憑什么說設計方案有用？先掌握基礎的數據分析思路！

“憑什么說你的方案有效果？”

“講了一堆你覺得，有客觀依據么？”

是不是很想有理有據的把數據分析甩出來？

行！那今天就來介紹設計的數據分析思路，為你的方案增添 10 分說服力！

設計為什么要會數據分析？產品給的報告不能用嗎？

誰不想摸魚呢？可真的用不上呀！

產品或運營的數據報表多是從本職業影響的范疇出發，去分析產品策略、渠道投放、運營手段等對整體大盤的影響。給出的數據要么和設計無甚相關，例如渠道的投入產出比，要么更偏向整體效果，無法探究設計方案的作用，例如參與人數、整體留存等。這樣的數據，無法論證設計方案的影響效果，也就無法形成有效沉淀。

所以，數據分析，還是要自己做！

這樣叫做“會設計數據分析”嗎？

如果你知道哪些設計會影響最終數據指標，知道如何拆解成與設計相匹配的小指標，會通過數據看出問題或機會，那么這就叫會設計數據分析。

簡單點，如果你曾被以下問題困擾過，那么下面的內容可要看仔細了~

1. 我是根據產品目標來做設計的，但我沒辦法證明方案是怎么影響總指標的？
2. 收到數據圖表，但看不出這和我的設計有什么關系？
3. 得到一組多維數據，可怎么看結論都只有比大小？

設計的數據分析如何做？

本篇文章將遵從數據分析的三大步驟“拆解—埋點—分析”，從設計視角進行講解和案例探討。

Step1：數據拆分

問題：我是根據產品目標來做設計的，但我沒辦法證明方案是怎么影響總指標的？

診斷：除了總目標，不知道還能如何驗證。屬于數據拆分的問題。

怎么拆？

拆分數據是大化小的過程，宗旨是可以將終點數據拆分成過程數據、細節數據。以下為兩個基礎拆分思路：

1）構成法

「適用范圍」有多維平行影響因素構成的數據，通常有固定公式的都屬于該類。

「案例」商品交易總額 GMV、用戶終身價值 LTV 等。

2）行為路徑法

「適用范圍」總指標是“后置數據”，會受到一系列的“前置因素”影響。

「案例」用戶留存。

在實際使用中，“構成法”和“行為路徑法”通常是交叉疊加使用的。

例如，為電商的年終大促做活動設計，總指標為 GMV（商品交易總額）。

第一步：通過“GMV=點擊 UV*轉化率*平均客單價”的一般公式，可拆出 3 個二級指標——“SKU點擊UV”、“轉化率”、“平均客單價”。但這3個指標并不能直接指向設計，需要繼續拆分。

第二步：“SKU 點擊 UV”對照用戶行為，即用戶“進入活動頁面—看到頁面上的‘商品櫥窗’—點擊陳列的SKU”。依照該行動順序，可以找到對應的設計模塊。“進入活動頁面”轉化為“活動入口點擊率”；“看到頁面上的商品櫥窗”轉化為“模塊曝光率”；“點擊陳列的SKU”轉化為“模塊的SKU點擊率”。

到此，指標已拆分至與設計直接相關的數據，我們可以通過數據的表現，發現設計效果是否達到預期。

如果不滿足于問題的發現，還想繼續探討如何設計效果更好，則需要通過對影響因素進行拆分，例如影響 SKU 點擊的設計因素有位置、大小、動效、商品信息等等，通過 AB 測試的方式，來找到設計更優的解法。

概括模型

以上思路可以概括為：UJM+OSM 模型。該模型非常通用，和做設計的思路一致，會設計就會拆數據。

應用思考

案例：一款雇主招聘產品，為有更好的招聘效果，鼓勵雇主在活動期間多查看簡歷、與應聘方溝通。那么“招聘效果”可以用哪些數據表示呢？

實際案例更為復雜多元，以上僅為大致的思考思路，并不代表標準答案。

Step2：數據埋點

問題：收到數據圖表，但看不出這和我的設計有什么關系？

診斷：沒有辦法對應數據和方案的關系。屬于數據埋點的問題。

怎么設置埋點數據？

1）頁面行為轉化法

設置埋點的目標，是在設計方案中找到可以表達你所需指標的數據。是用戶在頁面上的行為形成了數據，我們需要做的是確認哪些行為可以表達數據，然后對行為進行統計。接上個例子，“模塊的 SKU 點擊率”=模塊的 UV 點擊數/模塊展示 UV，因此埋點數據是“模塊的 UV 點擊數”和“模塊展示 UV”。

概括

這里歸納一些通用數據供參考。

以上數據收到后還需進行分析，才能發現目標。僅僅展示這些數據并不能叫做數據分析哦~

Step3：數據分析

問題：得到一組多維數據，可怎么看結論都只有比大小？

診斷：缺乏關聯分析思維。屬于數據分析的問題。

通過數據埋點得到多個單一數據，對單一數據進行不同角度的計算，再結合設計得出的結論，就是數據分析。

如果對數據具備充足的設想，這一步僅僅是簡單的計算和推理工作。但在實際中，往往會因為前期的思考不足，拿到數據后只會比大小。

如何找到分析角度？

分析就是找特征，以及造成特征的原因。因此，大小只是表象，大小必須和其他因素關聯才是分析。以最常見的“比大小的思路”為起點，橫縱拓展思路：

案例應用

應用案例：C 端招聘-留存數據分析

一款面對求職者的招聘產品，在節日期間開展活動，活動目標是通過任務獎勵，引導用戶產生和求職相關的行為。

已有數據：

其他數據：活動整體次留、產品次留。

依照上述思路：

1）比大小

A 同期比較：

抽取以上數據并制作新表，觀察可得以下三點。

Q1. 兩類用戶中哪類的次留表現更好？（人群性）

從整體數據看，“完成任務的用戶”相比僅“參與的用戶”，次留率明顯更高。

Q2. 兩類用戶與活動整體留存相比表現如何？（事件性）

活動整體次留率為 8%，“參與任務用戶”和“完成任務用戶”次留均高于整體次留。說明與任務相關的用戶次留表現更好。

Q3. 兩類用戶與產品整體留存相比表現如何？（事件性）

活動期間整體產品的次留率為 25%，通過數據可知：“參與 3 個任務及以上”、“完成 1 個任務及以上”的用戶，可達或超越平臺次留數據。

而這兩部分用戶占比活動用戶數量極少，也側面印證了活動次留低于產品同期次留的結論。說明該活動的內容或策略未達用戶預期，可能是活動目標與用戶使用產品的目標不一致，也可能是獎勵吸引力不足。

B 不同期比較：

Q1. 當前活動數據對比往期相同數據，是否有變化？（時間性）

方法參考以上，此處不再舉例。

2）看趨勢

A 從參與任務數、完成任務數視角看：

Q1. 任務數與留存提升幅度之間有什么發現？

從留存提升效率看，“參與 2 個任務”到“參與 3 個任務”，留存提升最快（17.75%），其次是“參與 3 個任務”到“參與 4 個任務”（12.1%）；考慮到“完成所有任務”（7 個任務）的基數過小，排除“完成 6 個任務”到“完成 7 個任務”外，“完成 2 個任務”到“完成 3 個任務”，留存提升最快（24.26%），其次是“完成 1 個任務”到“完成 2 個任務”（17.64%）。

因此，盡量讓用戶從“參與 2 個任務”提升到 3 到 4 個、從“完成 1 個任務”提升成 2 到 3 個，對提升留存效率最高。

B 從日期來看：

Q1. 兩類用戶留存變化與活動留存有什么關系？

以“完成 1 個任務的用戶”留存為例，看轉化與留存的關系：“用戶活動次留”與“完成 1 個任務的用戶次留”隨時間變化趨勢相近。說明轉化與留存存在一定的正相關關系。

Q2. 活動期間，次留如何變化？

次留隨時間呈現緩慢下降趨勢，但基本維持在 7-8%之間。結合該活動過程中無其他事件或策略來中途拉升留存，判斷 3 周的活動對用戶的留存效果相對穩定。

同理，如果在長期次留走勢中發現有突然下降或提升的點，可以參考該時間段內是否有其他事件發生，這是一種尋找留存和事件關系的方式。

3）看分布

Q1. 參與、完成任務人數分布占比有何特點？對后續策略有何啟發？

從參與不同任務數的人數分布看，參與 1 個任務的占比最高，達 39.00%，遠高于其他參與任務數。從完成不同任務數的人數分布看，完成 1、2 個任務占比最多，二者相加占比達 67.67%。結合“任務數與留存提升幅度”的結論推理可得：如想整體活動的留存率提升，需要關注占比較大的“參與 1 個任務的用戶”、“完成 1、2 個任務的用戶”。且這兩部分人群占比大，針對其進行專門設計，可以有效影響活動整體的留存。

Q2. 轉化與次留隨時間如何變化？有何發現？

此處轉化指完成任務。根據趨勢圖可看出：

• 完成 1-3 個任務的用戶，次留隨時間有所變化，但穩定；
• 完成 4-6 個任務的用戶，次留隨時間變化有明顯下降趨勢，尤其是活動開啟一周后；
• 完成 7 個任務（全部任務）的用戶，次留基本不隨時間產生變化。

以此可得，“完成 1-3 個任務的用戶”和“完成全部任務的用戶”，在當前無任何中途拉升次留的情況下，再次訪問的意愿基本不變。但完成 4-6 個任務的用戶，則需要在活動開啟一周后采取其他留存措施來幫助穩定留存。

總結

以上就是設計數據分析的基本思路，希望可以幫助大家建立基本的分析意識，面對數據不再迷茫。不過，對數據的敏感度并非一朝一夕可以形成，今后也需要大家在具體案例中有意識的練習哦~

歡迎關注「58UXD」的微信公眾號：