超全面的 UI 工作流程指南（七）：设计验证

扫一扫
官方手机版

扫一扫
AI创作程序

扫一扫
木子公众号

扫一扫
AI公众号

编者按：完整的 UI 设计流程到底是怎样的？从需求到产品上线，要经历多少个阶段，每个阶段有哪些应该掌握的基础知识，本次优设独家专题为你从零开始梳理出 UI 工作流程，适合新手阅读学习。

往期回顾：

• 《超全面的 UI 设计工作流程指南（一）：需求分析》
• 《超全面的 UI 工作流程指南（二）：原型设计》
• 《超全面的 UI 工作流程指南（三）：视觉设计》
• 《超全面的 UI 工作流程指南（四）：设计规范》
• 《超全面的 UI 工作流程指南（五）：设计评审》
• 《超全面的 UI 工作流程指南（六）：切图标注》

什么是设计验证？

当设计稿交付之后，设计师的工作看似已经结束，但在一个完整的项目流程中，还远远没有完成。

除了落地后的视觉走查，设计师也可以关注下设计方案在上线后，是否达到了项目初期所设定的各项指标，如 PV、UV、IP 等。达到预期的，设计师可以总结设计经验，用以提升未来的设计准确率。发现问题的，也可以分析方案的缺陷，在下次改版当中进行优化，而这样的一个环节就是设计验证。

数据检验

检验产品是否达到目标，数据分析是十分有效的方法。研究数据的价值，从目的来说，第一可以验证我们的设计是否已经完成项目所预设的商业目标，第二也可以分析产品上线后功能有所遗漏的地方，以及未来新增功能方向的研究。

数据来源

用户在前台进行各种行为时，都会留下痕迹，有行为就记录。由于用户行为留下的数据较大，对服务器压力较大，所以会把前台的行为数据单独存储到日志服务器中。按照数据的存储位置，大致会分成行为数据和后台数据两个类型。

常用的四类数据分析工具分别是：网站统计分析工具、自媒体分析工具、第三方分析统计工具以及我们常用的 EXCEL 表格。其中，第三方数据分析工具获取的都是前台的行为数据，因此我们在设计数据产品时，应该了解数据来源，并且将不同的数据来源进行对接。

常用的第三方数据分析工具有：百度统计、友盟、神策数据、Google Analytics（分析）、GrowingIO 等。

数据分类

由于产品类别的差异，获取数据的类型也有一些差别。

1. PC产品

PC 产品可以获取到的基础数据主要有：

• 访问终端 IP 地址：用户访问网站时使用设备的 IP 地址。不同设备有对应的 IP 地址，主要用于分辨地域，但是统计结果有较大误差。
• 访问时间戳：用户访问页面的时间点，用于判断用户行为的时间顺序。如用户访问页面 A 时记录时间点，访问页面 B 时记录时间点，可以认为用户在第二个时间点离开了页面 A。
• 访问地址路径：可以理解为用户访问页面 URL，用于分辨用户访问网页的目的地，也就是访问了 A 页面还是 B 页面。
• 访问来源：来访的来源信息，比如来自搜索引擎的搜索结果页、直接访问、外链网站等。
• 来访者的其他信息：操作系统、浏览器、爬虫等信息。这类数据是由来访者表明身份获得的信息，因此取决于来访者的自觉性，有误差。有些浏览器不提供给非合作者信息，非正规爬虫也不会表明信息。

2. APP产品

APP 产品获取的基础数据主要有：

• 终端信息：获取终端（手机、平板等）信息用于识别用户。
• 操作系统：iOS/Android/Win 等。
• 客户端信息：APP 上传的用户信息。
• 客户端时间：用于判断用户启动或操作应用的时间点。
• 操作事件：APP 按照自定义事件所需，上传用户的操作行为和伴随这个行为的客户端信息。这是 APP 区别与 PC 的一类重要数据，其对用户行为的跟踪比网页通过刷新获取的数据更加精准。

用户识别

如果我们想要分析的某个结果需要涉及不同的数据来源，那么数据与数据之间的关联工作是最重要的。我们通过用户识别的方式关联不同来源和结构的数据（识别产品A 的用户a 和产品B 的用户b 是同一个用户U），以下是三类用户的识别方式。

1. 网站用户识别

如果我们有两个网站产品，我们如何知道，有哪些来访者同时访问了 AB 两个网站呢？

Cookie 是网站以一小段文本的形式存放在用户本地终端的信息，以便网站之后的读取。Cookie 是目前网站识别访客的主要手段。由于用户禁止或对 Cookie 进行清理等问题，这个数据结果的误差也会比较大。

2. APP用户识别

APP 的识别方式类似网站，把信息写入终端。由于手机发生信息丢失的情况（比如刷机）比较少，所以 APP 的用户识别相对比较准确。我们可以知道每次启动这个应用的访客，是不是我们认识的那一个。

3. 产品用户识别

如果同时有网站端和移动端产品，我们又想知道哪些用户同时使用了网站和 APP。由于以上识别方式是基于设备，数据中就无法判断用户了。所以跨产品形态的用户识别通常使用注册用户 ID，前提是推动用户的注册和登录行为。

数据指标

对当前业务具有参考价值，可统计、可分析、可监测的指标称为数据指标。以下是我们在产品数据分析中常用的指标。

1. 网站基础指标

• PV（访问量）：即 Page View，即页面浏览量或点击量，用户每次刷新就被计算一次。
• UV（独立访客人数）：访问网站的一台电脑客户端为一个访客。00:00~24:00 内相同的客户端只被计算一次。
• VV（用户访问次数）：当用户完成浏览并退出所有页面就算完成了一次访问，再次打开浏览时，VV数+1。
• 访问时长：即访客的停留时间。。
• 访问深度：访客在一次访问行为中，访问了几个页面。
• 跳出率：跳出率是指访客来到网站后，只访问了一个页面就离开网站的访问次数占总访问次数的百分比。跳出率=只访问一个页面就离开网站的访问次数/总访问次数。跳出率越低说明流量质量越好，用户对网站的内容越感兴趣。
• 退出率：针对网站内某一个特定的页面而言，退出率是衡量从这个页面退出网站的比例，通过一个页面的退出次数除以访问次数。
• 留存率：留存率通常指整个产品的留存，例如起始日进入网站的新用户为 100 人，第二天这 100 人里有 50 人继续访问了，七日后，这 100 人中访问网站的还有 2 人。可得出，周日网站的次日留存 50%，7日留存 2%。
• 转化率：转化率是指在开始任务的过程中，通过某个步骤的人数比例。如果一个任务有 abc 三个步骤，a步骤 100 人，这 100 人中 50 人开始了b步骤，则b步骤的转化率是 50%。转化率=转化次数/访问次数。

2. APP数据指标

APP 与网站的差别是 APP 并非以页面为单位获取数据，因此移动端最有价值的数据集中在对行为事件的统计上。

• UV用户数：与网站相似，APP 中定义为启动应用的人数。
• 新增用户：即安装应用后，首次成功启动产品的用户。
• 活跃用户：即在特定的统计周期内，成功启动过产品的用户。
• 启动次数：即统计时间段内，用户打开应用的次数。
• 使用时长：即统计时间段内，用户打开应用的次数。
• 留存率：即在某一统计时段内的新增用户数中，再经过一段时间后仍启动该应用的用户比例。留存率=留存用户/新增用户*100%。
• 转化率：网站中的转化通常是监测从「页面A–页面B」的用户数，APP 中由于自定义事件的存在，可以监测「位置A的按钮A—位置B的图片B」的用户数。
• 流失率：指那些曾经使用过产品或服务，由于各种原因不再使用产品或服务的用户。用户流失率=某段时间内不再启动应用的用户/某段时间内总计的用户量。

关于数据指标更多详细的内容，链接指引：《高级设计师都在学习的数据指标，这篇文章帮你彻底掌握！》

检验方法

分清楚自己想要得到哪些数据之后，可以使用两种比较常用的检验方法：灰度发布（A/B Test）和新旧版对比。

1. 灰度发布

灰度发布，或者灰度测试，是指在黑与白之间能够平滑过渡的一种发布方式。在其上可以进行 A/B testing，即让一部分用户继续用产品特性A，一部分用户开始用产品特性B，如果用户对 B 没有什么反对意见，那么逐步扩大范围，把所有用户都迁移到 B 上面来。

△ Gabriel Su

灰度发布包括了 A/B Test。和灰度发布不同的是，A/B Test 一般针对两种不一样的设计方案，均分给两个群体的人使用。如针对 A、B 两种设计方案，50% 的用户体验到 A 方案，另外 50% 的用户体验到 B 方案。

使用灰度发布的好处体现在哪里？它可以确保同一时间内，由不具备明显身份属性差异的，随机用户来体验同一个内容和排序下不同的设计方案，规避了时间因素、产品策略、用户属性、内容差异，这种情况下得到的数据是相对精准可靠的，灰度发布的验证方式更加有针对性。

2. 新旧版对比

若没有条件进行灰度发布或 A/B Test（人力、时间、技术等条件不允许），则可以通过新旧版数据对比。以发布时间为分界点，进行前后数据对比。

灰度发布确保了单一变量的对比，而新旧版对比则可能接受到很多因素的影响，正如上面所列出来的影响因素。但也是有办法做到尽量严谨可靠的。

其中时间因素是影响比较大的，为排除时间影响，可遵循如下原则：

• 看同比不看环比；
• 看平均值不看峰值；
• 时间段内包含的周末数量一致；
• 去掉波动大的数据。

同时还需注意：我们的原则是每次验证一个小点（单一变量），若存在多种变化同时发生，则结论无法保证严谨。所以多变量是我们在做数据检验时要规避的情况。

总结

产品的诞生是需要经历许多努力的，而流程中的每一步都不是独立存在的，环环相扣，息息相关。参考更多优秀的经验与设计方法，能帮助设计师们在日常工作中做得更好。

参考来源：

• 《提高设计说服力！来学习这个腾讯内部的设计效果检验方法》
• 《数据的验证价值：如何利用数据验证你的想法及假设？》

注：本系列文章为优设独家专题，请勿转载。

欢迎添加作者微信交流：