起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識干貨：一篇文章掌握數據導向設計
本文作者從工作實踐出發，結合案例等分享了數據分析的相關知識，供大家一同參考和學習。
周六早上，高中女神給我發了一條微信，我的雙手放佛得了帕金森綜合癥般不聽使喚，費勁的點開了那一條微信，原來女神不知道如何用Excel表格處理數據，讓我教她處理數據。嗨（四聲）！說起數據，就不得不提數據導向設計。
中高階設計師都需要關注數據，數據是對設計師主觀審美邏輯設計的一種輔助和補充，通過數據做出來的設計更具有說服力和驗證性。
數據為設計提供方案支撐和后期的方案驗證，有利于產品后期的迭代和優化。
通過對數據的比對，對數據趨勢的分析，能讓我們發現哪些環節存在問題，哪些環節有提高空間。
明確各種數據指標，明確設計目標，讓數據為設計服務。
這篇文章的目的是幫助設計師快速入門和熟練掌握數據導向設計。
文章目錄：
- 數據分析的意義
- 熟練掌握數據指標
- 數據分析與設計的方法
- 數據模型的建立
- 數據如何驗證設計
一、數據分析的意義
1. 用戶行為可視化，可清晰的了解整體/個體用戶的行為
如下圖所示，通過Google Aanalytic 網站可清晰的掌握平臺整體流量的來源，用戶群體路徑行為軌跡，這可以讓設計師/產品經理清晰地了解到平臺的用戶行為軌跡和用戶人群的操作習慣。
2. 可追蹤產品任何一個時間段的數據，對比整體數據的變化
如下圖所示：通過曲線變化，可看出產品日活躍的變化，通過變化前后的節點可得到產品發生大變化的時間節點。
3. 提供數據支持和后期方案的驗證
例如下圖，通過優化產品界面的購買按鈕，通過對比前后數據，看設計改版是否成功。
下圖的固定產品的購買按鈕點擊率從6.4%提升到了9.8%，漲幅53.1%，由于漲幅大于0，同時沒有外部其他因素影響數據變化，所以可得出結論，這次設計改版是成功的。
4. 通過數據可分析產品設計的問題所在
如下圖所示，整個注冊，綁定銀行卡的過程中，總的轉化率只有0.06%，用戶完成率過低，如果要優化整個用戶注冊操作流程，那么需要找出流失過大的節點進行優化。
注冊成功率過低，這時候設計師就要分析整個注冊流程哪些設計因素導致成功率低。并針對成功率低進行特定優化。
二、熟練掌握數據指標
掌握數據指標有助于我們入門數據分析，我將數據指標分為三類，分別為：綜合性指標、流程型指標和業務性指標。
1. 綜合性指標：指的是能綜合體現產品整體情況的指標
對于非交易類型的網站，那么這個平臺的綜合性指標可以包含DAU、留存用戶數、留存率和人均使用時長。
DAU：Daily Active User 。衡量產品使用的活躍度。
數據用途是方便產品設計人員了解產品的每日用戶情況，了解產品的用戶增長或者減少趨勢。
留存用戶數：一段時間內再次訪問的用戶數，留存有次日留存、7天留存、30天留存等。
數據用途是用來衡量產品的用戶粘性和產品的留存用戶規模。
留存率：某周期內留存用戶數/某周期內訪問用戶數。
數據用途是用來衡量用戶使用粘性，也可以用來作為產品改版后的重要指標，留存率提升了，在不改變功能的情況下，說明設計改版成功。
人均使用時長：用戶平均每天停留在產品的時間。
數據用途是用來衡量用戶使用產品的深度，判斷用戶使用產品的粘性和依賴度。
對于交易類型的網站，那么這個平臺的綜合性指標可能就包含GMV、支付UV、人均訂單數、人均客單價。。
GMV：用戶的下單總金額。下單產生的總金額，包括銷售額+取消訂單金額+退款訂單金額。舉個例子：一個電商平臺，所有用戶一共下單了100萬的商品，其中取消訂單2萬，退款10萬，那么GMV就是100萬。
數據用途是體現電商平臺的交易規模，GMV越高說明這個電商平臺的交易規模越大，平臺體量越大。
支付UV：指下單并成功支付的用戶數。舉個例子：一個電商平臺，有3000人點擊購買，其中2000人，成功完成支付，則支付uv為2000人。
數據用途是了解平臺整體用戶支付購買人數規模。
人均訂單數：支付PV/支付UV，人均訂單數大于1。舉個例子：一個電商平臺，支付pv為3000，其中支付人數為2000人，那么人均訂單數為1.5。
數據用途是用于衡量產品/頁面/功能的導購能力。
人均客單價：ARPU，GMV/支付UV。舉個例子：一個電商平臺昨天GMV有100萬，其中支付UV1萬人，那么人均客單價為100元。
數據用途是一段時間內每個用戶平均收入，用來衡量產品效益。
2. 流程性指標，這些指標和用戶操作流程中產品的指標有關
點擊率：點擊率分為pv點擊率和uv點擊率，整體來看，點擊率使用pv點擊率比較好。
轉化率：下一步用戶數/上一步用戶數。
流失率：（上一步用戶數-下一步用戶數）/上一步用戶數
完成率：完成率相對于轉化率而言，是最終的結果數值。轉化率是過程值，完成率是結果值。
3. 產品的業務性指標
區別于基礎通用型指標，業務性指標主要強調其業務屬性，例如社交社區，則可能需要的業務指標為：人均發文數、人均評論數、人均點贊數，分享率等。
三、數據分析與設計的方法
數據分析和設計的方法一共有以下六種，分別為：行為事件分析、漏斗分析、留存分析、分步分析、對比分析和多維度拆解。
1. 行為事件分析
通過分析特定類型的用戶行為，找到這種特定類型的用戶行為的對產品帶來的影響。也可以推算出這種特定的行為給產品帶來的意義。
行為事件分析法一般經過事件定義、下鉆分析、解釋與結論等環節。
2. 漏斗分析
流量在各個節點流轉過程中，會存在一級級的流失。最終形成了漏斗形態，漏斗分析適用于一些列完整流程操作的用戶行為。
找到設計過程中流失比較多的數據，通過數據找到流失的原因。
3. 留存分析
通過找到整體留存情況，找到用戶留存的關鍵性因素指標。
留存分為兩種情況：
- 產品整體留存，整個產品的留存率，對象是整個產品；
- 功能模塊流程，各個模塊的留存，這里是針對于單個功能模塊。
產品留存要分開看待。既要看整個產品留存率也要看所負責設計的各個功能模塊留存率。
4. 分布分析
用戶在特定指標的各種占比的歸類展現。
5. 對比分析
對比前后數據，通過對比數據的差值，驗證設計。
- 自身產品比，對比產品其他模塊相似場景的數據差異。通過對比找到問題點并做分析優化；
- 行業產品比，和同行業產品的數據對比分析，找出數據差異的問題所在，并給出對應的優化方案。
6. 多維度拆解
用不同的維度視角拆分分析統一類數據指標。例如按照不同的省市地區分析、不同的用戶人群、不用的設備等。通過不同維度拆解，找到數據背后的真相。
四、數據模型的建立
設計團隊引入數據分析，那么就需要一套成熟的適合自己的團隊的模型做基礎，所以數據模型是我們數據分析的理論基礎。
在數據模型中，我們可以學到數據模型的分類思路，以及如何創造出適用自己團隊的數據模型。
基于這個目的，我們可以將市面上常見的數據模型找出來并進行整理并分析。通過熟悉主流的數據模型的產出邏輯，并從中找到規律，創造出適用于自己團隊的數據模型。
常見的數據模型有：Google’s HEART、AARRR、RARRA和Customer Experience Index (CX Index)。
- Google’s HEART：Google’s HEART是一個用來評估以及提升用戶體驗的模型，它由五個維度組成：Engagement（參與度）、Adoption（接受度）、Retention（留存度）、Task Success（任務完成度）和Happiness（愉悅度）。
- AARRR：AARRR增長模型出自于增長黑客，即獲客、激活、留存、變現、傳播推薦。
- RARRA：RARRA的數據模型，本質上是在AARRR的基礎上進行順序調整得到，以滿足日益獲客成本所帶來的壓力成本。RARRA模型相比與AARRR可以使得獲客成本更低。
- Customer Experience Index (CX Index)：用戶體驗指數的維度有三個，分別為：滿足需求、簡單地和愉快地。
五、數據如何驗證設計
通過核心指標判斷設計方案是否符合預期，以此驗證設計方案是否成功，并為后續產品的迭代優化做依據。
1. 關注設計的核心指標
設計過程中，要關注設計的核心指標，針對于核心指標，進行針對性的設計。
如果改版的最重要（核心）的指標是任務流程完成率，先查看用戶操作流失率，然后分析找出流失原因，給出對應的優化方案。等到優化方案的產品版本上線后，對比完成率數據變化。
如果改版的最重要（核心）指標是人均觀看次數，則要思考可通過哪些設計策略可提升產品的人均播放次數。
舉個例子，新浪微博，以前版本用戶看完視頻后，視頻會有重播按鈕和推薦視頻，用戶只有進行下一步點擊才能播放下一個視頻。改版后看完視頻會自動切換到下一個視頻。這樣的設計策略雖然綁架了用戶的行為，用戶從一個主動接受者，變成了一個被動接受者，但是這種策略能有效的提升人均播放次數。
2. 核心指標帶來的價值/收益
當驗證了核心指標往好的方向發展，這時候，就需要總結核心指標帶來的價值和收益，這樣的話設計價值才可以直接被量化。
舉個例子：一個banner的點擊率達到3%的時候，每天GMV約200萬，當重新設計了這個banner，同時其他條件保持不變，點擊率提升到了6%，這時候通過數據查看每天的GMV是多少，如果達到了400萬，那么這增加的200萬則是通過設計優化所帶來的。
以上就是關于數據導向相關知識。
#相關閱讀#
#專欄作家#
UX，微信公眾號：Echo的設計筆記，人人都是產品經理專欄作家。前美團點評高級交互設計師。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自 Unsplash，基于 CC0 協議
??