第2章 数据产品原型设计基础：原型要素、流程、低保真/高保真、数据产品特有的原型设计难点
本章价值：数据产品原型不同于普通UI原型，必须将指标口径、数据血缘、异常值处理逻辑等数据特性可视化。理解原型要素与流程，是后续章节“指标口径影响原型”的基石。
2.1 用户场景：谁在画原型？为谁画？
数据产品原型设计的典型用户场景包括：
- 数据分析师：需快速验证看板布局与指标定义是否对齐业务口径。
- 数据产品经理：在PRD评审前用低保真原型沟通数据流向与计算逻辑。
- 开发工程师：通过高保真原型确认前端交互与后端API返回字段的一致性。
- 业务决策者：依赖原型判断核心指标（如GMV、DAU）的呈现方式是否满足监控需求。
场景共通痛点：数据字段多、计算逻辑复杂、口径变更频繁，导致原型返工率高。
2.2 业务问题：原型脱节引发哪些风险？
| 问题类型 | 具体表现 | 后果 |
|---|---|---|
| 口径不一致 | 原型展示“GMV”为含退款金额，但开发按不含退款实现 | 上线后数据差异，信任崩塌 |
| 数据异常无提示 | 原型未预留异常值标记位，业务误读异常峰值 | 错误决策 |
| 指标可下钻性缺失 | 原型只有顶层数字，无维度拆解路径 | 分析能力不足，重复建设 |
| 字段命名歧义 | 原型字段名与数仓表字段名不一致 | 联调成本增加30% |
数据产品原型核心矛盾：视觉设计与数据逻辑的耦合度必须远高于普通C端原型。忽略数据特性，原型就只是“画框”。
2.3 需求拆解：数据原型的四层要素
参照数据产品实践经验，原型需求需拆解为以下四个层次：
- 度量层：指标名称、口径、聚合逻辑（SUM/COUNT/DISTINCT）、粒度（日/小时/实时）。
- 维度层：可筛选/分组字段、层级结构（如地区>省>市）、默认维度。
- 异常层：空值占位符、异常阈值标记、数据延迟说明。
- 交互层：点击下钻、悬浮详情、导出按钮、动态时间范围。
在原型设计前，先以表格形式完成“指标-维度-异常”映射，再开始画图。
2.4 方案表达：低保真 vs 高保真选型策略
| 维度 | 低保真原型 | 高保真原型 |
|---|---|---|
| 适用阶段 | 需求初探、口径对齐 | UI评审、开发移交 |
| 核心元素 | 灰阶线框图、占位符、标注 | 真实配色、数据占位、动效 |
| 数据字段 | 仅写字段名，无具体数值 | 模拟真实数值（含阈值高亮） |
| 指标口径 | 附注或链接口径文档 | 悬浮提示直接展示口径 |
| 修改成本 | 低，可快速迭代 | 高，适合定型后细化 |
建议：数据产品原型采用“低保真过口径 → 高保真锁视觉”两段式流程，避免过早陷入像素细节而遗漏数据逻辑错误。
2.5 指标验证：原型中如何检查口径可行？
在原型阶段完成以下三项验证，可大幅降低返工：
- 一致性检查：原型中的指标名称、公式、维度是否与指标字典完全一致？
- 极端值测试：模拟输入最大值、空值、负数，看原型是否有对应的UI状态（如“—”、“异常标记”）。
- 下钻准确性：从顶层指标（如总收入）点击下钻后，展示的明细指标（如收入按产品线拆解）是否可加回顶层？
2.6 验收标准：合格数据原型的Checklist
| 验收项 | 标准 | 通过/不通过 |
|---|---|---|
| 指标定义 | 每个数字旁有明确口径说明（或悬浮提示） | |
| 数据状态 | 加载中、空、异常、延迟四种状态全部设计 | |
| 维度交互 | 筛选项与下钻路径清晰，无死链接 | |
| 字段命名 | 原型字段名与数仓物理字段名映射表已整理 | |
| 口径版本 | 原型版本号与关联的指标文档版本号一致 |
2.7 交付物模板
每份数据产品原型应附带以下交付物集合：
交付物包结构
├── 原型文件（.fig / .rp / .sketch / .axure）
├── 指标口径映射表（.xlsx）
│ ├── 指标名 | 口径 | 聚合方式 | 粒度 | 维度列表
├── 数据异常处理说明（.docx）
│ ├── 空值展示方式、阈值标记规则、延迟提示文案
├── 交互行为说明（.md）
│ ├── 点击下钻层级、悬浮详情字段列表、导出字段清单
├── 版本变更记录（.md）
│ ├── 每次修改原因、变更指标、版本号
关键提示：原型文件本身只是载体，口径映射表才是数据产品原型的灵魂。评审时先过映射表，再过视觉稿。
流程解读：本图展示了数据产品原型从用户场景分析到交付物产出的标准路径。其中“指标验证”是数据产品特有的关键卡口，需与指标字典双向校验。
2.8 数据产品特有的原型设计难点
相比通用型产品，数据产品原型存在以下独特挑战：
- 数据动态性：原型无法展示真实数据波动，需用“模拟数据+标注”替代。
- 计算逻辑可视化：聚合、去重、占比等逻辑难以在静态原型中表达，建议用流程图辅助。
- 异常状态繁多：空值、延迟、阈值溢出、版本不兼容等，每个都需要原型状态覆盖。
- 多维度交叉：用户期望从任意维度钻取，原型需提前规划层级树。
- 口径版本管理：原型版本必须与指标文档版本绑定，否则后期混乱。
解决上述难点的最佳实践：在原型工具（如Axure、Figma）中建立数据组件库，将指标卡片、异常状态、维度选择器组件化，提高复用与更新效率。