用一篇文章，帮你掌握数据导向设计

吴轶 ：本文从工作实践出发，结合案例分享了数据分析的相关知识，供大家一同参考和学习。

中高阶设计师都需要关注数据，数据是对设计师主观审美逻辑设计的一种辅助和补充，通过数据做出来的设计更具有说服力和验证性。

数据为设计提供方案支撑和后期的方案验证，有利于产品后期的迭代和优化。

通过对数据的比对，对数据趋势的分析，能让我们发现哪些环节存在问题，哪些环节有提高空间。

明确各种数据指标，明确设计目标，让数据为设计服务。

这篇文章的目的是帮助设计师快速入门和熟练掌握数据导向设计。

数据分析的意义

1. 用户行为可视化，可清晰地了解整体/个体用户的行为

如下图所示，通过 Google Aanalytic 网站可清晰地掌握平台整体流量的来源，用户群体路径行为轨迹，这可以让设计师/产品经理清晰地了解到平台的用户行为轨迹和用户人群的操作习惯。

2. 可追踪产品任何一个时间段的数据，对比整体数据的变化

如下图所示，通过曲线变化，可看出产品日活跃的变化，通过变化前后的节点可得到产品发生大变化的时间节点。

3. 提供数据支持和后期方案的验证

例如下图，通过优化产品界面的购买按钮，通过对比前后数据，看设计改版是否成功。

下图的固定产品的购买按钮点击率从 6.4% 提升到了 9.8%，涨幅 53.1%，由于涨幅大于 0，同时没有外部其他因素影响数据变化，所以可得出结论，这次设计改版是成功的。

4. 通过数据可分析产品设计的问题所在

如下图所示，整个注册，绑定银行卡的过程中，总的转化率只有 0.06%，用户完成率过低，如果要优化整个用户注册操作流程，那么需要找出流失过大的节点进行优化。

注册成功率过低，这时候设计师就要分析整个注册流程中，哪些设计因素导致成功率低，并针对成功率低进行特定优化。

熟练掌握数据指标

掌握数据指标有助于我们入门数据分析，我将数据指标分为三类，分别为：综合性指标、流程型指标和业务性指标。

1. 综合性指标：指的是能综合体现产品整体情况的指标

对于非交易类型的网站，那么这个平台的综合性指标可以包含 DAU、留存用户数、留存率和人均使用时长。

DAU：Daily Active User ，衡量产品使用的活跃度。

数据用途是方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。

留存用户数：一段时间内再次访问的用户数，留存有次日留存、7天留存、30天留存等。

数据用途是用来衡量产品的用户粘性和产品的留存用户规模。

留存率：某周期内留存用户数/某周期内访问用户数。

数据用途是用来衡量用户使用粘性，也可以用来作为产品改版后的重要指标，留存率提升了，在不改变功能的情况下，说明设计改版成功。

人均使用时长：用户平均每天停留在产品的时间。

数据用途是用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。

对于交易类型的网站，那么这个平台的综合性指标可能就包含 GMV、支付UV、人均订单数、人均客单价。

GMV：用户的下单总金额。下单产生的总金额，包括销售额+取消订单金额+退款订单金额。举个例子：一个电商平台，所有用户一共下单了 100 万的商品，其中取消订单 2 万，退款 10 万，那么 GMV 就是 100 万。

数据用途是体现电商平台的交易规模，GMV 越高说明这个电商平台的交易规模越大，平台体量越大。

支付UV：指下单并成功支付的用户数。举个例子：一个电商平台，有 3000 人点击购买，其中 2000 人，成功完成支付，则支付uv 为 2000 人。

数据用途是了解平台整体用户支付购买人数规模。

人均订单数：支付PV/支付UV，人均订单数大于 1。举个例子：一个电商平台，支付pv 为 3000，其中支付人数为 2000 人，那么人均订单数为 1.5。

数据用途是用于衡量产品/页面/功能的导购能力。

人均客单价：ARPU，GMV/支付UV。举个例子：一个电商平台昨天GMV有 100 万，其中支付UV有 1 万人，那么人均客单价为 100 元。

数据用途是一段时间内每个用户平均收入，用来衡量产品效益。

2. 流程性指标，这些指标和用户操作流程中产品的指标有关

点击率：点击率分为 pv点击率和 uv点击率，整体来看，点击率使用 pv点击率比较好。

转化率：下一步用户数/上一步用户数。

流失率：（上一步用户数-下一步用户数）/上一步用户数

完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。

3. 产品的业务性指标

区别于基础通用型指标，业务性指标主要强调其业务属性，例如社交社区，则可能需要的业务指标为：人均发文数、人均评论数、人均点赞数，分享率等。

数据分析与设计的方法

数据分析和设计的方法一共有以下六种，分别为：行为事件分析、漏斗分析、留存分析、分步分析、对比分析和多维度拆解。

1. 行为事件分析

通过分析特定类型的用户行为，找到这种特定类型的用户行为对产品带来的影响。也可以推算出这种特定的行为给产品带来的意义。

行为事件分析法一般经过事件定义、下钻分析、解释与结论等环节。

2. 漏斗分析

流量在各个节点流转过程中，会存在一级级的流失，最终形成了漏斗形态。漏斗分析适用于一系列完整流程操作的用户行为。

找到设计过程中流失比较多的数据，通过数据找到流失的原因。

3. 留存分析

通过找到整体留存情况，找到用户留存的关键性因素指标。

留存分为两种情况：

产品整体留存，整个产品的留存率，对象是整个产品； 功能模块流程，各个模块的留存，这里是针对于单个功能模块。

产品留存要分开看待，既要看整个产品留存率，也要看所负责设计的各个功能模块的留存率。

4. 分布分析

用户在特定指标的各种占比的归类展现。

5. 对比分析

对比前后数据，通过对比数据的差值，验证设计。

自身产品比，对比产品其他模块相似场景的数据差异，通过对比找到问题点并做分析优化。 行业产品比，和同行业产品的数据对比分析，找出数据差异的问题所在，并给出对应的优化方案。

6. 多维度拆解

用不同的维度视角拆分，分析同一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解，找到数据背后的真相。

数据模型的建立

设计团队引入数据分析，那么就需要一套成熟的适合自己的团队的模型做基础，所以数据模型是我们数据分析的理论基础。

在数据模型中，我们可以学到数据模型的分类思路，以及如何创造出适用自己团队的数据模型。

基于这个目的，我们可以将市面上常见的数据模型找出来并进行整理和分析。通过熟悉主流的数据模型的产出逻辑，并从中找到规律，创造出适用于自己团队的数据模型。

常见的数据模型有：Google’s HEART、AARRR、RARRA 和 Customer Experience Index（CX Index）。

Google’s HEART：Google’s HEART 是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）。

AARRR：AARRR 增长模型出自于增长黑客，即获客、激活、留存、变现、传播推荐。

RARRA：RARRA 的数据模型，本质上是在 AARRR 的基础上进行顺序调整得到，以满足日益获客成本所带来的压力成本。RARRA 模型相比与 AARRR 可以使得获客成本更低。

Customer Experience Index（CX Index）：用户体验指数的维度有三个，分别为满足需求、简单地和愉快地。

数据如何验证设计

通过核心指标判断设计方案是否符合预期，以此验证设计方案是否成功，并为后续产品的迭代优化做依据。

1. 关注设计的核心指标

设计过程中，要关注设计的核心指标，针对于核心指标，进行针对性的设计。

如果改版最核心的指标是任务流程完成率，先查看用户操作流失率，然后分析找出流失原因，给出对应的优化方案。等到优化方案的产品版本上线后，对比完成率数据变化。

如果改版最核心的指标是人均观看次数，则要思考可通过哪些设计策略提升产品的人均播放次数。

举个例子，新浪微博，以前版本用户看完视频后，视频会有重播按钮和推荐视频，用户只有进行下一步点击才能播放下一个视频。改版后看完视频会自动切换到下一个视频。这样的设计策略虽然绑架了用户的行为，用户从一个主动接受者，变成了一个被动接受者，但是这种策略能有效地提升人均播放次数。

2. 核心指标带来的价值/收益

当验证了核心指标往好的方向发展，这时候，就需要总结核心指标带来的价值和收益，这样的话设计价值才可以直接被量化。

举个例子：一个 banner 的点击率达到 3% 的时候，每天 GMV 约 200 万。当重新设计了这个 banner，同时其他条件保持不变，点击率提升到了 6%，这时候通过数据查看每天的 GMV 是多少，如果达到了 400 万，那么这增加的 200 万，则是通过设计优化所带来的。

欢迎关注作者的微信公众号：「Echo的设计笔记」