寫給設計師看的數據知識
作為設計師，你是否遇到過這些問題: 一直都在做產品的體驗優化設計，但怎麼知道是否真的有所改進？有 A、B 兩種設計方案，要怎麼理性地判斷和選擇最優的那種？都說要以用戶為中心做設計，除了用戶調研，還有什麼別的方式可以了解用戶？...以上那些問題，其實都可以通過數據驗證得出結論。在產品研發流程中，數據是基石，也是驅動設計的核心因素。本文通過常見的概念和案例分析，總結了關於數據方面的一些基本知識，主要內容包括:
設計師為何要看數據？
設計師要看哪些數據？
設計師如何使用數據？
設計中常遇到的問題。
---
一、設計師為何要看數據？
1.1 更好地了解用戶
設計師需要了解用戶，而數據則是對用戶的目標、行為、態度等情況的量化。通過數據分析，我們可以更好地洞察用戶的需求，進而為用戶提供更好的體驗服務。
1.2 有力地支撐設計
不同於藝術的感性和純粹，商業設計需要的是理性地觀察和思考，數據是理性化的一種方式，是發現問題、判斷思路、驗證設計的重要依據，可以幫助設計師提升設計的正確率。
二、設計師要看哪些數據？
2.1 常見數據指標
在分析和使用數據之前，需要清楚地了解不同數據指標的定義，以下列舉出了一些設計師常用的數據指標及其定義。
2.1.1 UV點擊率
UV點擊率是指有點擊行為的訪客數與頁面訪客數之比，即CUV/UV。比如 100 個訪客訪問，有 30 個人點擊了頁面上的鏈接，則UV點擊率為 30%，反映頁面對整個用戶群的粘性。2.1.2 人均頁面瀏覽量
人均頁面瀏覽量是指頁面瀏覽量與頁面訪客數之比，即PV/UV。比如 100 個訪客訪問了 200 次，人均頁面瀏覽量就是 2 次/人，反映產品的熱度和深度。2.1.3 轉化率
轉化率是指完成目標的訪客數與全部訪客數之比，即目標頁面UV/總UV。比如 100 個訪客訪問 App，有 20 個人登錄，則登錄轉化率就為 20%，用來衡量流程頁面的轉化效能，是任務型產品的重要衡量指標。2.1.4 跳失率
跳失率是指只瀏覽了一個頁面的訪客數與全部訪客數之比，即ExitUV/總UV。比如 100 個訪客中，有 10 個人只瀏覽了一個頁面就離開，則跳失率為 10%，反映產品是否有足夠的吸引度吸引用戶深入訪問。2.1.5 平均停留時長
平均停留時長是指瀏覽某一頁面時，訪客停留時長與頁面訪客數之比，即Time/UV。比如 100 個訪客在詳情頁一共停留了 01:22:56，則平均停留時長約為 00:00:50。在任務型產品中，停留時間越長表明信息架構越不清晰、效率低；而在內容型產品中，更長的停留時間表明內容對用戶更具吸引力。
2.2 用戶體驗指標
設計師一般聚焦於用戶體驗質量的提升，因此需要滿足用戶體驗相關的數據指標才能更好地完成設計目標。根據用戶體驗周期的 5 個階段 (觸達-行動-感知-回訪-傳播)，對應得出以下 5 個體驗指標，簡稱 「5度」 指標。2.2.1 吸引度指標
吸引度是指在操作前，產品能否吸引用戶來使用、能否吸引用戶產生相應的行為；相關的吸引度指標包括:知曉率、到達率、點擊率、退出率等。2.2.2 完成度指標
完成度是指在操作過程中，用戶能否完成產品目標對應的操作，以及完成過程中的操作效率；相關完成度指標包括:首次點擊時間、操作完成時間、操作完成點擊數、操作完成率、操作失敗率等。2.2.3 滿意度指標
滿意度是指完成操作後，用戶產生的主觀感受和滿意度；相關滿意度指標包括:操作難易度、布局合理度、界面美觀度、內容易讀性等。2.2.4 忠誠度指標
忠誠度是指完成一次使用後，用戶會不會再次使用該產品；相關忠誠度指標包括:30天/7天回訪率、跨平台的使用重合率等。2.2.5 推薦度指標
推薦度是指用戶能否將此產品推薦給其他人使用，數據指標主要為凈推薦值 (NPS)。
三、設計師如何使用數據？
3.1 明確目的
3.1.1 確定設計目標
首先根據產品改版或迭代的目標制定出階段性的設計目標，例如: 產品需要提高首頁輪播圖的點擊率，對應的設計目標則要服務於產品目標，但可以從設計專業的角度、特長、手段，參與實現產品目標。設計目標可以用表達式概括為:設計目標 = 用「某設計策略」給目標用戶帶來「某價值」，以助力「某變現方式」。3.1.2 設定數據指標
當確定好設計目標後，接下來是設定出衡量設計目標的數據指標，數據指標可以建立一個統一的判斷標準，直觀地反映設計方案與設計目標之間的差距，成為迭代優化的重要依據。數據指標的設定不是單一的，而是多維度的，例如: 判斷某活動頁的吸引度是否有所增加，相關的數據指標可設定為:頁面 UV 到達率、點擊 UV 轉化率、點擊 PV 轉化率等。
3.2 收集數據
3.2.1 做好數據埋點
在產品設計前，需要通過觀察訪問量、點擊率、轉化率等數據來尋找優化突破口，想要獲得這些數據，就需要先做好數據埋點。所謂埋點，就是在正常功能邏輯中添加統計代碼，將需要的數據統計出來，對於產品迭代而言具有重要的指導意義。3.2.2 利用統計工具
不同公司有不同的數據統計方式，一般大公司會建立自己的數據分析系統，也有很多公司會採用第三方統計工具來收集和分析數據。需要注意的是，Web 和 App 的數據統計工具及埋點方式是不同的，常見的第三方統計工具有:
Web 統計工具: Alexa、Google Analytics、百度網站統計等；
App 統計工具: Flurry、百度移動統計、友盟、諸葛IO等。
3.3 分析數據
3.3.1 什麼是數據分析？
數據分析是以業務場景和業務目標為思考起點，業務決策作為終點，按照業務場景和目標分解為若干影響的因子和子項目，圍繞子項目做基於數據現狀分析，找到改善現狀的方法。3.3.2 數據分析的方法
數據分析一般會包含但不限於以下幾種方法，例如:
單項分析法: 趨勢洞察、渠道歸因、漏斗分析、熱圖分析、A/B分析、留存分析等；
組合分析法: 針對某個細分點，進行多維度組合分析；
場景分析法: 根據用戶的使用場景，按時間、地點、任務進行分析。
3.3.3 數據分析案例一
從某電商 App 的漏斗圖中發現，在商品加入購物車之前的轉化率都比較高，但在付款流程中轉化率急劇降低至 8％，需要改善購買轉化率低的問題。通過事件分析，我們發現用戶在「付款頁」停留時間過長，約為 102秒。在付款成功和付款失敗的兩類人群中，通過機型差異的對比和網路環境的對比，分析得出以下原因:
機型適配性較差，開發時對小眾機型關注度較低；
付款頁面載入緩慢，嚴重消耗了用戶的耐心。
針對以上問題，我們採取對應的解決方案:
增強小眾機型的版本適配性；
通過縮減圖片、優化框架、預載入等策略，提升頁面載入速度；
加入 Loading 動畫設計，提升頁面的趣味性，緩解用戶等待時的焦慮感。
3.3.4 數據分析案例二
通過數據發現，一段時間內某社交 App 用戶的註冊轉化率急劇下降，由原來的 60% 下降到了 20%，需要找到原因並即時優化。針對註冊用戶數這個細分點，我們採用組合分析法，進行幾個維度的分析來尋找原因:
App 網路是否正常？
推廣註冊頁是否異常？
獲取簡訊驗證碼是否異常？
設置手勢密碼是否異常？
逐一排查了以上可能出現的問題，最後鎖定了問題的來源: 由於簡訊通道故障，大部分用戶接收不到簡訊驗證碼導致註冊失敗，從而影響了註冊轉化率。
3.4 輸出結果
3.4.1 制定方案
根據設計目標和設定好的數據指標，就可以開始制定設計方案了。其中，設計策略是制定設計方案的源頭，明確設計策略之後，首先要做的是挖掘決定策略實現效果的關鍵因素，再由關鍵因素推導出最終的設計方案。舉個例子，如果把增強視覺效果作為提高廣告位 Banner 點擊率的策略之一，那麼 Banner 色彩搭配是否協調、構圖是否巧妙、文案表達是否清晰等，就成了策略能否奏效的關鍵因素。3.4.2 驗證設計
設計方案制定完成後，並不意味著設計工作就此結束，還有非常重要的一步，就是用我們已經設定好的數據指標，去衡量和驗證設計方案是否達到預期目標。舉個例子，針對某 B 端產品信息架構的問題，採取了信息功能的卡片分類、功能查找測試等多種研究方式，並且在列表中增加最近使用功能。新版上線後，用戶找到所需功能平均時長為 87 秒，比改版前快了 21 秒，效率提升了 15.4％，本次優化達到了預期的效果。最後，不管驗證結果是否達標，都是有價值的。「達標」是對設計過程的肯定，「未達標」則是對下一版改進方向的指引。
四、設計中常遇到的問題
4.1 無法獲取數據怎麼辦？
4.1.1 使用相似數據
當無法拉取到目標數據時，可以使用近似或同類數據來代替。例如: 設計某電商首頁的頁面寬度時，需要了解用戶電腦的解析度情況，但後台無法獲取數據，那麼可以用權威機構近期發布的中國電商用戶群或中國網民的顯示器解析度情況作為參考數據。4.1.2 開展用戶調研
用戶調研可以收集到統計工具無法獲取的用戶行為數據，也可以更加真切的了解用戶的訴求、使用感受、滿意度等信息。這是最普遍、最直接的方式來把用戶的主觀感受數據化。4.1.3 通過分析推導
如果無法直接獲取目標數據，可以利用現有的數據間接分析推導出目標數據，比如前面提到的單項分析法、組合分析法等，靈活地使用這些統計方法，可以獲得更多有價值的信息。
4.2 數據使用注意事項
4.2.1 合理分配時間
將收集數據、整理數據、分析數據、輸出報告這四個階段提前做好安排，預估每個階段需要花費的時間，標註出重點內容，合理分配時間。4.2.2 注重數據分析
將重點放在數據的分析上，而非數據的大量收集上。若在數據的收集上投入大量時間，在交付需求前很難有時間深入分析數據，最後提交的總結也會沒有太大價值，所以，在獲得足夠的信息後便可進入數據的整理和分析階段。4.2.3 數據有時效性
數據可以反映趨勢、效果、偏好等信息，但隨著時間的推移，數據也會發生相應的變化。數據具有時效性，歷史數據可能無法反映當下的情況，也就不能拿來做設計決策。數據越實時，越能作為對當下問題判斷的依據。
寫在最後
無論是用數據指標做效果衡量，還是用數據指標進行問題判斷和原因鎖定，客觀公正的態度和科學的實驗方法都是最重要的。數據相關的知識體系非常複雜，甚至需要有專職的數據分析師或用戶研究員參與，文中列舉的是一些基礎的數據分析方法，或許不太全面，也是個人階段性的心得總結。作為一名理性的設計師，通過觀察數據、挖掘數據、分析數據，利用數據來助力產品和業務的成功，是我們成長的重要階段，也是我們的偉大使命。
---
本文到此就要告一段落了，如果對你有一點幫助就請點個贊吧～ 你也可以關注我的公眾號「彭彭設計筆記」，我會不定期更新 UI/UX 設計類精品文章，感謝你的閱讀。
TAG:彭彭設計筆記 |