震惊！设计师也要懂数据分析。

我记得大学里有一门叫做“数据统计与分析”的课程，这让许多理科学生感到困惑。出乎意料的是，毕业后，工作和生活无处不在。例如，一个页面显示100次，一个按钮显示50次，单击10次。这个按钮的转换率是10%还是20%？a股100元先跌了5%，又涨了5%，还是开始价吗？保额50万的大病保险:一种是保费3400元到70岁，另一种是保费6000元到30年。90年出生的年轻人应该选择哪一个？提示有些问题从不同的角度思考，可能会有不同的答案。设计累了的同学可以换脑子思考。本文主要介绍了设计师在支持业务过程中可能遇到的数据分析场景、思路和方法，希望能给大家带来启发。首先介绍数据分析的目标和用途。一般来说，它主要用于发现和解决问题。在设计书中使用较多的情况有：宏观了解产品/功能性能，判断产品/功能的重要性或优先级，如流量指标UV、PV等；测量产品/功能的转换能力，在产品改版之初或之后观察关键转换指标，如点击率CTR、链接转换率等，评估产品整体性能是否符合预期；探索问题，指导设计。在设计之初，可以在关键转化指标的基础上进一步拆解，分析影响关键指标的因素。通过观察这些影响因素的数据性能，可以判断产品/功能模块是否有持续优化的空间。在上述三种情况下，只有指导设计的分析过程看起来有点复杂。它基本上包括对前两种情况的分析。以下重点介绍了第三种情况下的数据分析思路。在确定目标之初，首先要明确数据分析的目的，这个目标最好是可量化验证的。例如，发布修改的目标是提高发布成功率还是提高发布字段的填写率，从而丰富信息显示？两个目标的数据分析过程完全不同，甚至结论可能是两个相反的设计方向。有些产品可能需要两个目标来实现。此时，设计师需要考虑两个目标，必要时在冲突的设计点进行权衡。问题预设明确总目标后，需要在总目标的基础上拆解，分析影响目标的因素和改进空间。这个过程就是问题预设。拆卸目标和分析可能性的方法有很多。列出一些供您参考和交流：1。根据时间顺序，列出用户从一开始到实现目标的关键点，即任何可能导致用户流失的接触点，逐一列出并绘制成转换漏斗。转换漏斗本身可以作为预设问题。此外，影响转换漏斗的问题也可以在转换漏斗的基础上发散进行验证。作者使用了更多的这种方法，它在清晰的解决过程需求中更加清晰，可以系统地列出每个转换环节的情况。2.头脑风暴组织头脑风暴，往往会散发出更有可能的问题预设，成员之间的思维碰撞，相互启发，也会带来很多新的想法。组织头脑风暴的方法有很多，本文篇幅有限，就不赘述了。3.用户研究也可以通过用户访谈或可用性测试等研究方法收集到许多问题。通过数据分析定量验证问题的概率和影响后，优先考虑频繁、影响用户数量大的问题，效果更直接、更高效。有些问题的影响难以通过数据量化，可以考虑通过问卷调查验证；如果时间和资源太晚，也可以根据经验判断，设计简单的在线验证方案，如果测量目标的核心指标改进，预设问题的方向正确。4.专家走查成立专家组进行问题走查，也被广泛使用。可以设置几个典型的任务，带任务进行步行检查。作者建议用户分层，每种用户随机选择几个用户的行为路径，专家恢复真实场景，使检查问题可能更真实。请注意，问题的预设环节在于发散，可以考虑可能影响目标的因素。此外，如果存在许多发散问题，导致验证工作量大，也可以根据经验判断预设问题对目标的影响，并按优先级进行排序和验证。根据预设的问题确定数据指标，确定测量问题的数据指标。由于历史原因、技术实现成本等，并非所有的数据指标都适合观察。因此，要衡量同一个问题，可能需要发散多种思路进行验证。例如，在分析表单产品时，目标是提高表单的转换率，预设问题是每个表单控制器都可能有填充障碍。测量控制器是否有填充障碍，可以有以下想法：统计表错误率，了解用户遇到哪些障碍，可以有针对性地优化；观察用户填写单个控制器的时间，判断控制器是否有填充障碍，是否需要进一步优化；表格提交时哪些控制器填写率低，也可能是填写体验差、影响转换的原因；统计表格填写失败，哪些控件填写率低，表格中排名靠前的控件，很可能是填写体验差，影响转换的原因。有许多数据指标，每种产品的指标也会有所不同，难以穷举，观察哪些指标需要具体分析。数据指标很多，每种产品的指标都会不一样，很难穷举。观察哪些指标需要具体分析。列出几个常用的参考:点击率，CTR、链接转换率的使用时间和使用时间。需要注意的是，确定与业务目标和预设问题一致的相关数据指标。确定是否需要拆分维度，如根据业务、用户类型等。建议确定较低成本的数据观测方法，以确定数据指标是否可观察或易观察。一般来说，如何验证预设问题可以与更专业的产品经理或数据分析师讨论。设计师可以积极参与这个过程。一方面，它可以帮助团队发散更多的想法，另一方面，理解数据分析过程有助于发散设计解决方案。一般来说，可以有更专业的产品经理或数据分析师来收集数据。设计师可以了解数据收集的过程和可能影响结论的因素，并尽量避免风险，获得准确可靠的数据。1.数据观测时长：根据产品特性，定期波动的数据可以以波动周期的整数倍为观测时长。以周为周规律波动，以周为单位观察，一般为一周至两周。由于数据波动大，影响因素不确定，尽量避免在节假日、活动期间、淡季和旺季切换周期内观察数据得出结论。2.数据观察方法:如果要做数据比较，确定比较方法，AB测试和修订前后比较，确保选择准确性和可行性好的方法。如果你想做AB测试，你需要避免同时做多个AB测试。此外，流量比也可能影响结果。一般使用50%：流量比例为50%。若采用改版前后对比的方式，则需在产品性能稳定的时间周期内，避免在旺季淡季变化周期内观察。不建议这样比较，影响因素很多，很难得出更准确的结论。3.数据量级估计：样本量：一是具有代表性，一般数据统计采用全样本，无此类问题；部分研究数据需要手动处理，选择部分数据进行分析，需要选择数据占总数据量的一定比例，二是样本基础足以解释问题，量级太低，结果波动过大，可以提高量级或延长观测周期，然后得出结论，否则就没有可信度了。转换量：在样本基数足够的基础上，如果转换量级过低，转换率波动较大，导致数据不准确，可信度低。转换量：在样本基数足够的基础上，如果转换量级过低，转换率波动较大，导致数据不准确，可信度低。此时，我们应该考虑放弃观察转换率，寻找其他方法。数据分析收集数据后，根据设定的数据指标进行数据统计，此时可使用数据透视表、可视化数据图表等。专业的数据分析方法有很多，设计师掌握求和（SUM）、求平均值（AVERAGE）两种基本公式，以及饼图、柱形图、条形图、折线图、散点图等几种可视化图表，应该就够了。需要注意的是，如果需要比较，一般使用比率进行比较，不需要直接比较绝对值，以消除变量的影响。比较率的结果是变化率，变化率算法是(新版比率-旧版比率)/旧版比率×100%。有些数据的初始值处于较低水平，比较变化率可能很高，所以需要看绝对值和变化率。特殊数据处理:一般数据处理有清洗环节，问卷数据清洗多涉及设计侧，其他情况少涉及，不单独讨论。然而，由于特殊节假日和运营活动，一些数据偶尔会波动异常。最好避免这种情况。如果遇到这种情况，可以删除这部分特殊数据进行分析，也可以分两部分进行分析。与正常数据和特殊数据相比，可能会有新的结论。例如，在运营活动期间，流量可能会相对较高，但由于新用户的准确性可能较差，转化率将明显低于平时。得出结论，由于前期对目标和问题的分析比较清晰，数据统计出来后，有些结论呼之欲出。有些人需要根据经验来判断数据变化是否在预期范围内。例如，该指标的历史变化范围是什么？历史上或现在类似产品的范围是什么？最近的修改或各种影响因素是否足以影响数据的巨大变化？如果数据超出预期，可能的原因是什么？是否合理？对于AB测量的数据，需要进一步考虑数据差异是否明显。在分析过程中，需要考虑数据波动是否符合规律或一致性。一些类型的新方案刚刚推出，转型将显著改善。在这种情况下，如果转换改进的程度与方案不对应，就很难用理论来解释改进的原因。此时，建议观察数据趋势是否发生了变化。如果转换随着时间的推移呈现出不可挽回的下降趋势，原因可能是用户需要适应新方案的过程，可能会因为新鲜感、好奇心或不熟悉而反复点击。这种情况的处理方法是在线观察一段时间，然后在数据稳定时进行分析，得出结论。结论表明，虽然文章的标题名称是数据分析，但内容更注重如何在设计过程中通过数据挖掘问题，以及在数据分析中遇到的问题的解决方案。以上是笔者从以往项目交互设计中总结出来的经验和方法，希望能给设计师带来启发。欢迎有疑问的读者留言讨论。