Date 2026-03-16 16:49:56
吴轶 ：本文从工作实践出发，结合案例分享了数据分析的相关知识，供大家参考和学习。
中高级设计师需要关注数据。数据是对设计师主观审美逻辑设计的辅助和补充，数据设计更具说服力和验证性。
为设计提供方案支持和后期方案验证，有利于产品后期的迭代和优化。
通过比较数据和分析数据趋势，我们可以发现哪些环节存在问题，哪些环节有改进的空间。
明确各种数据指标，明确设计目标，使数据服务于设计。
本文的目的是帮助设计师快速入门，掌握数据导向设计。
1. 用户行为可视化，对整体/个体用户行为有清晰的了解
如下图所示，通过 Google Aanalytic 网站可以清楚地掌握平台整体流量的来源和用户群体的行为轨迹，使设计师/产品经理能够清楚地了解平台的用户行为轨迹和用户群体的操作习惯。
2. 可以在任何时间段跟踪产品的数据，比较整体数据的变化
如下图所示，通过曲线变化，可以看到产品日的活跃变化，通过变化前后的节点，可以看到产品发生重大变化的时间节点。
3. 提供数据支持和后期计划验证
比如下图，通过优化产品界面的购买按钮，比较前后数据，看设计改版是否成功。
下图中固定产品购买按钮的点击率 6.4% 提升到了 9.8%，涨幅 由于涨幅大于53.1%， 0.同时，没有其他外部因素影响数据变化，因此可以得出结论，此次设计修订是成功的。
4. 产品设计的问题可以通过数据分析
如下图所示，在整个注册和绑定银行卡的过程中，总转化率仅为 0.06%，用户完成率太低。如果要优化整个用户注册操作流程，需要找出流失过大的节点进行优化。
注册成功率过低。此时，设计师应分析整个注册过程中哪些设计因素导致成功率低，并对成功率低进行具体优化。
掌握数据指标有助于我们进行入门数据分析。我将数据指标分为综合指标、流程指标和业务指标三类。
1. 综合指标：指能够综合反映产品整体情况的指标
对非交易型网站而言，该平台的综合指标可包括在内 DAU、保留用户数量、保留率和人均使用时间。
DAU：Daily Active User ，衡量产品使用的活动。
数据用途是为了方便产品设计师了解产品的日常用户情况，了解产品用户的增长或减少趋势。
保留用户数：一段时间内再次访问的用户数，保留次日保留、7天保留、30天保留等。
用于衡量产品用户粘性和产品留存用户规模的数据用途。
保留率：在一定周期内保留用户数/在一定周期内访问用户数。
数据用途是用来衡量用户使用粘性的，也可以作为产品修订后的重要指标。保留率提高了，说明设计修订成功，不改变功能。
人均使用时间：用户平均每天停留在产品上。
用于衡量用户使用产品的深度，判断用户使用产品的粘性和依赖性。
对于交易类型的网站，该平台的综合指标可能包括 GMV、支付UV、人均订单数，人均客户单价。
GMV：用户总订单金额。订单产生的总金额包括销售额+取消订单金额+退款订单金额。例如，在电子商务平台上，所有用户都下了订单 100 一万件商品，包括取消订单 2 万，退款 10 万，那么 GMV 就是 100 万。
数据用途是反映电子商务平台的交易规模，GMV 电子商务平台的交易规模越大，平台规模越大。
支付UV：指下单并成功支付的用户数量。例如：电子商务平台，有 3000 人们点击购买，其中 2000 人，如果支付成功，将支付紫外线 为 2000 人。
数据用途是了解平台用户支付购买总数的规模。
人均订单数：支付PV/支付UV，人均订单数大于 1.举个例子:一个支付pv的电商平台 为 支付人数为3000，其中支付人数为3000 2000 人，那么人均订单数是多少？ 1.5。
用于衡量产品/页面/功能的数据导购能力。
人均客户单价：ARPU，GMV/支付UV。比如昨天GMV有一个电商平台。 100 其中，有支付UV的 1 万人，那么人均客户单价是 100 元。
用于衡量产品效益的数据是每个用户在一段时间内的平均收入。
2. 这些指标与用户操作过程中的产品指标有关
点击率：分为点击率 pv点击率和 紫外线点击率，总的来说，点击率使用 pv点击率较好。
转化率：下一步用户数/上一步用户数。
流失率:(上一步用户数-下一步用户数)/上一步用户数
完成率：与转化率相比，完成率是最终的结果值。转化率是过程值，完成率是结果值。
3. 产品的业务指标
与基本的一般指标不同，业务指标主要强调其业务属性，如社会社区，可能需要的业务指标是：人均文件数量、人均评论数量、人均拇指数量、共享率等。
有六种数据分析和设计方法：行为事件分析、漏斗分析、保留分析、步骤分析、比较分析和多维拆卸。
1. 行为事件分析
通过分析特定类型的用户行为，找出这种特定类型的用户行为对产品的影响。这种特定行为对产品的意义也可以计算出来。
行为事件分析方法一般通过事件定义、钻井分析、解释和结论。
2. 漏斗分析
在每个节点的流动过程中，都会有一级流失，最终形成漏斗形式。漏斗分析适用于一系列完整的流程操作。
找出设计过程中损失较多的数据，通过数据找出损失的原因。
3. 留存分析
找出用户保留的关键因素指标，找出整体保留情况。
保留分为两种情况：
整个产品保留，整个产品的保留率，对象是整个产品；功能模块流程，每个模块的保留，这里是针对单个功能模块的。产品保留要分开看，不仅要看整个产品的保留率，还要看负责设计的各功能模块的保留率。
4. 分布分析
分类显示用户在特定指标中的各种比例。
5. 对比分析
设计是通过比较前后数据的差值来验证的。
通过比较，比较产品其他模块类似场景的数据差异，找出问题点并进行分析和优化。行业产品比，与同行业产品的数据比较分析，找出数据差异的问题，并给出相应的优化方案。6. 多维度拆解
从不同的维度角度分析相同的数据指标。例如，根据不同的省、市、地区、不同的用户群体、不使用的设备等进行分析。通过不同的维度拆卸，找到数据背后的真相。
如果设计团队引入数据分析，则需要一套成熟的适合自己团队的模型作为基础，因此数据模型是我们数据分析的理论基础。
在数据模型中，我们可以学习数据模型的分类思路，以及如何创建适合我们团队的数据模型。
基于这一目的，我们可以找到市场上常见的数据模型并进行整理和分析。熟悉主流数据模型的输出逻辑，找到规则，创建适合自己团队的数据模型。
常见的数据模型包括：Google’s HEART、AARRR、RARRA 和 Customer Experience Index（CX Index）。
Google’s HEART：Google’s HEART 它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success(任务完成度)和Happiness(愉悦度)。
AARRR：AARRR 增长模式来自增长黑客，即获取客户、激活、保留、实现和传播推荐。
RARRA：RARRA 本质上，数据模型是在 AARRR 在顺序调整的基础上，以满足日益增加的客户获取成本带来的压力成本。RARRA 模型相比与 AARRR 获取客户的成本可以降低。
Customer Experience Index（CX Index）：用户体验指数有三个维度，即满足需求、简单快乐。
通过核心指标判断设计方案是否符合预期，验证设计方案是否成功，并为后续产品的迭代优化提供依据。
1. 注重设计的核心指标
在设计过程中，要注意设计的核心指标，针对核心指标进行有针对性的设计。
如果修订的核心指标是任务流程的完成率，首先检查用户的操作损失率，然后分析损失的原因，并给出相应的优化方案。当优化方案的产品版本上线时，比较完成率的数据变化。
如果修订的核心指标是人均观看次数，则应考虑哪些设计策略可以提高产品的人均播放次数。
例如，在新浪微博上，用户阅读视频后，视频将有重播按钮和推荐视频，用户只能点击下一步播放下一个视频。修改后，视频将自动切换到下一个视频。虽然这种设计策略绑架了用户的行为，用户已经从一个积极的接受者变成了一个被动的接受者，但这种策略可以有效地提高人均播放次数。
2. 核心指标带来的价值/收益
当核心指标向好的方向发展时，需要总结核心指标带来的价值和好处，以便直接量化设计价值。
例如：一个 banner 点击率达到 3% 每天 GMV 约 200 万。当这个重新设计时。 banner，同时，其他条件保持不变，点击率提高到 6%，此时每天通过数据查看 GMV 多少，如果达到了 400 万，然后这样增加 200 一万，就是通过设计优化带来的。
欢迎关注作者微信微信官方账号:「Echo设计笔记」
