如何構建數據體系設計方法論？五大章節幫你掌握！

作為一名用戶體驗設計師，在工作中最常出現的痛點有兩個：一個是如何讓方案獲得各個角色的認可，順利的將方案推行下去；另一個是項目上線之后，設計產出和設計價值如何體現。

構建數據體系設計方法論，可以幫助設計師解決上述兩個痛點，即：

• 為設計方案提供依據
• 為設計價值提供驗證

1. 為設計方案提供依據

下圖是 feed 流產品負反饋流程。用戶對于自身不喜歡的資訊，可以通過點擊叉號選擇原因進行屏蔽，以此減少后續相同類型的資訊，從而提升資訊內容的精準度。

拉取數據統計可以得知：用戶點擊叉號之后，出現浮層面板后，進行進一步操作的轉化率極低。這么低的轉化率嚴重影響整個流程操作流程。

然而在不感興趣面板中進行提交操作，轉化率達到前一個節點的三倍以上。

通過數據可以得到以下依據：

1. 列表吸引用戶繼續操作感知度弱。
2. 操作層級深，阻礙用戶進入下一級頁面的轉化。

所以，通過數據可以得到以下設計方案支持：

1. 將列表樣式改為通過按鈕作為主操作樣式
2. 縮短路徑，將主流程的兩步改為一步，進一步提升轉化。

改版前后方案如下圖所示：

2. 為設計價值提供驗證

新的設計方案上線，可以得到上線后的流程轉化率。然而單純的轉化率提升，并不能作為最終設計方案的價值。

單純的轉化率提升了，只能說明該流程用戶操作成功率提升，并不能量化對應的業務價值。

這時候需要控制變量，通過控制其他變量不變，去證明該流程優化，提升了整個產品信息流推薦精準度。通過留存率、人均閱讀條數等數據變化，證明該設計方案的設計價值。

入門數據分析的第一步，就是要掌握常見的數據指標的定義和用途，只有掌握了這些，設計類的數據分析就掌握了一半。

說起數據指標，大家經常聽見的有 DAU、PV、UV、點擊率等。數據眾多且無體系化。大家可以將眾多的數據，進行分組整理研究。

這里我將數據指標的分類，分為大致 4 類，分別為：基礎性指標、流程性指標、業務性指標和綜合性指標。

1. 基礎性指標

基礎性指標適用于各個行業產品、移動端、PC 端等。具有一定的通用性，通常顆粒度小。

常見的指標有：PV、UV、人均點擊次數、人均停留時長等。

2. 流程性指標

流程性指標通常和交互流程相關，數據涉及到兩個及以上的節點。流程性指標常用的有：點擊率、轉化率、流失率和完成率等

3. 業務性指標

不同的產品業務對應的業務性指標不一致。

例如電商則是：客單價、訂單量，人均訂單量、人均付費等。

剪輯類產品則是：上傳數、上傳率、剪輯占比率、剪輯完成率、人均生成視頻數等。

4. 綜合性指標

綜合性指標，則指的是整體的數據，常見的是:DAU、MAU、留存率、用戶使用時長等。電商的話，有 GMV、訂單數等。

面對設計團隊沒有數據文檔沉淀，如何才能建立體系化文檔？

1. 梳理產品所有數據的埋點

先梳理線上產品的數據埋點，一般一個需求開啟時，會進行數據埋點和對應的文檔。

通過收集所有的埋點文檔，整合在文檔里。

如果開發并沒有埋點，則給開發提需求進行埋點。

2. 定義整理數據指標

不同的數據口徑不一致，也會導致大家對一個指標的理解有出入，從而導致無法真正地溝通。所以整理數據指標很重要。

例如 PV 細分包含：曝光 PV、加載 PV、點擊 PV 等。我們平時說到的 PV 通常默認為曝光 PV。

下圖是整理數據指標示意：

3. 定義功能核心指標

不同的產品，不同的功能，對應的核心指標不同。針對于不同的產品，定義其核心指標，這樣有助于明確設計目標，并針對性地出設計方案。

下圖是整理核心指標示意：

在設計工作中，我們常用的數據分析方法有以下 4 種：

1. 漏斗分析
2. 拆解分析
3. 對比分析
4. 行為分析

1. 漏斗分析

漏斗的定義：基于明確起始操作路徑，根據每個路徑節點的用戶數（操作次數），各個節點流轉過程中，會存在一級級的流失，最終形成漏斗形態。

漏斗的意義：漏斗分析適用于一些完整流程操作的用戶行為，找到設計過程中流失比較多的節點，分析找到流失的原因并改進。

如下圖所示，用戶在搜索場景購買商品的整個操作路徑，在這個路徑中，每一節點都會存在流量的流失，從而形成一個完整的轉化漏斗。

按照頁面 PV 繪制成對應的轉化漏斗如下圖所示：

通過繪制的漏斗，找到對應頁面的 PV 數據，計算出對應的轉化率。

轉化率=下一個節點 PV/上一個節點的 PV，通常來說低轉化率節點是可優化點。

漏斗的計數單位可以基于用戶(UV)，也可以基于次數(PV)。

對于偏一次性流程的，例如注冊、實名認證等建議使用用戶(UV)，對于偏非一次性的流程，例如購買、發布等建議使用次數(PV)。

2. 拆解分析

定義：將整體數據按照不同緯度進行拆解分析。

如下圖，當我們在數據中看到目標用戶有 1866 個人，那么接下來拆解分析這 1866 個人在不同緯度中的分布情況怎么樣。

通過拆解，力求后續推廣流量更加精準化，提升轉化率。

如下圖，通過流量渠道來源，top 前三的渠道分別為今日頭條、36kr 和地推。如果在價格方面，36kr 單個用戶價格更加便宜，那么可以加大 36kr 廣告推廣。

如下圖，通過城市的維度來看，產品目標用戶的城市，排名前三分別為上海、石家莊和杭州。

3. 對比分析

對比前后數據，通過對比數據的差值，驗證設計。

簡單地舉個例子，下圖為服務購買頁面。

項目背景：立即支付的點擊率只有 11%，此次優化，希望提升立即支付按鈕的點擊率。

從圖可以看出存在以下問題：

1. 核心操作流程被弱化，立即支付按鈕底部懸浮，按鈕的視覺搶點被購買須知和服務協議所占據。導致用戶注意力被搶占影響點擊率。
2. 優惠利益點不夠，導致用戶支付意愿下降。

針對于提升立即支付點擊率，那么可以從 3 個方面著手：

1. 增加按鈕的視覺表達，按鈕變大。
2. 核心操作占據核心位置。
3. 提升文案，通過文案吸引用戶

通過以上 3 點，得到對應的優化方案，如下：

明確全量發布時間后，那么該時間之后，就是該優化方案上線的數據，找到對應的指標數據。

建議當數據穩定后，取最近一周的數據的平均值作為核心指標的數據。

通過開發得知，該需求于 2020 年 4 月 20 日已全量上線，然后看后臺數據，發現支付點擊率為 16%

那么由此得知，改版后數據漲幅為：

（16%-11%）/11% =45.5%

通過對比用戶點擊立即支付按鈕數據前后的變化，驗證設計是否成功。

對比分析通常有以下兩個方面：

1. 自身產品比，對比產品其他模塊相似場景的數據差異。通過對比找到問題點并做分析優化。
2. 行業產品比，和同行業產品的數據對比分析，找出數據差異的問題所在，并給出對應的優化方案。

4. 行為分析

通過分析特定類型的用戶行為，找到這種特定類型的用戶行為的對產品帶來的影響。也可以推算出這種特定的行為給產品帶來的意義。

意義：用戶行為可視化，可清晰地了解整體/個體用戶的行為。

如下圖所示，通過 Google Aanalytic 網站可清晰地掌握平臺整體流量的來源，用戶群體路徑行為軌跡，這可以讓設計師/產品經理清晰地了解到平臺的用戶行為軌跡和用戶人群的操作習慣。

也可以清晰地了解每個用戶的操作行為路徑。如下圖所示：

通過核心指標判斷設計方案是否符合預期，以此驗證設計方案是否成功，并為后續產品的迭代優化做依據。

量化設計的價值，通常分為 4 步：

1. 確定改版的核心指標
2. 核心指標帶來的價值/受益
3. 確定上線時間
4. 對比上線前后數據變化，進行驗證

1. 確定改版的核心指標

設計過程中，要關注設計的核心指標，針對于核心指標，進行針對性的設計。
如果改版的最重要（核心）的指標是任務流程完成率，先查看用戶操作流失率，然后分析找出流失原因，給出對應的優化方案。等到優化方案的產品版本上線后，對比完成率數據變化。

如果改版的最重要（核心）指標是人均觀看次數，則要思考可通過哪些設計策略可提升產品的人均播放次數。

舉個例子，新浪微博，以前版本用戶看完視頻后，視頻會有重播按鈕和推薦視頻，用戶只有進行下一步點擊才能播放下一個視頻。改版后看完視頻會自動切換到下一個視頻。這樣的設計策略雖然綁架了用戶的行為，用戶從一個主動接受者，變成了一個被動接受者，但是這種策略能有效地提升人均播放次數。

2. 核心指標帶來的價值/收益

當驗證了核心指標往好的方向發展，這時候，就需要總結核心指標帶來的價值和收益，這樣的話設計價值才可以直接被量化。

舉個例子：一個 banner 的點擊率達到 3%的時候，每天 GMV 約 200 萬，當重新設計了這個 banner，同時其他條件保持不變，點擊率提升到了 6%，這時候通過數據查看每天的 GMV 是多少，如果達到了 400 萬，那么這增加的 200 萬則是通過設計優化所帶來的。

3. 確定上線時間

通常規模大一點的產品通常產品上線發布，都需要進行灰度發布。10%、30%、50%等灰度，最終全量。通過產品或者開發，了解全量發布的時間節點。通過全量上線的時間，對比前后的數據。

4. 對比上線前后數據變化，進行驗證

舉例：

改版前運營位每日 PV，改版后每日 PVXXXW；PV 增長約為 46%

改版前每日收入約 XXX 萬元，改版后每日收入 XXX 萬元，每日增加約為 XXX 萬元。商業化收益增長約 43.4%

本文至此就結束了。