前言

众所周知，互联网是一个高速发展的行业，数据时代的到来是每个人都不可小觑的未来趋势之一，它将不仅仅影响到社会生活的方方面面，也会对互联网相关的岗位分工和职责带来变化。

大数据时代设计不再是主观的，目前越来越多的公司提倡设计师在项目中参与到产品的整体流程中去，利用数据更好地推动业务发展。

01 设计师为什么要懂数据

在早期的互联网团队中，大家分工都比较明确，各职能负责各自的业务，设计师只是作为整个链路中的一个环节参与到项目中，对于整个项目的了解程度不够，缺少对项目的全局观。

但是随着互联网的快速发展，企业对设计师的能力要求变成一专多能，很多企业UI/UX岗位都变成了对综合性要求更高的体验设计师的职位，由此我们可以看到行业所发生的的变化，为了能更好的与时俱进，我们应该树立起主人的意识，主动出击，以帮助自己的获得职业更好的发展。

数据的作用是在了解产品、用户的基础上，产出可衡量的方案，达成可量化的目标，而商业设计需要理性地观察和思考，数据是理性化的一种方式，如果想要更好的解决问题，创造业务价值，那么数据是一个不错的切入点。

1. 设计师可以把数据作为理性设计的根基，作为设计师，我们也应该尝试从问题的源头出发，通过数据了解用户，利用数据去理解用户行为，为设计提供辅助参考，帮助设计师在正确的方向上推动设计，同时也有机会发现新的商业机会和产品爆发点，通过设计推动改版、设计助力产品拿结果。

2. 在实际的工作中，我们不仅仅是把任务完成即可。有的时候，我们也需要与产品团队和运营聊需求、与开发谈指标、谈实现成本回报比等等，如果我们对数据指标没有概念，会给大家在工作中的沟通带来一定的影响。

3. 另外，随着企业对设计师的能力要求越来越高，需要设计师懂业务，会设计赋能，能做增长，不懂数据的设计师在未来或许较难获得更好的工作机会和更好的职业发展。

02 什么是数据

理解任何事物都需要先了理解他的定义，数据是事实或观察的结果，是对客观事物的逻辑归纳，单纯的数据就是一组数字，是没有任何价值的。

但当人们将一系列数据与被观察、被感知的实体进行关联之后，实体的属性给数据赋予了含义，就成了一个有价值的信息。

本文主要指的是和用户、产品、营销等有关的数据。

03 设计师如何运用数据？

设计师的基础价值就是对产品提供视觉支持，如果我们想获得更大的成长，更进一步的发展，那么我们在实际的工作中，可以利用数据了解我们的用户，了解需求的本质，明确设计目标；

同时也可以通过数据的论证，指导我们的设计，让设计有理有据，走得更加从容；

上线后可以利用数据可帮助我们证明设计在项目中的价值，提高设计团队在整个项目中的话语权；

最后我们还可以通过数据了解我们产品的使用情况，发掘产品中可提升的点，提升产品体验，同时也能体现自己更大的价值。

1. 接近我们的用户，深挖需求本质，明确设计目标

虽然设计师解决问题的能力十分重要，但是了解需求本质是解决问题的前提条件，在没有明确需求的动机和目的，设计的方向就会很迷茫。

并且在和业务方对接需求时，因为岗位专业的差异，更会导致双方在理解上有偏差，这就导致设计师常常处于改改改的状态。因此在设计执行前深入挖掘需求的本质，与其他业务方对齐目标就显得十分必要。

数据是对用户行为的量化，数字的背后都是真实的用户。通过设计之前的定性分析或定量分析，研究和分析用户行为数据或线上活动数据，了解用户是如何使用我们的产品的，检验用户的体验历程是否与我们设计产品的思路一样，明确用户需求，在表现不佳的数据中找到用户的困惑之处，寻找和发现设计机会点，通过这样的分析和优化方法达到优化用户体验的效果。

2. 通过数据证明设计方案的可行性，推动设计方案落地

当我们与团队内部、外部产生意见分歧或方案不被认可时，我们该如何证明我们的设计思路和设计方向是正确的，如何证明我们的优化方案是对产品的提升的，怎样证明我们的设计方案是值得推进的？

不善言辩的设计师在与产品、运营等相关方的争论中常常处于下风，但是我们可以通过数据分析结果来证明设计方案的可行性，数据不会骗人，我们可以通过发现产品设计中存在的问题，并验证存在的问题，优化解决存在的问题。

3. 通过数据辅助我们做决策，确定最优方案

在实际的项目设计中，经常会出现多个设计师共同参与，给出多种解决方案，或同一个设计师出的多种设计方案，那么在这种情况下，我们要怎么选择出最符合当下需求的设计方案呢？

我们没办法预测到哪一个方案百分百可行，除了根据经验，有些情况下数据也能够给予我们一定的决策支撑。比如我们可以参考相关或相似模块的数据来做辅助决策，甚至我们也可以通过 A/B test 来验证到底哪个设计方案更适合。

4. 验证设计方案的有效性，证明设计的价值，并以数据结果为导向，不断调整设计策略

新功能上线或功能迭代后，效果怎么样是无法很直观的看出来的，所以我们需要通过事先做好的数据埋点，拿到上线数据后，去做相关的数据分析，观察用户数据，流量变化，点击率，转化率等相关数据情况，我们才能知道新功能上线用户是否认可，功能迭代后的数据相比是否较之前有提升。

通过数据，不仅可以发现问题，还可以衡量目标完成情况，如果仍有表现不佳的地方，继续分析数据有哪些地方可以进一步展开优化，进而推动下一轮设计方案的优化，进入一个良性循环。

04 数据的分类及来源

在要搞清楚数据的来源之前，我们先了解一下数据的分类，数据从不同的维度有着不同的分类，我们这里就简单的从数据的分析维度上来区分，互联网产品的数据目前比较常用的数据类型主要分为：定量数据（Quantitative data）和定性数据（Qualitative data）。

定性数据更偏用研方法，通常是参与者体验系统可用性的主观感受的获取，并判断出设计哪些方面存在问题。

比较常见的数据来源是调研数据，调研数据主要是通过用户调研得到的抽样数据。通过收集用户的主观感受或态度，例如用户访谈，可用性测试，留言板挖掘等，它帮助我们判断问题，再结合我们自己的交互和设计的知识来判断是否改变或继续优化产品设计目标。

定量数据是指那些可衡量的数字，具有科学性。定量数据提供了对设计可用性的间接评估，或者通过定量数据验证定性研究结果的正确性。比较常见的数据来源是产品日志文件、后台数据、调研数据、埋点数据等。

ps：埋点数据主要是指通过应用埋点统计的数据，是一种常用的数据采集方法，主要是通过技术手段帮助我们获取用户在应用内的行为数据，简单来讲，就是在应用中植入一段代码，监控用户行为事件，它能够为我们提供用户使用应用的真实情况，例如某个活动的点击率、转化、跳出率等情况。

这两种数据是从不同的角度看待问题，它们在设计迭代周期中都扮演着重要的角色，是相互补充的。定性假设起因，再由定量来验证；定量挖掘数据，再由定性剖析原因。

05 常见的数据指标有哪些

常见的用户指标可以分为用户数据、用户画像数据、流量数据、用户行为数据、收入指标数据、渠道指标数据、调研数据。

1. 用户数据

用户数据比较容易理解，就是“反应用户属性、和用户相关的数据”。用户数据包含及可挖的内容有很多，小的方面来讲有用户活跃、留存、新增等，从大的方面来讲，有用户画像、用户属性、偏好属性、用户行为习惯等。

在用户数据的定量研究中比较关注的点主要是用户数量和质量，常见的如：活跃用户数（DAU、WAU、MAU）、新增用户数、用户留存率（次日留存率、七日留存率、次月留存率）、累计注册用户数等。

DAU

每日访问用户数。

WAU

每周访问用户数。

MAU

每月访问用户数。

这 3 个指标是去除重复用户数后的活跃用户量，一个用户在一个计算周期内通过相同的渠道多次访问产品，仍只算一个，一般用来衡量产品对用户的粘性。

留存率

主要是研究新用户的留存情况，是指在某一周期内首次启动APP的用户经过一段时间后的生命周期情况，从宏观上把握用户的生命周期长度以及我们可以改善的余地。

其中比较重要的两个指标：次日留存和7日留存。通过这两个指标可以反映出通过某个投放渠道新增的用户质量如何，以及依照这两个数据指标和其他数据，决定后续的获客方式。

留存率=新增用户中登录用户数/新增用户数*100%

次日留存率=当日新增的新用户次日登录人数/当日新增用户数*100%

7日留存率=当日新增用户七日后还登录人数/当日新增用户数*100%

累计注册用户数

历史累计登录的用户数，同一用户多次访问不重复计。

2. 用户画像数据

用户画像数据也属于用户数据的一种，是从用户属性的角度出发，通常是使用定性研究的方法得到的数据，体现现有用户人群的特征，构成可以分成 3 类：基本属性、用户行为属性、偏好属性。如年龄、性别、新用户/老用户、用户等级、购买偏好等，地区、终端及机型分布。

3. 流量数据

流量数据主要以用户访问产品/页面时，反映页面的整体情况的指标。比较常用的如：页面PV、页面UV、人均访问次数、流量来源、流量去向等。

UV

页面访问人数，描述了访问的用户数，UV 可以来源于各种途径，例如外部的广告引流、内部的资源位分配、用户主动回访流量、活动引流等。

PV

页面访问次数，即页面被浏览过多少次，PV会重复记录用户的访问次数，PV 比 UV 多了某段时间内用户多次访问的信息。

人均访问次数

人均访问次数是指在某一个统计周期内，平均每个用户访问的次数，即访问次数/访问人数。

4. 用户行为数据

用户行为数据是指用户在产品中操作相关的一系列行为数据指标。

点击率（CTR） = 模块点击人数 / 模块浏览人数

用户点击率是指用户对该模块的点击人数，在所有进入页面的流量中的占比。

曝光率 = 模块曝光人数 / 页面浏览人数

曝光率可以看出用户在页面上的浏览深度，有多少用户看到了多少的页面深度。

使用时长

使用时长是指用户在某一个周期内，在页面上停留了多长时间。使用时长一般关注三个数据，使用总时长、单次使用时长、人均使用时长。

跳失率

跳失率是指访客只访问一个页面就离开的访问次数占该页面总访问次数的比例。

UV价值 = GMV / 流量

UV价值是指每个UV产出的平均金额，可以从侧面反映出流量的质量或者流量与业务的匹配度。

5. 收入指标数据

收入指标主要是指产品在商业化过程中涉及的与收入相关的指标ARPU、例如GMV、转化率、客单价、订单数、付费人数等。

ARPU=总收入/用户数

是指在某一周期内每个用户产生的平均收入。

总销售额GMV = 订单量 × 客单价

GMV是指下单产生的总金额，包括已付款金额和待付款金额，是电商产品中的常见指标，通常可以反映一个电商平台的体量。

订单量 = 访问UV × 订单转化率

订单量是指产生的订单总数，一个订单里面可能会有多件商品，与商品的销售量是有区别的。

转化率 = 订单量/ 访问UV

转化率是指在一个统计周期内，完成转化行为次数的占比，例如某个活动的转化率是指，参与该活动的的用户人数占活动曝光次数的占比，某个商品的成交转化率则是该商品的成交量占商品曝光次数的占比。

客单价=销售总额/订单量

客单价是指顾客平均购买商品的单价，可以反映出用户的购买力，但客单价有较强的品类特征，不同商品品类客单价差异较大，在一些运营策略中，通常通过满减等一些列营销活动，刺激用户购买更多的商品，进而提高客单价。

6. 渠道指标数据

通过统计出各渠道的投放数据，对不同渠道投放效果有一个大概的认知，通过用户后续行为来分析新增用户的质量和价值，反映出各渠道的投放价值。设计师在实际工作中基本不会接触到这一类的数据，所以下面仅进行简单介绍。

渠道流量

是指通过某个渠道带来的曝光率量。

渠道新增用户数

是指通过不同渠道新增的用户数量，例如电子市场渠道、数字营销渠道、线下渠道。

渠道用户转化率

是指从某个渠道的曝光，完成下载和注册的数量的新增的用户占比。

渠道ROI

是指某个渠道的投入产出比，比如投放内容展现了多少次，转化成多少次点击，最终带来多少安装量/销量，投放会计算每一笔广告费转化成多少实际用户或收入，这就是ROI。

7. 调研数据

是指通过用户调研提炼的抽样数据。如用户期望价值、满意度评分、主观评价、净推荐值NPS、回访/复购意愿、脑电图测试数据、眼动仪测试数据等等。

调研数据能够帮助我们去发现问题、细化问题、寻找个数据表现背后具体的原因。

数据的收集原则

很多时候设计师往往没有主动去看数据的意识，比较常见的是业务或产品根据情况同步给我们他们已经分析过的数据，例如点击率、转化率等。

这些经过处理的数据往往很难看出具体的问题或原因，我们需要从更多的维度去看数据，这样有利于我们更加深入的去分析、研究问题。

原始信息：没有经过任何人过滤的数据（不是别人处理过的抽象数据，是真实的数据表现或用户调研一手信息资料）。

不过度收集：当信息搜集到一定程度时，比如出现彼此重复的内容较多时，再投入时间收集，实际效果也不会呈等比增加。

在信息收集阶段，不做判断，避免在后面流程中为判断找论据而忽略其他内容。

06 如何通过数据发现问题

1. 看趋势

趋势分析是数据分析里最常用的分析方法，只要和数据有关，几乎每个人，时时刻刻都在用。趋势分析法最大的好处，就是简单省事！

因为它不需要任何理论基础，不需要任何专业知识，也不需要很多数据，只要有一个结果数据，无论是正向还是负向，都能直接得出判断。通常我们以时间、流程等线性角度分析整体变化，寻找影响因素。

2. 作对比

孤立的数据没有意义，有对比才有差异。对比分析在实际数据分析中是非常重要的一种分析手段，我们需要寻找相同类型作对比，才知道好坏，可以提升的点在哪里。

3. 多维分析

多维分析就是细分分析，做多维分析首先要明确2个方向：维度和指标。

指标：指的是用来记录关键流程的，衡量目标的单位或方法，如DAU、留存率、转化率等。

维度：指的是观察指标的角度，如时间、来源渠道、地理位置、产品版本维度等。

多维分析，就是在多个维度对问题进行拆解，观察对比细分维度下的指标，通过将一个综合指标细分，从而发现更多问题。

例如某个资源位转化率低是我们面对的最严重的问题，那么我们可以继续细化到影响转化率的因素有哪些，把这些因素分别罗列出来，给出解决办法；

也可以从维度方向去看问题，比如某个时间段数据比较差，或者从某个渠道来的用户数据比较差，然后我们再针对性的给出解决方案。通常我们看的都是综合指标、总值，但这些总值通常无法真正地发现问题。

在实际的操作中，我们需要尽可能多的结合业务特性将总值拆解细分，才能发现问题，找到可落地的解决问题。

4. 公式拆解

公式拆解法，就是针对某个指标，用公式层次分解该指标的影响因素，从而快速找到影响指标的因素。公式拆解法没有固定的标准，一个目标变量在不同的场景下或者为解决不同问题，需要利用公式拆解的细致程度也不一样。例如：

5. 数据模型

上面的都是通过一些简单的方法，对数据进行分析，但是数据的维度往往有很多，很复杂，为了帮助我们更好的进行数据分析，我们也可以借助数据模型帮助我们。

数据模型的种类有很多，每个数据模型都有不同的侧重点，这里就不展开，只简单列举一些常用的数据模型，大家有兴趣可以自行从网上搜索了解。

例如：谷歌的GSM分析法（设计验证），价值矩阵分析法（确定方向）、OSM模型（目标验证）、AARRR用户增长模型、杜邦分析法、RFM模型、漏斗分析法等。

07 如何培养数据分析意识

最后我们来聊聊如何培养数据分析的意识，相信看到这篇文章并且看到了这里的设计师，都很清楚数据对于设计师的重要性，我个人认为学习任何东西，方法其实都是相通的。

1. 首先，我们要先建立起自主学习的意识，在日常工作中时常提醒自己要关注这些相关的内容，并积极争取和把握参与或学习的机会；

2. 然后，通过书本或者互联网系统的学习相关的知识，通过合理的方法引导我们，建立起我们的认知和知识库；

3. 另外，就是要行动起来，通过不断练习，工作中不断尝试，积极梳理遇到的问题，总结遇到的问题，迭代自己的知识库；

4. 最后，我们以教为学，通过自己的总结分享，重新梳理自己的知识库，分享给更多的人，提高自己的同时，通过收到的反馈继续提高自己。

-END-