前言：設計和創作不一樣，設計往往存在目的和理性的部分，雖然有的時候咱們不做數據分析也可以出設計方案，但數據作為一個定量的維度，可以支持設計方案的推導和決策，以及對方案效果的驗證。

相關干貨：

作為一名設計師，你是不是經常被靈魂拷問？

那么設計師需獲取哪些數據，如何進行數據分析，幫助我們更好的了解用戶，讓團隊少做一些無用需求，或者在錯誤的需求方向上停止腳步，遏制一些異想天開的想法。本文通過常見的概念和案例分析，總結了關于數據方面的一些基本知識，主要內容包括：

一、設計師為何要看數據

1. 客觀的意義

一個好的產品需要更加“精、準、全”的數據，能拓寬產品判斷的渠道，以一種客觀方式反映某些現象或問題。

2. 設計的意義

一個完整的設計方案需要有設計的指標，量化指標的體現就是用戶在使用產品時操作行為的數據體現，通過用戶的數據來反饋和指導優化設計方案。

二、設計師常見的數據有哪些

在分析和使用數據之前，需要清楚地知道不同數據指標的定義，以下列舉出了一些設計師常用的數據指標及其定義。

1. 后臺數據

能代表用戶使用度或者路徑監測的數據：

①人均頁面訪問量（pv/uv）

人均頁面訪問量是指平均每個獨立訪客訪問頁面的次數，即 PV/UV，用來評估網站的深度。如果是內容型網站，人均頁面訪問量越高，說明內容越有價值，對用戶越有吸引。

②平均停留時長

平均停留時長是指瀏覽某一頁面時，訪客停留時長與頁面獨立訪客數之比。在任務型產品中，停留時間越長表明信息架構越不清晰、效率低；而在內容型產品中，更長的停留時間表明內容對用戶更具吸引力。

③點擊率

點擊率是指網站頁面上某一內容被點擊的次數與被顯示次數之比，點擊率反映了網頁上某一內容的受關注程度，經常用來衡量廣告的吸引程度。

④轉化率

轉化率是完成一項操作的用戶所占的百分比，比如網站的普通用戶數與網站的付費訂閱數量。轉化率的計算公式=（轉化次數/總數）×100%

⑤跳出率

跳出率指用戶通過搜索關鍵詞來到你的網站，僅瀏覽了一個頁面就離開的訪問次數與所有訪問次數的百分比。

2. 調研數據

設計師一般聚焦于用戶體驗質量的提升，因此需要滿足用戶體驗相關的數據指標才能更好地完成設計目標。比如 B 端產品的核心目標就是保證合作商戶多，讓商戶保持持續付費的能力。那么根據用戶體驗周期的 5 個階段 （獲課-活躍-留存-變現-傳播），對應得出以下 5 個體驗指標，不同階段產品增長目標不同。

①Acquisition（獲客），讓生意找上門

產品拓展期有用戶產品才有機會活下去，不管是什么產品，都需要讓用戶看到產品價值，充分考慮用戶的特點及需求對應設計不同的獲客方案。相關的吸引度指標：曝光率、到達率、點擊率、退出率。

②Activation（活躍），讓用戶使用產品

獲取用戶后，需要使用戶保持活躍，C 端產品一般從日、周、月維度統計用戶的在線時長，瀏覽時長，點擊率等多行為角度分析用戶活躍度，但是 B 端一般看核心功能使用頻次即活躍率，以及完成過程中的操作效率；相關完成度指標包括：首次點擊時間、操作完成時間、操作完成點擊數、操作完成率、操作失敗率等。

③Retention（留存），讓用戶持續使用產品，不流失

一款產品如果想要成功，光有用戶是不夠的，需要用戶留存率足夠高才可以，保證核心功能及客戶的留存率是關鍵；相關滿意度指標包括：操作難易度、布局合理度、界面美觀度、內容易讀性等。

④Revenue（變現），讓用戶持續付費

用戶留下后，需要有變現的能力，只有實現用戶變現，產品才有了商業價值，才能讓產品獲利；相關忠誠度指標包括：30 天/7 天回訪率、跨平臺的使用重合率等。

⑤Referral（傳播），打造受企業喜愛的產品

打造一款讓用戶喜愛的產品，通過分享傳播的方式，獲得用戶與變現，像活水一樣源源不斷，持續盈利，創造價值；數據指標主要為凈推薦值（NPS）

三、設計師如何使用數據

Google 的 GSM 模型目標（Goal）→信號（Signal）→指標（Metric）是設計師比較熟知的數據模型，通過確立目標從而判斷目標對應的信號，繼而拆解為可量化的信號指標，完成目標到指標的轉化。這里分享的是：借鑒GSM的思維方式進行拆解映射。

1.明確目標

①定目標值

定目標值（可量化的目標）：即量化后的期望達到的業務效果，是需求實現效果的主要參照物，以產品改版或迭代的目標制定出階段性的設計目標為例：

產品需要提升商家入駐率，對應的設計目標則要服務于產品目標，但可以從設計簡化的入駐流程等設計策略實現產品目標。

②定數據指標

當確定好設計目標后，接下來是設定出衡量效果的方式和數據，數據指標可以建立一個統一的判斷標準，直觀地反映設計方案與設計目標之間的差距，成為迭代優化的重要依據。

例如：通過用戶行為表現來衡量商家入駐的資格申請表單，根據舊版本的完成率與新版本的完成率計算出與設計目標的差距。

2.收集數據

①做好數據埋點

在產品設計前，需要通過用戶行為數據來尋找優化突破口，那么想要獲得這些數據，就需要先對舊版做好數據埋點。我這里是梳理了關鍵任務路徑在每個節點讓前端添加了統計代碼，方便將需要的數據統計出來，對產品迭代具有重要的意義。

②利用統計工具

不同公司有不同的數據統計工具，一般大公司會建立自己的數據分析系統，也有很多公司會采用第三方統計工具來收集和分析數據。需要注意的是，Web 和 App 的數據統計工具及埋點方式是不同的，常見的第三方統計工具有：Web 統計工具：Google Analytics、百度網站統計等；App 統計工具：Flurry、百度移動統計、友盟、諸葛 IO 等。

3.分析數據

①什么是數據分析

數據分析是以業務場景和業務目標為思考起點，業務決策作為終點，按照業務場景和目標分解為若干影響的因子和子項目，圍繞子項目做基于數據現狀分析，找到改善現狀的方法。數據分析是一個檢查、清理、轉換和建模數據的過程,目的是發現有用的信息、提供結論和支持決策。

數據分析的方法一般會包含但不限于以下幾種方法；

例如：單項分析法：趨勢洞察、渠道歸因、漏斗分析、熱圖分析、A/B 分析、留存分析等；

組合分析法：針對某個細分點，進行多維度組合分析；

場景分析法：根據用戶的使用場景，按時間、地點、任務進行分析。

②數據分析案例一

比如：（如圖）這是產品新上的一個功能，統計了近一周的內容瀏覽量 PV、點擊量 PV、以及對應的 ctr(點擊率)，請針對數據對新功能的整體情況進行分析并發現問題，怎么解決？

解題思路 1：首先繪制瀏覽量、點擊量的折線圖

可以發現瀏覽量在 3.5-3.6 日間呈逐漸下降的趨勢，而 3.7 號開始不斷上升，并在 3.8 號達到巔峰。反觀瀏覽量，7 日內數據一直低迷，起伏波動不大，按道理來說，點擊量的變化趨勢應該和瀏覽量一致才對。

解題思路 2：繪制瀏覽量的點擊量箱型圖

7 日功能瀏覽量的均值與中位數非常接近，約為 1340 萬，幾乎沒有差異，數據波動較低，沒有出現離群點，因此可認為內容瀏覽數據非常健康。

7 日功能點擊量均值為 145 萬，中位數為 135 萬，出現了均值高于中位數的情況，但箱型圖中未出現離群點，應該是后三天的點擊量相比前幾天較高，拉高了整體均值。

從圖中可以直觀地看到這 7 日功能的瀏覽和點擊情況相差巨大，可以得出最終結論:瀏覽量的提升并未帶來點擊量的提升，整體點擊率過低。

4. 輸出結果

①制定方案

根據前期 GSM 模型設定好的設計目標數據指標，制定相應的設計方案。其中，設計策略是制定設計方案的源頭，明確設計策略之后，首先要做的是挖掘決定策略實現效果的關鍵因素，再由關鍵因素推導出最終的設計方案。

舉個例子，如果按照 7+2 原則簡化商家填寫入駐表單的流程作為提升商家入駐的策略之一，那么填寫信息是否比較順暢、文案表達是否很清晰等，就成了策略能否奏效的關鍵因素。

②驗證設計

優化方案上線，我們的工作不意味著就結束了，重點要觀察對應的指標有所提升還是降低，與優化前的版本相比較是否有所改善。很多時候往往不可能一步到位就把問題解決掉，需要迭代優化，不斷通過數據跟蹤來修正設計策略，達到我們最終的設計目標。

舉個例子：

針對某 B 端產品信息編輯的問題，采取了功能前置、且信息可以原位編輯等多種研究方式，并且在列表中增加自動獲取功能。新版上線后，用戶完成所需功能平均時長為 10 秒，比改版前快了 28 秒，效率提升了 36.4％，本次優化達到了預期的效果。

寫到最后

在更遠的未來，海量的數據將會是每個企業必不可少的基礎支撐，對設計師而言，數據也是幫助設計發揮更大價值的強大幫手，不管是在設計前、設計中、設計后，盡量能將數據變成設計流程中的常規環節吧。