“凭什么说你的方案有效果？”
“讲了一堆你觉得，有客观依据么？”
是不是很想有理有据的把数据分析甩出来？
行！那今天就来介绍设计的数据分析思路，为你的方案增添10分说服力！
谁不想摸鱼呢？可真的用不上呀！
产品或运营的数据报表多是从本职业能影响的范畴出发，去分析产品策略、渠道投放、运营手段等对整体大盘的影响。给出的数据要么和设计无甚相关，例如渠道的投入产出比，要么更偏向整体效果，无法探究设计方案的作用，例如参与人数、整体留存等。这样的数据，无法论证设计方案的影响效果，也就无法形成有效沉淀。
所以，数据分析，还是要自己做！
如果你知道哪些设计会影响最终数据指标，知道如何拆解成与设计相匹配的小指标，会通过数据看出问题或机会，那么这就叫会设计数据分析。
简单点，如果你曾被以下问题困扰过，那么下面的内容可要看仔细了~
1、我是根据产品目标来做设计的，但我没办法证明方案是怎么影响总指标的？
2、收到数据图表，但看不出这和我的设计有什么关系？
3、得到一组多维数据，可怎么看结论都只有比大小？
本篇文章将遵从数据分析的三大步骤“拆解—埋点—分析”，从设计视角进行讲解和案例探讨。
Step1：数据拆分
问题：我是根据产品目标来做设计的，但我没办法证明方案是怎么影响总指标的？
诊断：除了总目标，不知道还能如何验证。属于数据拆分的问题。
1、怎么拆？
拆分数据是大化小的过程，宗旨是可以将终点数据拆分成过程数据、细节数据。以下为两个基础拆分思路：
1）构成法
【适用范围】有多维平行影响因素构成的数据，通常有固定公式的都属于该类。
【案例】商品交易总额GMV、用户终身价值LTV等。
2）行为路径法
【适用范围】总指标是“后置数据”，会受到一系列的“前置因素”影响。
【案例】用户留存。
在实际使用中，“构成法”和“行为路径法”通常是交叉叠加使用的。
例如，为电商的年终大促做活动设计，总指标为GMV（商品交易总额）。
第一步：通过“GMV=点击UV*转化率*平均客单价”的一般公式，可拆出3个二级指标——“SKU点击UV”、“转化率”、“平均客单价”。但这3个指标并不能直接指向设计，需要继续拆分。
第二步：“SKU点击UV”对照用户行为，即用户“进入活动页面—看到页面上的“商品橱窗”—点击陈列的SKU”。依照该行动顺序，可以找到对应的设计模块。“进入活动页面”转化为“活动入口点击率”；“看到页面上的商品橱窗”转化为“模块曝光率”；“点击陈列的SKU”转化为“模块的SKU点击率”。
到此，指标已拆分至与设计直接相关的数据，我们可以通过数据的表现，发现设计效果是否达到预期。
如果不满足于问题的发现，还想继续探讨如何设计效果更好，则需要通过对影响因素进行拆分，例如影响SKU点击的设计因素有位置、大小、动效、商品信息等等，通过AB测的方式，来找到设计更优的解法。
2、概括模型
以上思路可以概括为：UJM+OSM模型。该模型非常通用，和做设计的思路一致，会设计就会拆数据。
3、应用思考
案例：一款雇主招聘产品，为有更好的招聘效果，鼓励雇主在活动期间多查看简历、与应聘方沟通。那么“招聘效果”可以用哪些数据表示呢？
x-_p-_o-[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]-o_q-_-x
x-_p-_o-[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]-o_q-_-x
x-_p-_o-[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]-o_q-_-x
实际案例更为复杂多元，以上仅为大致的思考思路，并不代表标准答案。
问题：收到数据图表，但看不出这和我的设计有什么关系？
诊断：没有办法对应数据和方案的关系。属于数据埋点的问题。
设置埋点的目标，是在设计方案中找到可以表达你所需指标的数据。是用户在页面上的行为形成了数据，我们需要做的是确认哪些行为可以表达数据，然后对行为进行统计。接上个例子，“模块的SKU点击率”=模块的UV点击数/模块展示UV，因此埋点数据是“模块的UV点击数”和“模块展示UV”。
2、概括
这里归纳一些通用数据供参考。
以上数据收到后还需进行分析，才能所发现的目标。仅仅展示这些数据并不能叫做数据分析哦~
Step3：数据分析
问题：得到一组多维数据，可怎么看结论都只有比大小？
诊断：缺乏关联分析思维。属于数据分析的问题。
通过数据埋点得到多个单一数据，对单一数据进行不同角度的计算，再结合设计得出的结论，就是数据分析。
如果对数据具备充足的设想，这一步仅仅是简单的计算和推理工作。但在实际中，往往会因为前期的思考不足，拿到数据后只会比大小。
1、如何找到分析角度？
分析就是找特征，以及造成特征的原因。因此，大小只是表象，大小必须和其他因素关联才是分析。以最常见的“比大小的思路”为起点，横纵拓展思路：
2、案例应用
应用案例：C端招聘-留存数据分析
一款面对求职者的招聘产品，在节日期间开展活动，活动目标是通过任务奖励，引导用户产生和求职相关的行为。
已有数据：
其他数据：活动整体次留、产品次留。
依照上述思路：
1）比大小
A 同期比较：
抽取以上数据并制作新表，观察可得以下三点。
Q1. 两类用户中哪类的次留表现更好？（人群性）
从整体数据看，“完成任务的用户”相比仅“参与的用户”，次留率明显更高。
Q2. 两类用户与活动整体留存相比表现如何？（事件性）
活动整体次留率为8%，“参与任务用户”和“完成任务用户”次留均高于整体次留。说明与任务相关的用户次留表现更好。
Q3. 两类用户与产品整体留存相比表现如何？（事件性）
活动期间整体产品的次留率为25%，通过数据可知：“参与3个任务及以上”、“完成1个任务及以上”的用户，可达或超越平台次留数据。
而这两部分用户占比活动用户数量极少，也侧面印证了活动次留低于产品同期次留的结论。说明该活动的内容或策略未达用户预期，可能是活动目标与用户使用产品的目标不一致，也可能是奖励吸引力不足。
B 不同期比较：
Q1. 当前活动数据对比往期相同数据，是否有变化？（时间性）
方法参考以上，此处不再举例。
2）看趋势
A 从参与任务数、完成任务数视角看：
Q1. 任务数与留存提升幅度之间有什么发现？
从留存提升效率看，“参与2个任务”到“参与3个任务”，留存提升最快（17.75%），其次是“参与3个任务”到“参与4个任务”（12.1%）；考虑到“完成所有任务”（7个任务）的基数过小，排除“完成6个任务”到“完成7个任务”外，“完成2个任务”到“完成3个任务”，留存提升最快（24.26%），其次是“完成1个任务”到“完成2个任务”（17.64%）。
因此，尽量让用户从“参与2个任务”提升到3到4个、从“完成1个任务”提升成2到3个，对提升留存效率最高。
B 从日期来看：
Q1. 两类用户留存变化与活动留存有什么关系？
以“完成1个任务的用户”留存为例，看转化与留存的关系：“用户活动次留”与“完成1个任务的用户次留”随时间变化趋势相近。说明转化与留存存在一定的正相关关系。
Q2. 活动期间，次留如何变化？
次留随时间呈现缓慢下降趋势，但基本维持在7-8%之间。结合该活动过程中无其他事件或策略来中途拉升留存，判断3周的活动对用户的留存效果相对稳定。
同理，如果在长期次留走势中发现有突然下降或提升的点，可以参考该时间段内是否有其他事件发生，这是一种寻找留存和事件关系的方式。
3）看分布
Q1. 参与、完成任务人数分布占比有何特点？对后续策略有何启发？
从参与不同任务数的人数分布看，参与1个任务的占比最高，达39.00%，远高于其他参与任务数。
从完成不同任务数的人数分布看，完成1、2个任务占比最多，二者相加占比达67.67%。
结合“任务数与留存提升幅度”的结论推理可得：如想整体活动的留存率提升，需要关注占比较大的“参与1个任务的用户”、“完成1、2个任务的用户”。且这两部分人群占比大，针对其进行专门设计，可以有效影响活动整体的留存。
Q2. 转化与次留随时间如何变化？有何发现？
此处转化指完成任务。根据趋势图可看出：
完成1-3个任务的用户，次留随时间有所变化，但稳定；
完成4-6个任务的用户，次留随时间变化有明显下降趋势，尤其是活动开启一周后；
完成7个任务（全部任务）的用户，次留基本不随时间产生变化。
以此可得，“完成1-3个任务的用户”和“完成全部任务的用户”，在当前无任何中途拉升次留的情况下，再次访问的意愿基本不变。但完成4-6个任务的用户，则需要在活动开启一周后采取其他留存措施来帮助稳定留存。
以上就是设计数据分析的基本思路，希望可以帮助大家建立基本的分析意识，面对数据不再迷茫。不过，对数据的敏感度并非一朝一夕可以形成，今后也需要大家在具体案例中有意识的练习哦~
? 一起聊设计 ?♂️
高质量，学知识的设计行业群
设计行业一手资料
设计大厂最直接内推
定期大咖直播
0门槛扫码进群！
期待与更多优秀设计师一起成长?
本篇文章来源于微信公众号:58UXD
