如何构建数据体系设计方法论？五大章节帮你掌握！

作为一名用户体验设计师，在工作中最常出现的痛点有两个：一个是如何让方案获得各个角色的认可，顺利的将方案推行下去；另一个是项目上线之后，设计产出和设计价值如何体现。

构建数据体系设计方法论，可以帮助设计师解决上述两个痛点，即：

• 为设计方案提供依据
• 为设计价值提供验证

如何证明设计价值？帮你快速掌握数据分析的基础逻辑

经常能听到设计师大谈特谈数据分析，一般讲的是漏斗分析，或者分析留存、PV/UV 之类的分析方法和细节，偶尔有些设计团队分享谷歌的 GSM 模型，但是很少听人讲数据分析的基础逻辑。

阅读文章 >

1. 为设计方案提供依据

下图是 feed 流产品负反馈流程。用户对于自身不喜欢的资讯，可以通过点击叉号选择原因进行屏蔽，以此减少后续相同类型的资讯，从而提升资讯内容的精准度。

拉取数据统计可以得知：用户点击叉号之后，出现浮层面板后，进行进一步操作的转化率极低。这么低的转化率严重影响整个流程操作流程。

然而在不感兴趣面板中进行提交操作，转化率达到前一个节点的三倍以上。

通过数据可以得到以下依据：

1. 列表吸引用户继续操作感知度弱。
2. 操作层级深，阻碍用户进入下一级页面的转化。

所以，通过数据可以得到以下设计方案支持：

1. 将列表样式改为通过按钮作为主操作样式
2. 缩短路径，将主流程的两步改为一步，进一步提升转化。

改版前后方案如下图所示：

2. 为设计价值提供验证

新的设计方案上线，可以得到上线后的流程转化率。然而单纯的转化率提升，并不能作为最终设计方案的价值。

单纯的转化率提升了，只能说明该流程用户操作成功率提升，并不能量化对应的业务价值。

这时候需要控制变量，通过控制其他变量不变，去证明该流程优化，提升了整个产品信息流推荐精准度。通过留存率、人均阅读条数等数据变化，证明该设计方案的设计价值。

入门数据分析的第一步，就是要掌握常见的数据指标的定义和用途，只有掌握了这些，设计类的数据分析就掌握了一半。

说起数据指标，大家经常听见的有 DAU、PV、UV、点击率等。数据众多且无体系化。大家可以将众多的数据，进行分组整理研究。

这里我将数据指标的分类，分为大致 4 类，分别为：基础性指标、流程性指标、业务性指标和综合性指标。

1. 基础性指标

基础性指标适用于各个行业产品、移动端、PC 端等。具有一定的通用性，通常颗粒度小。

常见的指标有：PV、UV、人均点击次数、人均停留时长等。

2. 流程性指标

流程性指标通常和交互流程相关，数据涉及到两个及以上的节点。流程性指标常用的有：点击率、转化率、流失率和完成率等

3. 业务性指标

不同的产品业务对应的业务性指标不一致。

例如电商则是：客单价、订单量，人均订单量、人均付费等。

剪辑类产品则是：上传数、上传率、剪辑占比率、剪辑完成率、人均生成视频数等。

4. 综合性指标

综合性指标，则指的是整体的数据，常见的是:DAU、MAU、留存率、用户使用时长等。电商的话，有 GMV、订单数等。

面对设计团队没有数据文档沉淀，如何才能建立体系化文档？

1. 梳理产品所有数据的埋点

先梳理线上产品的数据埋点，一般一个需求开启时，会进行数据埋点和对应的文档。

通过收集所有的埋点文档，整合在文档里。

如果开发并没有埋点，则给开发提需求进行埋点。

2. 定义整理数据指标

不同的数据口径不一致，也会导致大家对一个指标的理解有出入，从而导致无法真正地沟通。所以整理数据指标很重要。

例如 PV 细分包含：曝光 PV、加载 PV、点击 PV 等。我们平时说到的 PV 通常默认为曝光 PV。

下图是整理数据指标示意：

3. 定义功能核心指标

不同的产品，不同的功能，对应的核心指标不同。针对于不同的产品，定义其核心指标，这样有助于明确设计目标，并针对性地出设计方案。

下图是整理核心指标示意：

在设计工作中，我们常用的数据分析方法有以下 4 种：

1. 漏斗分析
2. 拆解分析
3. 对比分析
4. 行为分析

1. 漏斗分析

漏斗的定义：基于明确起始操作路径，根据每个路径节点的用户数（操作次数），各个节点流转过程中，会存在一级级的流失，最终形成漏斗形态。

漏斗的意义：漏斗分析适用于一些完整流程操作的用户行为，找到设计过程中流失比较多的节点，分析找到流失的原因并改进。

如下图所示，用户在搜索场景购买商品的整个操作路径，在这个路径中，每一节点都会存在流量的流失，从而形成一个完整的转化漏斗。

按照页面 PV 绘制成对应的转化漏斗如下图所示：

通过绘制的漏斗，找到对应页面的 PV 数据，计算出对应的转化率。

转化率=下一个节点 PV/上一个节点的 PV，通常来说低转化率节点是可优化点。

漏斗的计数单位可以基于用户(UV)，也可以基于次数(PV)。

对于偏一次性流程的，例如注册、实名认证等建议使用用户(UV)，对于偏非一次性的流程，例如购买、发布等建议使用次数(PV)。

2. 拆解分析

定义：将整体数据按照不同纬度进行拆解分析。

如下图，当我们在数据中看到目标用户有 1866 个人，那么接下来拆解分析这 1866 个人在不同纬度中的分布情况怎么样。

通过拆解，力求后续推广流量更加精准化，提升转化率。

如下图，通过流量渠道来源，top 前三的渠道分别为今日头条、36kr 和地推。如果在价格方面，36kr 单个用户价格更加便宜，那么可以加大 36kr 广告推广。

如下图，通过城市的维度来看，产品目标用户的城市，排名前三分别为上海、石家庄和杭州。

3. 对比分析

对比前后数据，通过对比数据的差值，验证设计。

简单地举个例子，下图为服务购买页面。

项目背景：立即支付的点击率只有 11%，此次优化，希望提升立即支付按钮的点击率。

从图可以看出存在以下问题：

1. 核心操作流程被弱化，立即支付按钮底部悬浮，按钮的视觉抢点被购买须知和服务协议所占据。导致用户注意力被抢占影响点击率。
2. 优惠利益点不够，导致用户支付意愿下降。

针对于提升立即支付点击率，那么可以从 3 个方面着手：

1. 增加按钮的视觉表达，按钮变大。
2. 核心操作占据核心位置。
3. 提升文案，通过文案吸引用户

通过以上 3 点，得到对应的优化方案，如下：

明确全量发布时间后，那么该时间之后，就是该优化方案上线的数据，找到对应的指标数据。

建议当数据稳定后，取最近一周的数据的平均值作为核心指标的数据。

通过开发得知，该需求于 2020 年 4 月 20 日已全量上线，然后看后台数据，发现支付点击率为 16%

那么由此得知，改版后数据涨幅为：

（16%-11%）/11% =45.5%

通过对比用户点击立即支付按钮数据前后的变化，验证设计是否成功。

对比分析通常有以下两个方面：

1. 自身产品比，对比产品其他模块相似场景的数据差异。通过对比找到问题点并做分析优化。
2. 行业产品比，和同行业产品的数据对比分析，找出数据差异的问题所在，并给出对应的优化方案。

4. 行为分析

通过分析特定类型的用户行为，找到这种特定类型的用户行为的对产品带来的影响。也可以推算出这种特定的行为给产品带来的意义。

意义：用户行为可视化，可清晰地了解整体/个体用户的行为。

如下图所示，通过 Google Aanalytic 网站可清晰地掌握平台整体流量的来源，用户群体路径行为轨迹，这可以让设计师/产品经理清晰地了解到平台的用户行为轨迹和用户人群的操作习惯。

也可以清晰地了解每个用户的操作行为路径。如下图所示：

通过核心指标判断设计方案是否符合预期，以此验证设计方案是否成功，并为后续产品的迭代优化做依据。

量化设计的价值，通常分为 4 步：

1. 确定改版的核心指标
2. 核心指标带来的价值/受益
3. 确定上线时间
4. 对比上线前后数据变化，进行验证

1. 确定改版的核心指标

设计过程中，要关注设计的核心指标，针对于核心指标，进行针对性的设计。
如果改版的最重要（核心）的指标是任务流程完成率，先查看用户操作流失率，然后分析找出流失原因，给出对应的优化方案。等到优化方案的产品版本上线后，对比完成率数据变化。

如果改版的最重要（核心）指标是人均观看次数，则要思考可通过哪些设计策略可提升产品的人均播放次数。

举个例子，新浪微博，以前版本用户看完视频后，视频会有重播按钮和推荐视频，用户只有进行下一步点击才能播放下一个视频。改版后看完视频会自动切换到下一个视频。这样的设计策略虽然绑架了用户的行为，用户从一个主动接受者，变成了一个被动接受者，但是这种策略能有效地提升人均播放次数。

2. 核心指标带来的价值/收益

当验证了核心指标往好的方向发展，这时候，就需要总结核心指标带来的价值和收益，这样的话设计价值才可以直接被量化。

举个例子：一个 banner 的点击率达到 3%的时候，每天 GMV 约 200 万，当重新设计了这个 banner，同时其他条件保持不变，点击率提升到了 6%，这时候通过数据查看每天的 GMV 是多少，如果达到了 400 万，那么这增加的 200 万则是通过设计优化所带来的。

3. 确定上线时间

通常规模大一点的产品通常产品上线发布，都需要进行灰度发布。10%、30%、50%等灰度，最终全量。通过产品或者开发，了解全量发布的时间节点。通过全量上线的时间，对比前后的数据。

4. 对比上线前后数据变化，进行验证

举例：

改版前运营位每日 PV，改版后每日 PVXXXW；PV 增长约为 46%

改版前每日收入约 XXX 万元，改版后每日收入 XXX 万元，每日增加约为 XXX 万元。商业化收益增长约 43.4%

本文至此就结束了。