設計師為什麼要懂數據知識

眾所周知，互聯網是一個高速發展的行業，數據時代的到來是每個人都不可小覷的未來趨勢之一，它將不僅僅影響到社會生活的方方面面，也會對互聯網相關的崗位分工和職責帶來變化。

大數據時代設計不再是主觀的，目前越來越多的公司提倡設計師在項目中參與到產品的整體流程中去，利用數據更好地推動業務發展。

一、設計師為什麼要懂數據

在早期的互聯網團隊中，大家分工都比較明確，各職能負責各自的業務，設計師只是作為整個鏈路中的一個環節參與到項目中，對於整個項目的瞭解程度不夠，缺少對項目的全局觀。

但是隨着互聯網的快速發展，企業對設計師的能力要求變成一專多能，很多企業UI/UX崗位都變成了對綜合性要求更高的體驗設計師的職位，由此我們可以看到行業所發生的的變化；為了能更好的與時俱進，我們應該樹立起主人的意識，主動出擊，以幫助自己的獲得職業更好的發展。

數據的作用是在瞭解產品、用户的基礎上，產出可衡量的方案，達成可量化的目標，而商業設計需要理性地觀察和思考，數據是理性化的一種方式；如果想要更好的解決問題，創造業務價值，那麼數據是一個不錯的切入點。

1）設計師可以把數據作為理性設計的根基，作為設計師，我們也應該嘗試從問題的源頭出發，通過數據瞭解用户，利用數據去理解用户行為，為設計提供輔助參考，幫助設計師在正確的方向上推動設計，同時也有機會發現新的商業機會和產品爆發點，通過設計推動改版、設計助力產品拿結果。

2）在實際的工作中，我們不僅僅是把任務完成即可。有的時候，我們也需要與產品團隊和運營聊需求、與開發談指標、談實現成本回報比等等，如果我們對數據指標沒有概念，會給大家在工作中的溝通帶來一定的影響。

3）另外，隨着企業對設計師的能力要求越來越高，需要設計師懂業務，會設計賦能，能做增長，不懂數據的設計師在未來或許較難獲得更好的工作機會和更好的職業發展。

二、什麼是數據

理解任何事物都需要先了理解他的定義，數據是事實或觀察的結果，是對客觀事物的邏輯歸納，單純的數據就是一組數字，是沒有任何價值的。

但當人們將一系列數據與被觀察、被感知的實體進行關聯之後，實體的屬性給數據賦予了含義，就成了一個有價值的信息。

本文主要指的是和用户、產品、營銷等有關的數據。

三、設計師如何運用數據？

設計師的基礎價值就是對產品提供視覺支持，如果我們想獲得更大的成長，更進一步的發展，那麼我們在實際的工作中，可以利用數據瞭解我們的用户，瞭解需求的本質，明確設計目標。

同時也可以通過數據的論證，指導我們的設計，讓設計有理有據，走得更加從容。

上線後可以利用數據可幫助我們證明設計在項目中的價值，提高設計團隊在整個項目中的話語權。

最後我們還可以通過數據瞭解我們產品的使用情況，發掘產品中可提升的點，提升產品體驗，同時也能體現自己更大的價值。

1. 接近我們的用户，深挖需求本質，明確設計目標

雖然設計師解決問題的能力十分重要，但是瞭解需求本質是解決問題的前提條件，在沒有明確需求的動機和目的，設計的方向就會很迷茫。

並且在和業務方對接需求時，因為崗位專業的差異，更會導致雙方在理解上有偏差，這就導致設計師常常處於改改改的狀態；因此在設計執行前深入挖掘需求的本質，與其他業務方對齊目標就顯得十分必要。

數據是對用户行為的量化，數字的背後都是真實的用户。

通過設計之前的定性分析或定量分析，研究和分析用户行為數據或線上活動數據，瞭解用户是如何使用我們的產品的，檢驗用户的體驗歷程是否與我們設計產品的思路一樣，明確用户需求，在表現不佳的數據中找到用户的困惑之處，尋找和發現設計機會點，通過這樣的分析和優化方法達到優化用户體驗的效果。

2. 通過數據證明設計方案的可行性，推動設計方案落地

當我們與團隊內部、外部產生意見分歧或方案不被認可時，我們該如何證明我們的設計思路和設計方向是正確的，如何證明我們的優化方案是對產品的提升的，怎樣證明我們的設計方案是值得推進的？

不善言辯的設計師在與產品、運營等相關方的爭論中常常處於下風，但是我們可以通過數據分析結果來證明設計方案的可行性，數據不會騙人，我們可以通過發現產品設計中存在的問題，並驗證存在的問題，優化解決存在的問題。

3. 通過數據輔助我們做決策，確定最優方案

在實際的項目設計中，經常會出現多個設計師共同參與，給出多種解決方案，或同一個設計師出的多種設計方案，那麼在這種情況下，我們要怎麼選擇出最符合當下需求的設計方案呢？

我們沒辦法預測到哪一個方案百分百可行，除了根據經驗，有些情況下數據也能夠給予我們一定的決策支撐；比如我們可以參考相關或相似模塊的數據來做輔助決策，甚至我們也可以通過 A/B test 來驗證到底哪個設計方案更適合。

4. 驗證設計方案的有效性，證明設計的價值，並以數據結果為導向，不斷調整設計策略

新功能上線或功能迭代後，效果怎麼樣是無法很直觀的看出來的，所以我們需要通過事先做好的數據埋點，拿到上線數據後，去做相關的數據分析，觀察用户數據，流量變化，點擊率，轉化率等相關數據情況，我們才能知道新功能上線用户是否認可，功能迭代後的數據相比是否較之前有提升。

通過數據，不僅可以發現問題，還可以衡量目標完成情況，如果仍有表現不佳的地方，繼續分析數據有哪些地方可以進一步展開優化，進而推動下一輪設計方案的優化，進入一個良性循環。

四、數據的分類及來源

在要搞清楚數據的來源之前，我們先了解一下數據的分類，數據從不同的維度有着不同的分類，我們這裏就簡單的從數據的分析維度上來區分，互聯網產品的數據目前比較常用的數據類型主要分為：定量數據（Quantitative data）和定性數據（Qualitative data）。

定性數據更偏用研方法，通常是參與者體驗系統可用性的主觀感受的獲取，並判斷出設計哪些方面存在問題。

比較常見的數據來源是調研數據，調研數據主要是通過用户調研得到的抽樣數據；通過收集用户的主觀感受或態度，例如用户訪談，可用性測試，留言板挖掘等，它幫助我們判斷問題，再結合我們自己的交互和設計的知識來判斷是否改變或繼續優化產品設計目標。

定量數據是指那些可衡量的數字，具有科學性。定量數據提供了對設計可用性的間接評估，或者通過定量數據驗證定性研究結果的正確性；比較常見的數據來源是產品日誌文件、後台數據、調研數據、埋點數據等。

ps：埋點數據主要是指通過應用埋點統計的數據，是一種常用的數據採集方法，主要是通過技術手段幫助我們獲取用户在應用內的行為數據；簡單來講，就是在應用中植入一段代碼，監控用户行為事件，它能夠為我們提供用户使用應用的真實情況，例如某個活動的點擊率、轉化、跳出率等情況。

這兩種數據是從不同的角度看待問題，它們在設計迭代週期中都扮演着重要的角色，是相互補充的。定性假設起因，再由定量來驗證；定量挖掘數據，再由定性剖析原因。

五、常見的數據指標有哪些

常見的用户指標可以分為用户數據、用户畫像數據、流量數據、用户行為數據、收入指標數據、渠道指標數據、調研數據。

1. 用户數據

用户數據比較容易理解，就是“反應用户屬性、和用户相關的數據”；用户數據包含及可挖的內容有很多，小的方面來講有用户活躍、留存、新增等，從大的方面來講，有用户畫像、用户屬性、偏好屬性、用户行為習慣等。

在用户數據的定量研究中比較關注的點主要是用户數量和質量，常見的如：活躍用户數（DAU、WAU、MAU）、新增用户數、用户留存率（次日留存率、七日留存率、次月留存率）、累計註冊用户數等。

• DAU：每日訪問用户數。
• WAU：每週訪問用户數。
• MAU：每月訪問用户數。

這 3 個指標是去除重複用户數後的活躍用户量，一個用户在一個計算週期內通過相同的渠道多次訪問產品，仍只算一個，一般用來衡量產品對用户的粘性。

留存率：

主要是研究新用户的留存情況，是指在某一週期內首次啓動APP的用户經過一段時間後的生命週期情況，從宏觀上把握用户的生命週期長度以及我們可以改善的餘地。

其中比較重要的兩個指標：次日留存和7日留存。通過這兩個指標可以反映出通過某個投放渠道新增的用户質量如何，以及依照這兩個數據指標和其他數據，決定後續的獲客方式。

留存率=新增用户中登錄用户數/新增用户數*100%

次日留存率=當日新增的新用户次日登錄人數/當日新增用户數*100%

7日留存率=當日新增用户七日後還登錄人數/當日新增用户數*100%

累計註冊用户數：

歷史累計登錄的用户數，同一用户多次訪問不重複計。

2. 用户畫像數據

用户畫像數據也屬於用户數據的一種，是從用户屬性的角度出發，通常是使用定性研究的方法得到的數據，體現現有用户人羣的特徵，構成可以分成 3 類：基本屬性、用户行為屬性、偏好屬性；如年齡、性別、新用户/老用户、用户等級、購買偏好等，地區、終端及機型分佈。

3. 流量數據

流量數據主要以用户訪問產品/頁面時，反映頁面的整體情況的指標。比較常用的如：頁面PV、頁面UV、人均訪問次數、流量來源、流量去向等。

UV：頁面訪問人數，描述了訪問的用户數，UV 可以來源於各種途徑，例如外部的廣告引流、內部的資源位分配、用户主動回訪流量、活動引流等。

PV：頁面訪問次數，即頁面被瀏覽過多少次，PV會重複記錄用户的訪問次數，PV 比 UV 多了某段時間內用户多次訪問的信息。

人均訪問次數：人均訪問次數是指在某一個統計週期內，平均每個用户訪問的次數，即訪問次數/訪問人數。

4. 用户行為數據

用户行為數據是指用户在產品中操作相關的一系列行為數據指標。

點擊率（CTR） = 模塊點擊人數 / 模塊瀏覽人數

用户點擊率是指用户對該模塊的點擊人數，在所有進入頁面的流量中的佔比。

曝光率 = 模塊曝光人數 / 頁面瀏覽人數

曝光率可以看出用户在頁面上的瀏覽深度，有多少用户看到了多少的頁面深度。

使用時長：

使用時長是指用户在某一個週期內，在頁面上停留了多長時間。使用時長一般關注三個數據，使用總時長、單次使用時長、人均使用時長。

跳失率：

跳失率是指訪客只訪問一個頁面就離開的訪問次數佔該頁面總訪問次數的比例。

UV價值 = GMV / 流量

UV價值是指每個UV產出的平均金額，可以從側面反映出流量的質量或者流量與業務的匹配度。

5. 收入指標數據

收入指標主要是指產品在商業化過程中涉及的與收入相關的指標ARPU、例如GMV、轉化率、客單價、訂單數、付費人數等。

ARPU=總收入/用户數

是指在某一週期內每個用户產生的平均收入。

總銷售額GMV = 訂單量 × 客單價

GMV是指下單產生的總金額，包括已付款金額和待付款金額，是電商產品中的常見指標，通常可以反映一個電商平台的體量。

訂單量 = 訪問UV × 訂單轉化率

訂單量是指產生的訂單總數，一個訂單裏面可能會有多件商品，與商品的銷售量是有區別的。

轉化率 = 訂單量/ 訪問UV

轉化率是指在一個統計週期內，完成轉化行為次數的佔比，例如某個活動的轉化率是指，參與該活動的的用户人數佔活動曝光次數的佔比，某個商品的成交轉化率則是該商品的成交量佔商品曝光次數的佔比。

客單價=銷售總額/訂單量

客單價是指顧客平均購買商品的單價，可以反映出用户的購買力，但客單價有較強的品類特徵，不同商品品類客單價差異較大，在一些運營策略中，通常通過滿減等一些列營銷活動，刺激用户購買更多的商品，進而提高客單價。

6. 渠道指標數據

通過統計出各渠道的投放數據，對不同渠道投放效果有一個大概的認知，通過用户後續行為來分析新增用户的質量和價值，反映出各渠道的投放價值。

設計師在實際工作中基本不會接觸到這一類的數據，所以下面僅進行簡單介紹。

渠道流量是指通過某個渠道帶來的曝光率量。

渠道新增用户數是指通過不同渠道新增的用户數量，例如電子市場渠道、數字營銷渠道、線下渠道。

渠道用户轉化率是指從某個渠道的曝光，完成下載和註冊的數量的新增的用户佔比。

渠道ROI是指某個渠道的投入產出比，比如投放內容展現了多少次，轉化成多少次點擊，最終帶來多少安裝量/銷量，投放會計算每一筆廣告費轉化成多少實際用户或收入，這就是ROI。

7. 調研數據

是指通過用户調研提煉的抽樣數據。如用户期望價值、滿意度評分、主觀評價、淨推薦值NPS、回訪/復購意願、腦電圖測試數據、眼動儀測試數據等等。

調研數據能夠幫助我們去發現問題、細化問題、尋找個數據表現背後具體的原因。

六、數據的收集原則

很多時候設計師往往沒有主動去看數據的意識，比較常見的是業務或產品根據情況同步給我們他們已經分析過的數據，例如點擊率、轉化率等。

這些經過處理的數據往往很難看出具體的問題或原因，我們需要從更多的維度去看數據，這樣有利於我們更加深入的去分析、研究問題。

原始信息：沒有經過任何人過濾的數據（不是別人處理過的抽象數據，是真實的數據表現或用户調研一手信息資料）。

不過度收集：當信息蒐集到一定程度時，比如出現彼此重複的內容較多時，再投入時間收集，實際效果也不會呈等比增加。

在信息收集階段，不做判斷，避免在後面流程中為判斷找論據而忽略其他內容。

七、如何通過數據發現問題1. 看趨勢

趨勢分析是數據分析裏最常用的分析方法，只要和數據有關，幾乎每個人，時時刻刻都在用。趨勢分析法最大的好處，就是簡單省事！

因為它不需要任何理論基礎，不需要任何專業知識，也不需要很多數據，只要有一個結果數據，無論是正向還是負向，都能直接得出判斷；通常我們以時間、流程等線性角度分析整體變化，尋找影響因素。

2. 作對比

孤立的數據沒有意義，有對比才有差異。

對比分析在實際數據分析中是非常重要的一種分析手段，我們需要尋找相同類型作對比，才知道好壞，可以提升的點在哪裏。

3. 多維分析

多維分析就是細分分析，做多維分析首先要明確2個方向：維度和指標。

• 指標：指的是用來記錄關鍵流程的，衡量目標的單位或方法，如DAU、留存率、轉化率等。
• 維度：指的是觀察指標的角度，如時間、來源渠道、地理位置、產品版本維度等。

多維分析，就是在多個維度對問題進行拆解，觀察對比細分維度下的指標，通過將一個綜合指標細分，從而發現更多問題。

例如某個資源位轉化率低是我們面對的最嚴重的問題，那麼我們可以繼續細化到影響轉化率的因素有哪些，把這些因素分別羅列出來，給出解決辦法。

也可以從維度方向去看問題，比如某個時間段數據比較差，或者從某個渠道來的用户數據比較差，然後我們再針對性的給出解決方案；通常我們看的都是綜合指標，總值，但這些總值通常無法真正地發現問題。

在實際的操作中，我們需要儘可能多的結合業務特性將總值拆解細分，才能發現問題，找到可落地的解決問題。

4. 公式拆解

公式拆解法，就是針對某個指標，用公式層次分解該指標的影響因素，從而快速找到影響指標的因素。

公式拆解法沒有固定的標準，一個目標變量在不同的場景下或者為解決不同問題，需要利用公式拆解的細緻程度也不一樣。例如：

5. 數據模型

上面的都是通過一些簡單的方法，對數據進行分析，但是數據的維度往往有很多，很複雜，為了幫助我們更好的進行數據分析，我們也可以藉助數據模型幫助我們。

數據模型的種類有很多，每個數據模型都有不同的側重點，這裏就不展開，只簡單列舉一些常用的數據模型，大家有興趣可以自行從網上搜索瞭解。例如：谷歌的GSM分析法（設計驗證），價值矩陣分析法（確定方向）、OSM模型（目標驗證）、AARRR用户增長模型、杜邦分析法、RFM模型、漏斗分析法等。

八、如何培養數據分析意識

最後我們來聊聊如何培養數據分析的意識，相信看到這篇文章並且看到了這裏的設計師，都很清楚數據對於設計師的重要性，我個人認為學習任何東西，方法其實都是相通的。

首先，我們要先建立起自主學習的意識，在日常工作中時常提醒自己要關注這些相關的內容，並積極爭取和把握參與或學習的機會；

然後，通過書本或者互聯網系統的學習相關的知識，通過合理的方法引導我們，建立起我們的認知和知識庫；

另外，就是要行動起來，通過不斷練習，工作中不斷嘗試，積極梳理遇到的問題，總結遇到的問題，迭代自己的知識庫；

最後，我們以教為學，通過自己的總結分享，重新梳理自己的知識庫，分享給更多的人，提高自己的同時，通過收到的反饋繼續提高自己。

本文由@温柔的長頸鹿 原創發佈於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議。