实战技巧｜设计师要掌握的【数据基础知识】
共 5584字，需浏览 12分钟
·
2021-06-01 21:30
前言
在 vivo 校招设计师专业课程体系中，有一堂 《数据基础知识及应用》 的入门课程，去年授课时获得了校招大学生的一致好评。在数据化设计与验证大行其道的今天，每个设计师都需要掌握一些数据的基础知识。所以，我特意找来课程课件，结合我自己的理解，写了这篇小文，希望对于想学习数据分析的你会有所帮助。
全文共分为 3 大模块：
1、明确数据对设计师的价值。（先树立价值认知，才会有学习动力）
2、了解设计师常用的数据模型及数据指标。（梳理数据相关知识的学习地图，从宏观、中观到微观，有的放矢）
3、学会如何简单的计算和分析数据。（几个 Excel 公式 + 透视表 + 数据对比就搞定了，相信你也可以的）
一、明确数据对设计师的价值
在 《U一点料》 中，作者把数据比喻成设计的理性之光，这个比喻非常贴切。在现实生活中，设计师多少有些感性，善用数据，可以帮助设计师加入理性思考，使得设计方案兼顾感性与理性之光。
简而言之，数据之于设计师有以下好处：
1. 设计前 - 发现问题
通过数据的横向对比（和竞品比），了解现状和差距，找到设计发力点。
举个栗子：
vivo 钱包 V 1.0 版本上线后，通过对转化数据的提取和与竞品的对比，可以发现转化率漏斗的瓶颈与竞品的差距，从而对入口、引导、选卡和开卡环节进行有针对性的优化设计。
图 1 vivo 钱包 NFC 交通卡走查结果
通过数据的纵向对比（和历史比），了解规律和变化，迭代设计方案。
举个栗子：
浏览器的历史记录改版后，历史记录的转化率明显降低，尤其是第一条历史记录，转化率下降了约 10%，考虑到第一条历史记录的点击频次和操作便捷度，我们又做了强化第一条历史记录的迭代设计。
图 2 历史记录的方案迭代
通过数据的人群对比（用户分层），发现不同人群的功能关注 / 卷入度，为不同用户呈现不同的设计界面。
举个栗子：
针对 vivo 视频新用户卷入度低，互动动机不足，推荐不准确的情况，可以呈现不同的设计方案来满足不同的用户诉求。
图 3 为不同用户呈现不同设计界面
2.设计时-辅助决策
设计方案时，如果对于多个方向犹豫不决，则可以 借助快速调研的方式获取数据，辅助设计决策。
举个栗子：
我们在设计视频产品呈现模式时，对于浅色模式和深色模式各执一词：运营同学偏向于浅色模式，担心深色模式压抑，幼儿频道的小朋友们和家长会不喜欢。而设计师认为，深色模式内容和背景对比度小，视觉更舒适，看视频也更沉浸。双方都很难说服对方，于是通过快速问卷获得用户反馈：多数用户更偏好深色模式，且认为深色更护眼，从而就设计方向达成一致意见。
图 4 视频深色浅色模式对比方案
3.设计后 - 验证设计
通过 灰度或正式上线数据，和预期数据的对比，判断设计目标的实现程度，并总结和沉淀相应的设计经验。
举个栗子：
在收银台页面优化设计中，对于是否要增加大会员开通模块，项目组各执一词，最终决定上线两个方案，观察数据结果。从灰度数据结果来看，未展示大会员的方案 1，支付点击率和成功率相比原方案都更高，说明设计优化效果显著；展示大会员的支付率则有所降低，最终决定上线方案 1。经过这次灰度，大家也更加确信：在支付页，轻易不要增加设计元素和功能（避免视觉负荷和认知负荷，导致转化率降低）。
图 5 大会员优化方案
既然数据可以给设计师带来这么多好处，那设计师应该从哪些维度去了解数据呢？
在 《产品经理数据修炼 30 问》 中，作者提出了这样一个思路，笔者深感认同，也分享给你：可以从 宏观、中观和微观三个维度，去构建产品的数据全局观：
图 6 如何构建产品的数据全局观
3.1 宏观的行业洞察
研究宏观的行业分析报告，帮助我们了解目标用户的体量，产品的行业格局和生态，进而帮助我们更好的理解产品相对竞品的优缺点。
3.2 中观的产品概览
梳理产品的数据体系，帮助我们了解产品的核心指标，指标现状及波动情况，指标意义和对商业的影响，以及指标和设计之间的关系，确认设计的发力点。
3.3 微观的数据洞察
把握 每个核心功能的使用链路，了解核心链路上的转化率漏斗，帮助我们还原用户的使用场景，思考如何更好的服务用户及用户目标，做出更好的设计。
从宏观到微观，是设计师在心中重塑产品，建立产品设计全局观的过程，在这样的数据视野下，设计师对产品的现状会更加理性和客观。
二、了解设计师常用的数据模型及数据指标
行业里常见的数据模型是 Google's HEART 模型（阿里设计团队在此基础之上迭代了国内更广为运用的5度模型，所以本文也主要为大家介绍5度模型）和 AARRR 模型。
图 7 5 度模型 （图片来自网络）
1. 五度模型
用户体验周期分为 5 个阶段：触达、行动、感知、回访、传播。这 5 个阶段对应的核心目标分别是 吸引度、完成度、满意度、忠诚度和推荐度。
1.1 吸引度
吸引度是指 操作前用户初次接触到这个产品 / 功能时，产品 / 功能能否被用户注意到，并吸引用户的注意和兴趣，进而产生相应的行为。
相关的用户体验数据指标有（但不局限于）知晓率、到达率、点击率、退出率 等。在吸引度层面，最需要设计师分析的是页面 / 功能 / 内容的曝光率和点击率，看设计入口是否达到设计预期。
1.2 完成度
完成度是指在操作过程中，用户能不能完成产品目标对应的操作流程，以及完成目标过程中的操作效率，主要 用户体验数据指标有（但不局限于）首次点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率、操作出错率 等。
在完成度层面，最需要设计师分析的就是核心路径的转化漏斗和用户停留时长，由此可以判断核心链路设计的可用性。
1.3 满意度
满意度是指操作完成后，用户产生的主观感受和满意度，主要 用户体验数据指标有（但不局限于）布局合理性、内容可理解性、操作容易度、界面美观度等方面的主观评价。
满意度数据主要来自于用户定性定量调研，用研团队一般每半年或者一年会进行一次满意度调研，设计师要密切关注满意度调研的高峰和低谷，尽量在后续的设计中填平低谷，拔高峰值。
1.4 忠诚度
忠诚度是指完成一次使用后，用户会不会再次使用此产品，主要用户体验数据指标有（但不局限于） 30 天 / 7 天回访率、不同平台的使用重合率等。
忠诚度和用户留存率密切相关，设计师可根据回访率和用户使用场景，设计合适的触发，提醒用户使用产品。同时借鉴竞品产品的体验优势，转化竞品用户。
1.5 推荐度
推荐度是指用户会不会将此产品推荐给其他人，主要用户体验数据指标：净推荐值（NPS）。
推荐度与满意度类似，也是通过用户定性定量的调研获得。不同之处在于，满意度更多的强调用户自身的使用感受，而推荐度则关乎用户向外的口碑传播。
设计师应 把握口碑传播中的产品优劣势，快速改进劣势，阻断舆论传播，同时不断强化优势，引导用户传播，形成良性的口碑循环。
2. AARRR 模型
AARRR 增长模型出自于增长黑客，又称海盗模型。
AARRR 是 获客（Acquisition）、激活（Activation）、留存（Retention）、收入（Revenue）、传播（Refer），这五个单词的缩写，分别对应用户生命周期中的 5 个重要环节。
2.1 获客
通过一定的推广方式让产品在一些渠道上面得到展现，并使看到展现的用户转化成产品用户。
获客阶段需要 计算产品的推广方式（CAC、CPC、CPT、CPM、CPS、CPA）、推广费用和推广效果，来评估推广渠道的投资回报率（ROI），帮助产品做推广决策。
2.2 激活
把通过渠道引入的用户，转化成产品的活跃用户，提高产品的使用粘性和深度。
激活阶段要 计算产品的核心链路转化率，了解转化瓶颈，并作出对应的设计优化。
2.3 留存
如何让用户不断地使用我们的产品，减少用户的流失，提升用户粘性，让用户无法离开产品。
留存阶段要 结合用户的使用场景，设计合适的触发，提升用户留存率。
2.4 收入
通过一些手段和渠道从用户或者广告方那里获取收益。
收入阶段则要 分析产品的收入方式和收入占比，刺激用户消费频次和消费额度。
2.5 推荐
通过提升产品的竞争力和利益刺激，使用户推荐我们的产品给他的朋友。
推荐阶段则要 结合场景，激励和引导用户分享，带来良性的产品口碑。
图 8 AARRR 模型（图片来自网络）
关于 AARRR 模型，我从网上找到这样一张图，里面标注了每个阶段设计师可以关注的数据指标，如果你在设计中有使用到 AARRR 模型，不妨采用图中的数据指标，对你的设计结果展开分析。
三、学会如何简单的分析数据
在项目团队里，设计师主要是一个利用数据做设计洞察和分析的角色，而非收集、处理、呈现、深度分析、沉淀数据的角色。所以，设计师若能完成以下基本的数据分析，就可以在日常的设计分析中游刃有余。
1.看数据
知道公司有哪些数据平台，分别可以查看哪些数据，能够做到对产品的核心数据指标脱口而出。
知道并且能够看懂 产品的埋点数据表，当对数据释义有疑问时，可以通过查阅埋点数据表，了解数据的真实含义和统计口径；
知道如何查看或下载数据报表中没有的埋点数据，减少对数据分析师的设计依赖，提高设计效率；
2. 算数据
会使用公司的数据平台，如果数据平台支持，可以直接在数据平台中选择简单的数据埋点，完成点击率和转化漏斗的数据计算（更快速和直观）。
如果公司数据平台不够完善，可以用 Excel 完成以下简单的数据计算。
2.1 求数据平均值（ = AVERAGE（单元格范围））
进行数据分析时，为了避免单日数据波动带来的误差，通常会 将一段时间内的数据取平均值作为基础运算基准值。
（我自己取数据时通常会取一周的数据算平均值，而且尽量避开节假日，这样做是为了避免节假日的流量和特殊需求波动带来的影响，也避免工作日和休息日的用户行为差异）
2.2 求数据点击率（ = 点击 PV / 曝光 PV）
这是最基础也最常用的数据运算，就是一个简单的除法。
（注意曝光的 PV 要取对应的点击元素的，而非整体页面的。根据具体情况选择 PV 的点击率或 UV 的点击率）
2.3 会用数据透视表，实现批量计算平均值 / 点击率 / 转化率
一个个的计算数据还是比较麻烦的，透视表可以帮助我们批量计算和呈现想要查看的数据，非常方便快捷。坦白来说，从业多年，虽然一直很关注数据，但我的数据计算就仅仅止步于 Excel 的透视表，基本上可以解决我日常的数据分析需求。如果遇到真的不会计算的数据，可以直接求助于数据分析师，毕竟术业有专攻，我们可以把更多的精力放在数据分析和对设计方案的思考上。
3.分析数据
数据说到底就是一堆数值，知道这些数值并没有意义，有意义的是从这些数值中，提炼自己的洞察，辅助自己的思考，这才是数据真正的价值。
具体如何做数据分析可以参考以下分析脉络：
1、确认分析目标；
2、确认与分析目标相关的数据指标；
3、查看并提取相关数据指标，根据分析目标作出相应的计算；
4、将计算出来的数值做横向 / 纵向 / 分层的对比，寻找数据与竞品 / 历史 / 人群之间差距，并思考如何通过设计的方式，弥补甚至反超这些数据差异。（具体案例可以参考本文第一节）
小结
现在，我们再回顾一下本文的知识要点：
1、明确数据对设计的价值（发现问题、辅助决策、验证设计），建立数据分析的全局观。
2、了解设计师常用的 数据模型（5 度模型和 AARRR 模型）及数据指标，知道数据分析的框架，知道从哪些指标开始入手分析。
3、知道如何进行简单的 数据计算和分析，消除数据学习的未知恐惧感。
最后，补充说一句，对于设计师，会不会数据计算其实不重要，（确实很多设计师，一提到数据计算就头大，但依然可以通过与数据分析师 / 数据产品经理的合作，培养数据设计意识），重要的是具备数据思维，能够从现有的数据中发现问题、辅助决策，验证方案，从而帮助我们做出更理性的决策。
超值课程推荐
原创好文推荐
Web Vitals —— 谷歌的新一代 Web 性能体验和质量指标
想要引导用户行为转化，设计师必须深刻理解这 4 个认知心理学理论
让设计圈一片哗然的 Google 新 logo 到底出了什么问题？国外的设计专家这么说
如何系统的增强用户粘性，提升产品转化率？你要懂得“行为设计学”
设计新趋势「玻璃拟态」到底是什么？这里有一份实现效果的详细教程
如何将设计系统快速的从 Sketch 切换到 Figma？这里有 6 个需要注意的关键点
欢迎大家关注三分设，每天分享优质设计、创意灵感、新知新识，定期大咖老师直播分享，零距离连麦，答疑解惑。
