作為一枚設計小萌新，對上述場景，是否似曾相識呢？這些尷尬的情況，也映射出了不少問題：數據化設計意識薄弱，數據基礎知識模糊，缺乏系統的體驗評估模型和度量方法等等。

那么，我們該從哪些維度進行數據分析呢？數據的基礎知識又有什么呢？常見的數據分析方法又有哪些？諸位看官抓好扶好，入門版航班即將起飛，讓我們一起走進數據的世界，掌握一定的數據分析能力，告別“我要我覺得”的任性決策。

增量尚不明確，存量博弈的下半場，都以去肥增瘦的方式，宣告著精細化運營的時代到來，似乎也對設計師同學提出更高專業的要求。數據意識作為能力象限中的某個小瓦塊，雖然細微，但也是專業輸出的切入點。

在面對產品功能迭代、用戶行為分析、日常監測、設計決策以及效果評估等等問題時，單純的從視覺維度進行推導，會稍顯單薄。而基于客觀數據的分析，可以更科學準確地輔助我們進行決策。

所謂的“數據指標”，簡單來說就是可將某個事件量化，且可形成數字，來衡量目標。在一定程度上，“數據指標”能揭示出產品用戶的行為和業務水平狀況。

目前市面上的產品種類繁多，大致都圍繞“用戶是誰、做了何事、結果如何”進行歸納整合，分別對應著用戶數據、行為數據、業務數據三類指標。

1. 用戶數據：包含存量、增量、留存及渠道來源四類

存量：反映某一時間段內活躍的用戶數。以日活（DAU）、周活（WAU）、月活（MAU）維度進行統計。其中，Active 需以關鍵用戶的自發行為來進行定義，常見的動作有登錄、瀏覽內容等。

增量：一般用新增用戶數來反映，同樣分為日新增（DNU）、周新增（WNU）、月新增（MNU）三類統計維度。其中，增量的定義相對模糊，需提前與渠道確認好新增指標，建議根據內部的賬號體系進行指標的取舍，選擇新增注冊用戶還是新增設備數。

留存：通過留存率來評判產品的健康程度，表示新用戶在一定時間段內，某些行為重復發生的比率。其中，日留存和月留存的評判分析作用又有所不同：

• 日留存：作為衡量用戶渠道質量的重要依據，如小胖的公眾號在知乎、微信群進行導流宣傳，通過分析不同渠道的用戶留存表現，從而優化受眾用戶的投放來源。
• 月留存：作為用戶粘性的重要判斷，通過指標來分析產品對用戶是否長期有吸引力。也可用作產品上新后，功能迭代是否符合預期的判斷依據。

來源：用戶從何而來，包含自然搜索、產品導流、好友邀請等多種渠道。結合不同渠道用戶的數據表現，可以指導后續的推廣方案。

2. 行為數據：記錄用戶使用產品的相關行為，可包含行為質量（訪問深度、轉化率、跳出率、用戶停留時長）與數量（次數、頻率、點擊率、訪問時長）兩類維度

訪問深度：用戶單次瀏覽頁面的過程中，瀏覽了頁面的數量越多，表示用戶訪問深度越深，產品粘性較好。

轉化率：指在一個統計周期內，完成轉化行為的次數占總訪問次數的比率。轉化率=(轉化次數/點擊量)×100%。如在電商、理財等產品中，轉化率是衡量產品優秀與否的重要指標之一。

跳出率：訪問了單個頁面的用戶占全部訪問用戶的百分比，可用來衡量訪問質量，高跳出率通常表示內容或體驗與用戶目標脫節。

停留時長：用戶游逛的時間長度，需要區分對待內容消費與工具效率場景，高停留時長并非全是正向反饋。

次數：包含頁面訪問次數（PV）和用戶訪問次數（UV），通過頁面或者用戶作為計數單位，但需進行相應數據去重，保證數據的真實性。

點擊率：CTR（Click-Through-Rate）即點擊通過率，某一內容被點擊的次數與被顯示次數之比，CTR 是衡量互聯網廣告效果的一項重要指標。影響用戶點擊的因子較多，作為入口級內容，卻具備較大的設計發揮空間，可通過信息的布局與核心利益點的外化，實現行為號召（Call to Action）

3. 業務數據：產品在商業化過程中，對業務結果的貢獻程度，如總成交量、人均消費金額、消費人數、續費率、用戶周期價值等

總成交量：GMV（Gross Merchandise Volume）屬于電商平臺企業成交類指標，主要指訂單的總金額，包含付款與未付款兩部分。

人均消費金額：ARPU（Average Revenue Per User）即每用戶平均收入。這個指標計算的是某時間段內平均每個活躍用戶為應用創造的收入。

續費率：指的是在訂閱期結束時，選擇續費的用戶占所有應續費用戶的百分比。

付費率：付費用戶占活躍用戶的比例。

用戶周期價值：LTV（life time value）是產品從用戶獲取到流失所得到的全部收益的總和，當 LTV 大于平均獲客成本和后續的運營成本時，產品獲得凈收益。

對上述數據類別有所了解之后，我們在面對紛紜復雜的應用類型與數據概念時，到底該怎么選取合適的指標進行衡量和分析呢？接下來，讓我們進入下一個知識點-指標建模。我們大致可以按照以下方法進行關鍵指標的選取。

1. 明確業務的最終目的；

2. 判斷業務模塊所屬類型；

3. 根據模塊類型選擇數據指標；

1. 明確業務的最終目的

目的：Figma 是一個基于瀏覽器的協作式 UI 設計工具，其最終目的是完成商業變現，讓更多用戶付費購買。

手段：為達成這一目標，而采用基于 web 的模式這一手段，極大地方便了團隊協作辦公的需求，繼而備受青睞，普及率節節攀升。

支持手段的工具：此外，借助開源的插件及完善的組件功能，為設計創作者提供更便捷的工具支持。

2. 判斷業務模塊的所屬類型

在從業務的最終目的出發，梳理業務模塊后，可進一步地拆解該業務模塊的具體類型。為方便理解，可以按照產品價值，將功能模塊分為 4 種類別：工具、內容瀏覽、社區、交易。

針對本身自帶價值屬性的產品，按照幫助用戶節省時間和消磨時間可分為：

• 工具類：剪映、輕顏相機、飛書文檔及翻譯工具等。
• 內容瀏覽類：各類圖文、音視頻體裁的消費內容，如短視頻、喜馬拉雅、知乎等。

另一類產品本身不產生價值，通過自身的平臺屬性來連接資源，同樣按照幫助用戶節省時間和消磨時間可分為:

• 社區類：小紅書、即刻、微博等。
• 交易類：電商板塊、會員付費板塊以及直播打賞充值等。

3. 根據業務模塊類型選擇數據指標

按照時間與價值維度，將產品劃分為 4 類模塊，每類都有各自需要核心關注的指標要素。

下面對 4 種分類的功能模塊，分別介紹如何選取指標體系：

工具類：通過產品達成個人目標，高頻的使用行為，可以培養用戶的固定習慣。因而可主要關注使用量、目標達成率、頻次數據指標。（示例：剪映）

交易類：以詳情頁作為用戶購買動機的誘因，實現付費轉化。倘若能多次反復的購買商品或服務，整體轉化效果更佳。因而，可選取詳情頁轉化率、客單價、復購率作為衡量指標。（示例：百度網盤）

內容瀏覽類：用戶是否已獲得更優質的內容，愿意投入更多的時間瀏覽內容，并能觸發與內容的互動行為。因而可選取瀏覽數、瀏覽廣度、瀏覽時長和互動行為作為衡量指標。（示例：快手）

社區類：社區環境主要受人與內容、以及人與人之間的關系影響。鼓勵用戶發布內容，以創造的內容來吸引其他用戶產生共鳴，從而進行內容創造與互動行為。因而，可選取發布量、互動量、用戶間的關系密度作為衡量指標。（示例：即刻）

在產品迭代發展的過程中，掌握有效的數據分析方法，能讓冰冷客觀的數據鮮活起來，為決策提供判斷依據。接下來，就給大家推薦幾類數據分析方法。諸位看官，請注意查收。

1. AARRR 模型

由 Dave McClure 2007 提出的客戶生命周期模型，可以幫助大家更好地理解獲客和維護客戶的原理。其核心為 AARRR 漏斗模型，對應著實現用戶增長的 5 個指標：

• 獲取(Acquisition)：用戶如何發現（并來到）你的產品？
• 激活(Activation)：用戶的第一次使用體驗如何？
• 留存(Retention)：用戶是否還會回到產品（重復使用）？
• 收入(Revenue)：產品怎樣（通過用戶）賺錢？
• 傳播(Refer)：用戶是否愿意告訴其他用戶？

我們在進行數據分析的時候，應該考慮用戶正處于 AARRR 模型的哪個部分、關鍵數據指標是什么、對應的分析方法又是什么？

2. 漏斗分析

科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。廣泛應用于網站和 App 用戶行為分析的流量監控、電商行業、零售的購買轉化率、產品營銷和銷售等日常數據運營與數據分析的工作中。

例如：在完成電商購物行為時，共包含瀏覽選擇、查看詳情、添加購物車、生成訂單、支付等環節。通過監控用戶在流程上的行為路徑，漏斗能夠展現各個環節的轉化率，直觀地發現和說明問題所在，更快定位出某個環節的具體問題。

除了需要了解分析方法之外，還需要提防以下數據分析常見謬誤，避免落入陷阱之中，從而做出錯誤的決策。

1. 數據偏?

在分析數據時受個?偏見和動機的影響，即僅選擇支持你聲明的數據，同時丟棄不支持聲明的部分。“數據偏見”將讓數據的客觀性蕩然無存。避免這種謬誤的方法是在分析數據時，盡可能收集相關數據，并詢問他?意?。

2. 采樣偏差

在做抽樣分析時，選取的樣本不夠隨機或不夠有代表性。例如，互聯網圈的人極少會使用 PDD，為何該應用還會有這么好的市值表現？

3. 因果相關謬誤

將兩個同時發生的事件，判斷為因果關系，忽略了其中間變量。例如，隔壁老王生了個孩子，同時種了一棵樹。孩子和樹都隨著時間的推移而長高，在一定時間內，如果使用相關性分析，可以得出這兩個變量具有相關性。然而我們都很清楚，孩子長高和樹長高之間，并不具有因果關系。

4. ?普森悖論

即在某個條件下的兩組數據，分別討論時都會滿足某種性質，可是一旦合并考慮，卻可能導致相反的結論。避免“辛普森悖論”給我們帶來的誤區，就需要斟酌個別分組的權重，以一定的系數去消除以分組資料基數差異所造成的影響。

5. 定義謬誤

在看某些報告或者公開數據時，經常會有人魚目混珠。「網站訪問量過億」，是指的訪問用戶數還是訪問頁面數？

6. 比率謬誤

談論此類型指標時，都需要明確分子和分母是什么。另一方面，在討論變化的百分比時，需注意基數大小。如小王和小劉體重都上漲了 10%，但二者的體重基數分別為 60kg、90kg。

良好的數據思維，能讓我們的設計增添一些理性之美。同時，也是了解用戶使用行為及產品表現最有效的途徑之一。

本文僅普及了一些數據的基礎框架和思路，最終還是需結合項目實操進行驗證，從而真正的理解與掌握該技能。

參考資料：

• 互聯網數據分析：指標體系的建立
• 一套正確且高效的數據分析體系該如何搭建
• 互聯網數據分析：指標體系的建立

歡迎關注作者微信公眾號：「美工李大強」