数据分析平台，平台通过便捷的数据导入，清洗，智能可视化推荐辅助分析。通过简单拖拽配置可视化图表，内置多种模型和算法，提供智能分析和支持。让数据分析小白也可以快速制作属于自己业务需求的可视化分析图表。
Neblua平台已经优化迭代2期，本次在用户反馈的基础上对平台架构和体验做了较大调整。
二、问题梳理
为了做好这次版本迭代，我们针对实际用户进行访问，梳理用户在使用过程中的问题和建议。并针对建议进行整合分析，寻找解决方案。
1. 问题总结
- 操作链路复杂：加载数据无法在页面中添加，用户加入新数据需要退出页面到数据管理中，流程复杂。
- 无法做到更深入的数据整理操作：不同用户对数据的关注点不同，如基层主管关注的是分散颗粒度的分析表（如部门/产品/销售量等）而“高层人士”关注的是相对高聚合度的数据。因此需要根据层次聚合数据，或对对数据进行更深入的整理。
- 运行时间长，效率低：当前版本用户建立完成数据流后运行时间长，用户无法快速找到数据信息。面对大量数据，人工查找脏数据耗时耗力。
根据任务流程梳理问题点：
2. 用户分析
数据分析者是对数据非常敏感，他们需要发现数据中存在的问题，挖掘数据价值，帮助公司或项目提升业绩。而在真正工作场景中，数据分析者既要面对海量数据，又需要了解业务协同沟通，是高强度脑力劳动，容易疲劳。
根据用户访谈我们发现，数据分析的第一步是对数据进行处理，而这部分往往会占到数据分析师大量时间，哈佛大学商学院一项研究也表明，在整个数据分析过程中，数据分析师整理数据往往会花费80%时间。
三、定义升级目标
根据梳理的问题，我们定义了本次改版维度的目标：
（1）提升数据整理效率
优化部分：主要针对数据整理的功能优化和视觉提升可视化的数据整理流程展示；即时数据操作反馈预览；更快更智能的工作方式等
（2）防止疲劳
优化部分：主要优化信息结构和视觉部分；针对小屏幕做适配；阅读间距；护眼色彩等；
问题优先级排序：我们根据改版目标和优化成本进行问题优先级排期，数据整理部分对是目前最高优先级。此次改版主要针对数据整理模块，优化数据整理流程和视觉流程。
四、设计策略 1. 通过信息架构重构提升数据整理效率
（1）布局尝试：两种布局探索
（2）为什么选择侧边导航？
从产品属性和用户行为分析：
（3）为什么数据摘要上下布局？
（1）色彩体系选用
色彩与情感有紧密的联系，而在系统的设计中我们主要秉承两个原则：
根据情绪平稳的设计策略并且考虑到以后产品后期要拓宽业务市场，因此在之前颜色的基础上拓展了颜色的使用范围，选用中性色做为导航色。既体现产品的市场调性又解决了当前版本导航与内容的层级问题。方便用户清晰区分导航层和内容的视觉层次。提高使用效率。
改版前（这里视觉重新设计）：
改版后：
（2）信息分层，视觉整合
字段信息分层，将卡片分成两部分区域，上层为操作域为主，下层为信息展示区。增加上层区的视觉重量，方便用户快速捕捉信息。
（3）数据节点颜色随机化
数据整理一般要对多份数据进行转换、拆分、清洗等操作，一般数据集名称会比较长，数据节点采用颜色随机化的策略，通过颜色辅助用户对不同数据集的识记，便于复盘。
3. 通过智能推荐算法提高数据整理效率
业务人员在接触到新的业务或者数据时候，需对数据进行探索，了解数据基本情况；对已经数据的数据，业务人员也可能因为数据分析不够充分，无法掌握所以特征。
智能推荐可视化可以帮助业务人员对数据进行探索，发现数据中的隐藏规律。
总结
通过感性的用户反馈出发，结合梳理行业中常见问题，发现版本中需要优化点，并通过任务流程归类梳理。
Neblua做为专业的大数据可视化工具还有很长的路要走，我们也会持续推进一步步优化升级。
本文由@欣欣向荣 原创发布于人人都是产品经理，未经许可，禁止转载