设计师应该要掌握的数据基础知识

　　明确数据对设计师的价值

　　在《U 一点料》中，作者把数据比喻成设计的理性之光，这个比喻非常贴切。在现实生活中，设计师多少有些感性，善用数据，可以帮助设计师加入理性思考，使得设计方案兼顾感性与理性之光。

　　简而言之，数据之于设计师有以下好处：

　　1. 设计前-发现问题

　　通过数据的横向对比(和竞品比)，了解现状和差距，找到设计发力点。

　　举个栗子：

　　vivo 钱包 V1.0 版本上线后，通过对转化数据的提取和与竞品的对比，可以发现转化率漏斗的瓶颈与竞品的差距，从而对入口、引导、选卡和开卡环节进行有针对性的优化设计。

　　△ 图1 vivo钱包NFC交通卡走查结果

　　通过数据的纵向对比(和历史比)，了解规律和变化，迭代设计方案。

　　举个栗子：

　　浏览器的历史记录改版后，历史记录的转化率明显降低，尤其是*条历史记录，转化率下降了约 10%，考虑到*条历史记录的点击频次和操作便捷度，我们又做了强化*条历史记录的迭代设计。

　　△ 图2 历史记录的方案迭代

　　通过数据的人群对比(用户分层)，发现不同人群的功能关注/卷入度，为不同用户呈现不同的设计界面。

　　举个栗子：

　　针对 vivo 视频新用户卷入度低，互动动机不足，推荐不准确的情况，可以呈现不同的设计方案来满足不同的用户诉求。

　　△ 图3 为不同用户呈现不同设计界面

　　2. 设计时-辅助决策

　　设计方案时，如果对于多个方向犹豫不决，则可以借助快速调研的方式获取数据，辅助设计决策。

　　举个栗子：

　　我们在设计视频产品呈现模式时，对于浅色模式和深色模式各执一词：运营同学偏向于浅色模式，担心深色模式压抑，幼儿频道的小朋友们和家长会不喜欢。而设计师认为，深色模式内容和背景对比度小，视觉更舒适，看视频也更沉浸。双方都很难说服对方，于是通过快速问卷获得用户反馈：多数用户更偏好深色模式，且认为深色更护眼，从而就设计方向达成一致意见。

　　△ 图4 视频深色浅色模式对比方案

　　3. 设计后-验证设计

　　通过灰度或正式上线数据，和预期数据的对比，判断设计目标的实现程度，并总结和沉淀相应的设计经验。

　　举个栗子：

　　在收银台页面优化设计中，对于是否要增加大会员开通模块，项目组各执一词，最终决定上线两个方案，观察数据结果。从灰度数据结果来看，未展示大会员的方案 1，支付点击率和成功率相比原方案都更高，说明设计优化效果显著;展示大会员的支付率则有所降低，最终决定上线方案 1。经过这次灰度，大家也更加确信：在支付页，轻易不要增加设计元素和功能(避免视觉负荷和认知负荷，导致转化率降低)。

　　△ 图5 大会员优化方案

　　既然数据可以给设计师带来这么多好处，那设计师应该从哪些维度去了解数据呢?

　　在《产品经理数据修炼 30 问》中，作者提出了这样一个思路，笔者深感认同，也分享给你：可以从宏观、中观和微观三个维度，去构建产品的数据全局观：

　　△ 图6 如何构建产品的数据全局观

　　宏观的行业洞察

　　研究宏观的行业分析报告，帮助我们了解目标用户的体量，产品的行业格局和生态，进而帮助我们更好的理解产品相对竞品的优缺点。

　　中观的产品概览

　　梳理产品的数据体系，帮助我们了解产品的核心指标，指标现状及波动情况，指标意义和对商业的影响，以及指标和设计之间的关系，确认设计的发力点。

　　微观的数据洞察

　　把握每个核心功能的使用链路，了解核心链路上的转化率漏斗，帮助我们还原用户的使用场景，思考如何更好的服务用户及用户目标，做出更好的设计。

　　从宏观到微观，是设计师在心中重塑产品，建立产品设计全局观的过程，在这样的数据视野下，设计师对产品的现状会更加理性和客观。

　　了解设计师常用的数据模型及数据指标

　　行业里常见的数据模型是 Google’s HEART 模型(阿里设计团队在此基础之上迭代了国内更广为运用的 5 度模型，所以本文也主要为大家介绍 5 度模型)和 AARRR 模型。

　　△ 图7 5度模型(图片来自网络)

　　1. 5 度模型

　　用户体验周期分为 5 个阶段：触达、行动、感知、回访、传播。这 5 个阶段对应的核心目标分别是吸引度、完成度、满意度、忠诚度和推荐度。

　　吸引度

　　吸引度是指操作前用户初次接触到这个产品/功能时，产品/功能能否被用户注意到，并吸引用户的注意和兴趣，进而产生相应的行为。

　　相关的用户体验数据指标有(但不局限于)知晓率、到达率、点击率、退出率等。在吸引度层面，最需要设计师分析的是页面/功能/内容的曝光率和点击率，看设计入口是否达到设计预期。

　　完成度

　　完成度是指在操作过程中，用户能不能完成产品目标对应的操作流程，以及完成目标过程中的操作效率，主要用户体验数据指标有(但不局限于)*点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率、操作出错率等。

　　在完成度层面，最需要设计师分析的就是核心路径的转化漏斗和用户停留时长，由此可以判断核心链路设计的可用性。

　　满意度

　　满意度是指操作完成后，用户产生的主观感受和满意度，主要用户体验数据指标有(但不局限于)布局合理性、内容可理解性、操作容易度、界面美观度等方面的主观评价。

　　满意度数据主要来自于用户定性定量调研，用研团队一般每半年或者一年会进行一次满意度调研，设计师要密切关注满意度调研的高峰和低谷，尽量在后续的设计中填平低谷，拔高峰值。

　　忠诚度

　　忠诚度是指完成一次使用后，用户会不会再次使用此产品，主要用户体验数据指标有(但不局限于)30 天/7 天回访率、不同平台的使用重合率等。

　　忠诚度和用户留存率密切相关，设计师可根据回访率和用户使用场景，设计合适的触发，提醒用户使用产品。同时借鉴竞品产品的体验优势，转化竞品用户。

　　推荐度

　　推荐度是指用户会不会将此产品推荐给其他人，主要用户体验数据指标：净推荐值(NPS)。

　　推荐度与满意度类似，也是通过用户定性定量的调研获得。不同之处在于，满意度更多的强调用户自身的使用感受，而推荐度则关乎用户向外的口碑传播。

　　设计师应把握口碑传播中的产品优劣势，快速改进劣势，阻断舆论传播，同时不断强化优势，引导用户传播，形成良性的口碑循环。

　　2. AARRR 模型

　　AARRR 增长模型出自于增长黑客，又称海盗模型。

　　AARRR 是获客(Acquisition)、激活(Activation)、留存(Retention)、收入(Revenue)、传播(Refer)，这五个单词的缩写，分别对应用户生命周期中的 5 个重要环节。

　　获客

　　通过一定的推广方式让产品在一些渠道上面得到展现，并使看到展现的用户转化成产品用户。

　　获客阶段需要计算产品的推广方式(CAC、CPC、CPT、CPM、CPS、CPA)、推广费用和推广效果，来评估推广渠道的投资回报率(ROI)，帮助产品做推广决策。

　　激活

　　把通过渠道引入的用户，转化成产品的活跃用户，提高产品的使用粘性和深度。

　　激活阶段要计算产品的核心链路转化率，了解转化瓶颈，并作出对应的设计优化。

　　留存

　　如何让用户不断地使用我们的产品，减少用户的流失，提升用户粘性，让用户无法离开产品。

　　留存阶段要结合用户的使用场景，设计合适的触发，提升用户留存率。

　　收入

　　通过一些手段和渠道从用户或者广告方那里获取收益。

　　收入阶段则要分析产品的收入方式和收入占比，刺激用户消费频次和消费额度。

　　推荐

　　通过提升产品的竞争力和利益刺激，使用户推荐我们的产品给他的朋友。

　　推荐阶段则要结合场景，激励和引导用户分享，带来良性的产品口碑。

　　△ 图8 AARRR模型(图片来自网络)

　　关于 AARRR 模型，我从网上找到这样一张图，里面标注了每个阶段设计师可以关注的数据指标，如果你在设计中有使用到 AARRR 模型，不妨采用图中的数据指标，对你的设计结果展开分析。

　　学会如何简单的分析数据

　　在项目团队里，设计师主要是一个利用数据做设计洞察和分析的角色，而非收集、处理、呈现、深度分析、沉淀数据的角色。所以，设计师若能完成以下基本的数据分析，就可以在日常的设计分析中游刃有余。

　　1. 看数据

　　知道公司有哪些数据平台，分别可以查看哪些数据，能够做到对产品的核心数据指标脱口而出。

　　知道并且能够看懂产品的埋点数据表，当对数据释义有疑问时，可以通过查阅埋点数据表，了解数据的真实含义和统计口径;

　　知道如何查看或下载数据报表中没有的埋点数据，减少对数据分析师的设计依赖，提高设计效率;

　　2. 算数据

　　会使用公司的数据平台，如果数据平台支持，可以直接在数据平台中选择简单的数据埋点，完成点击率和转化漏斗的数据计算(更快速和直观)。

　　如果公司数据平台不够完善，可以用 Excel 完成以下简单的数据计算。

　　求数据平均值(=AVERAGE(单元格范围))。

　　进行数据分析时，为了避免单日数据波动带来的误差，通常会将一段时间内的数据取平均值作为基础运算基准值。

　　(我自己取数据时通常会取一周的数据算平均值，而且尽量避开节假日，这样做是为了避免节假日的流量和特殊需求波动带来的影响，也避免工作日和休息日的用户行为差异)

　　求数据点击率(=点击 PV/曝光 PV)

　　这是最基础也最常用的数据运算，就是一个简单的除法。

　　(注意曝光的 PV 要取对应的点击元素的，而非整体页面的。根据具体情况选择 PV 的点击率或 UV 的点击率)

　　会用数据透视表，实现批量计算平均值/点击率/转化率。

　　一个个的计算数据还是比较麻烦的，透视表可以帮助我们批量计算和呈现想要查看的数据，非常方便快捷。坦白来说，从业多年，虽然一直很关注数据，但我的数据计算就仅仅止步于 Excel 的透视表，基本上可以解决我日常的数据分析需求。如果遇到真的不会计算的数据，可以直接求助于数据分析师，毕竟术业有专攻，我们可以把更多的精力放在数据分析和对设计方案的思考上。

　　3. 分析数据

　　数据说到底就是一堆数值，知道这些数值并没有意义，有意义的是从这些数值中，提炼自己的洞察，辅助自己的思考，这才是数据真正的价值。

　　具体如何做数据分析可以参考以下分析脉络：

　　确认分析目标;

　　确认与分析目标相关的数据指标;

　　查看并提取相关数据指标，根据分析目标作出相应的计算;

　　将计算出来的数值做横向/纵向/分层的对比，寻找数据与竞品/历史/人群之间差距，并思考如何通过设计的方式，弥补甚至反超这些数据差异。(具体案例可以参考本文*节)

　　贵阳航洋动漫职业学校是贵阳市教育局批准(贵阳市教[2010]15号)设立的跨专业(包含计算机平面设计、动漫与游戏制作、影像与影视技术、绘画等专业)、多门类、全日制中等专业职业学校，同时也是一所实行准军事化管理的学校。