作为一枚设计小萌新，对上述场景，是否似曾相识呢？此些尴尬的情况，也映射出了不少问题：数据化设计意识薄弱，数据基础知识模糊，缺乏系统的体验评估模型和度量方法等等。

那么，我们该从哪些维度进行数据分析呢？数据的基础知识又有什么呢？常见的数据分析方法又有哪些？诸位看官抓好扶好，入门版航班即将起飞，让我们一起走进数据的世界，掌握一定的数据分析能力，告别“我要我觉得”的任性决策。

 # 01 

 为何要重视数据分析 

增量尚不明确，存量博弈的下半场，都以去肥增瘦的方式，宣告着精细化运营的时代到来，似乎也对设计师同学提出更高专业的要求。数据意识作为能力象限中的某个小瓦块，虽然细微，但也是专业输出的切入点。

在面对产品功能迭代、用户行为分析、日常监测、设计决策以及效果评估等等问题时，单纯的从视觉维度进行推导，会稍显单薄。而基于客观数据的分析，可以更科学准确的辅助我们进行决策。

 # 02 

 常见的数据类别 

所谓的“数据指标”，简单来说就是可将某个事件量化，且可形成数字，来衡量目标。在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。

目前市面上的产品种类繁多，大致都围绕“用户是谁、做了何事、结果如何”进行归纳整合，分别对应着用户数据、行为数据、业务数据三类指标。

用户数据：包含存量、增量、留存及渠道来源四类

1. 存量：反映某一时间段内活跃的用户数。以日活（DAU）、周活（WAU）、月活（MAU）维度进行统计。其中，Active需以关键用户的自发行为来进行定义，常见的动作有登录、浏览内容等。

2. 增量：一般用新增用户数来反映，同样分为日新增（DNU）、周新增（WNU）、月新增（MNU）三类统计维度。其中，增量的定义相对模糊，需提前与渠道确认好新增指标，建议根据内部的账号体系进行指标的取舍，选择新增注册用户还是新增设备数。

3. 来源：用户从何而来，包含自然搜索、产品导流、好友邀请等多种渠道。结合不同渠道用户的数据表现，可以指导后续的推广方案。

4. 留存：通过留存率来评判产品的健康程度，表示新用户在一定时间段内，某些行为重复发生的比率。其中，日留存和月留存的评判分析作用又有所不同：

日留存：作为衡量用户渠道质量的重要依据，如老王的公众号在知乎、微信群进行导流宣传，通过分析不同渠道的用户留存表现，从而优化受众用户的投放来源。

月留存：作为用户粘性的重要判断，通过指标来分析产品对用户是否长期有吸引力。也可用作产品上新后，功能迭代是否符合预期的判断依据。

行为数据：记录用户使用产品的相关行为，可包含行为质量（访问深度、转化率、跳出率、用户停留时长）与数量（次数、频率、点击率、访问时长）两维度

1. 访问深度：用户单次浏览页面的过程中，浏览了页面的数量越多，表示用户访问深度越深，产品粘性较好。

2. 转化率：指在一个统计周期内，完成转化行为的次数占总访问次数的比率。转化率=(转化次数/点击量)×100%。如在电商、理财等产品中，转化率是衡量产品优秀与否的重要指标之一。

3. 跳出率：访问了单个页面的用户占全部访问用户的百分比，可用来衡量访问质量，高跳出率通常表示内容或体验与用户目标脱节。

4. 停留时长：用户游逛的时间长度，需要区分对待内容消费与工具效率场景，高停留时长并非全是正向反馈。

5. 次数：包含页面访问次数（PV）和用户访问次数（UV），通过页面或者用户作为计数单位，但需进行相应数据去重，保证数据的真实性。

6. 点击率：CTR（Click-Through-Rate）即点击通过率，某一内容被点击的次数与被显示次数之比，CTR是衡量互联网广告效果的一项重要指标。影响用户点击的因子较多，作为入口级内容，却具备较大的设计发挥空间，可通过信息的布局与核心利益点的外化，实现行为号召（Call to Action）

业务数据：产品在商业化过程中，对业务结果的贡献程度，如总成交量、人均消费金额、消费人数、续费率、用户周期价值等

1. 总成交量：GMV（Gross Merchandise Volume）属于电商平台企业成交类指标，主要指订单的总金额，包含付款与未付款两部分

2. 人均消费金额：ARPU（Average Revenue Per User）即每用户平均收入。这个指标计算的是某时间段内平均每个活跃用户为应用创造的收入。

3. 续费率：指的是在订阅期结束时，选择续费的用户占所有应续费用户的百分比

4. 付费率：付费用户占活跃用户的比例。

5. 用户周期价值：LTV（life time value）是产品从用户获取到流失所得到的全部收益的总和，当LTV大于平均获客成本和后续的运营成本时，产品获得净收益。

 # 03 

 指标建模·关键指标的选取 

对上述数据类别有所了解之后，我们在面对纷纭复杂的应用类型与数据概念时，到底该怎么选取合适的指标进行衡量和分析呢？接下来，让我们进入下一个知识点-指标建模。我们大致可以按照以下方法进行关键指标的选取。

① 明确业务的最终目的；

② 判断业务模块所属类型；

③ 根据模块类型选择数据指标；

① 明确业务的最终目的

任何产品都有其商业或生存目的，且通常会使用一些支撑手段的工具、或是支撑手段的手段来达成目的。我们以“设计软件-Figma”为例，进行业务目的与手段的拆解。

1. 目的：Figma 是一个基于浏览器的协作式 UI 设计工具，其最终目的是完成商业变现，让更多用户付费购买。

2. 手段：为达成这一目标，而采用基于web的模式这一手段，极大的方便了团队协作办公的需求，继而备受青睐，普及率节节攀升。

3. 支持手段的工具：此外，借助开源的插件及完善的组件功能，为设计创作者提供更便捷的工具支持。

② 判断业务模块所属类型

在从业务的最终目的出发，梳理业务模块后，可进一步的拆解该业务模块的具体类型。为方便理解，可以按照产品价值，将功能模块分为4种类别：工具、内容浏览、社区、交易。

1. 针对本身自带价值属性的产品，按照帮助用户节省时间和消磨时间可分为：

a. 工具类：剪映、轻颜相机、飞书文档及翻译查词等
b. 内容浏览类：各类图、文、音视频体裁的消费内容，如短视频、喜马拉雅、知乎等

2. 另一类产品本身不产生价值，通过自身的平台属性来连接资源，同样按照帮助用户节省时间和消磨时间可分为：

a. 社区类：小红书、即刻、微博等
b. 交易类：电商板块、会员付费板块以及直播打赏充值等

③ 根据模块类型选择数据指标

按照时间与价值维度，将产品划分为4类模块，每类都有各自需要核心关注的指标要素

下面对4种分类的功能模块，分别介绍如何选取指标体系

1. 工具类：通过产品达成个人目标，高频的使用行为，可以培养用户的固定习惯。因而可主要关注使用量、目标达成率、频次数据指标。（示例：剪映）

2. 交易类：以详情页作为用户购买动机的诱因，实现付费转化。倘若能多次反复的购买商品或服务，整体转化效果更佳。因而，可选取详情页转化率、客单价、复购率作为衡量指标。（示例：百度网盘）

3. 内容浏览类：用户是否已获得更优质的内容，愿意投入更多的时间浏览内容，并能触发与内容的互动行为。因而可选取浏览数、浏览广度、浏览时长和互动行为作为衡量指标。（示例：快手）

4. 社区类：社区环境主要受人与内容、以及人与人之间的关系影响。鼓励用户发布内容，以创造的内容来吸引其他用户产生共鸣，从而进行内容创造与互动行为。因而，可选取发布量、互动量、用户间的关系密度作为衡量指标。（示例：即刻）

 # 04 

 数据分析方法 

在产品迭代发展的过程中，掌握有效的数据分析方法，能让冰冷客观的数据鲜活起来，为决策提供判断依据。接下来，就给大家推荐两类高频数据分析方法，请注意查收。

AARRR模型

由Dave McClure 2007提出的客户生命周期模型，可以帮助大家更好地理解获客和维护客户的原理。其核心为AARRR漏斗模型，对应着实现用户增长的5个指标：

1. 获取(Acquisition)：用户如何发现（并来到）你的产品？

2. 激活(Activation)：用户的第一次使用体验如何？

3. 留存(Retention)：用户是否还会回到产品（重复使用）？

4. 收入(Revenue)：产品怎样（通过用户）赚钱？

5. 传播(Refer)：用户是否愿意告诉其他用户？

我们在进行数据分析的时候，应该考虑用户正处于AARRR模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

漏斗分析

科学反映用户行为状态以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。广泛应用于网站和App用户行为分析的流量监控、电商行业、零售的购买转化率、产品营销和销售等日常数据运营与数据分析的工作中。

例如：在完成电商购物行为时，共包含浏览选择、查看详情、添加购物车、生成订单、支付等环节。通过监控用户在流程上的行为路径，漏斗能够展现各个环节的转化率，直观地发现和说明问题所在，更快定位出某个环节的具体问题。

 # 05 

 数据分析常见谬误 

除了需要了解分析方法之外，还需要提防以下数据分析常见谬误，避免落入陷阱之中，从而做出错误的决策。

1. 数据偏⻅

在分析数据时受个⼈偏⻅和动机的影响，即仅选择⽀持你声明的数据，同时丢弃不⽀持声明的部分。“数据偏⻅”将让数据的客观性荡然⽆存。 避免这种谬误的⽅法是在分析数据时，尽可能收集相关数据，并询问他⼈意⻅。

2. 采样偏差

在做抽样分析时，选取的样本不够随机或不够有代表性。例如，互联网圈的人极少会使用PDD，为何该应用还会有这么好的市值表现？

3. 因果相关谬误

将两个同时发生的事件，判断为因果关系，忽略了其中间变量。例如，隔壁老王生了个孩子，同时种了一棵树。孩子和树都随着时间的推移而长高，在一定时间内，如果使用相关性分析，可以得出这两个变量具有相关性。然而我们都很清楚，孩子长高和树长高之间，并不具有因果关系。

4. ⾟普森悖论

即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。避免“辛普森悖论”给我们带来的误区，就需要斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。

5. 定义谬误

在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？

6. 比率谬误

谈论此类型指标时，都需要明确分子和分母是什么。另一方面，在讨论变化的百分比时，需注意基数大小。如小王和小刘体重都上涨了10%，但二者的体重基数分别为60kg、90kg。

 # 06 

 写在最后 

良好的数据思维，能让我们的设计增添一些理性之美。同时，也是了解用户使用行为及产品表现最有效的途径之一。我们需结合项目实操进行验证，从而真正的理解与掌握数据分析这一技能。

Powered by Froala Editor