干货：一篇文章掌握数据导向设计

　　本文作者从工作实践出发，结合案例等分享了数据分析的相关知识，供大家一同参考和学习。
　　周六早上，高中女神给我发了一条微信，我的双手放佛得了帕金森综合症般不听使唤，费劲的点开了那一条微信，原来女神不知道如何用Excel表格处理数据，让我教她处理数据。嗨（四声）！说起数据，就不得不提数据导向设计。
　　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。
　　文章目录：
　　数据分析的意义
　　熟练掌握数据指标
　　数据分析与设计的方法
　　数据模型的建立
　　数据如何验证设计
　　一、数据分析的意义
　　1。用户行为可视化，可清晰的了解整体个体用户的行为
　　如下图所示，通过GoogleAanalytic网站可清晰的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。
　　二、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：DailyActiveUser。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UV1万人，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。
　　三、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的对产品带来的影响。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，漏斗分析适用于一些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统一类数据指标。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。
　　四、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并分析。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’sHEART、AARRR、RARRA和CustomerExperienceIndex（CXIndex）。
　　Google’sHEART：Google’sHEART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）、TaskSuccess（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。
　　CustomerExperienceIndex（CXIndex）：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。
　　五、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。
　　如果改版的最重要（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。
　　如果改版的最重要（核心）指标是人均观看次数，则要思考可通过哪些设计策略可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的提升人均播放次数。
　　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。
　　以上就是关于数据导向相关知识。
　　相关阅读
　　《设计师必备的15项数据指标》
　　《数据提升背后的3个问题点》