作為一枚設(shè)計(jì)小萌新，對(duì)上述場(chǎng)景，是否似曾相識(shí)呢？此些尷尬的情況，也映射出了不少問題：數(shù)據(jù)化設(shè)計(jì)意識(shí)薄弱，數(shù)據(jù)基礎(chǔ)知識(shí)模糊，缺乏系統(tǒng)的體驗(yàn)評(píng)估模型和度量方法等等。

那么，我們?cè)搹哪男┚S度進(jìn)行數(shù)據(jù)分析呢？數(shù)據(jù)的基礎(chǔ)知識(shí)又有什么呢？常見的數(shù)據(jù)分析方法又有哪些？諸位看官抓好扶好，入門版航班即將起飛，讓我們一起走進(jìn)數(shù)據(jù)的世界，掌握一定的數(shù)據(jù)分析能力，告別“我要我覺得”的任性決策。

增量尚不明確，存量博弈的下半場(chǎng)，都以去肥增瘦的方式，宣告著精細(xì)化運(yùn)營(yíng)的時(shí)代到來(lái)，似乎也對(duì)設(shè)計(jì)師同學(xué)提出更高專業(yè)的要求。數(shù)據(jù)意識(shí)作為能力象限中的某個(gè)小瓦塊，雖然細(xì)微，但也是專業(yè)輸出的切入點(diǎn)。

在面對(duì)產(chǎn)品功能迭代、用戶行為分析、日常監(jiān)測(cè)、設(shè)計(jì)決策以及效果評(píng)估等等問題時(shí)，單純的從視覺維度進(jìn)行推導(dǎo)，會(huì)稍顯單薄。而基于客觀數(shù)據(jù)的分析，可以更科學(xué)準(zhǔn)確的輔助我們進(jìn)行決策。

所謂的“數(shù)據(jù)指標(biāo)”，簡(jiǎn)單來(lái)說(shuō)就是可將某個(gè)事件量化，且可形成數(shù)字，來(lái)衡量目標(biāo)。在一定程度上，“數(shù)據(jù)指標(biāo)”能揭示出產(chǎn)品用戶的行為和業(yè)務(wù)水平狀況。

目前市面上的產(chǎn)品種類繁多，大致都圍繞“用戶是誰(shuí)、做了何事、結(jié)果如何”進(jìn)行歸納整合，分別對(duì)應(yīng)著用戶數(shù)據(jù)、行為數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)三類指標(biāo)。

用戶數(shù)據(jù)：包含存量、增量、留存及渠道來(lái)源四類

1. 存量：反映某一時(shí)間段內(nèi)活躍的用戶數(shù)。以日活（DAU）、周活（WAU）、月活（MAU）維度進(jìn)行統(tǒng)計(jì)。其中，Active需以關(guān)鍵用戶的自發(fā)行為來(lái)進(jìn)行定義，常見的動(dòng)作有登錄、瀏覽內(nèi)容等。

2. 增量：一般用新增用戶數(shù)來(lái)反映，同樣分為日新增（DNU）、周新增（WNU）、月新增（MNU）三類統(tǒng)計(jì)維度。其中，增量的定義相對(duì)模糊，需提前與渠道確認(rèn)好新增指標(biāo)，建議根據(jù)內(nèi)部的賬號(hào)體系進(jìn)行指標(biāo)的取舍，選擇新增注冊(cè)用戶還是新增設(shè)備數(shù)。

3. 來(lái)源：用戶從何而來(lái)，包含自然搜索、產(chǎn)品導(dǎo)流、好友邀請(qǐng)等多種渠道。結(jié)合不同渠道用戶的數(shù)據(jù)表現(xiàn)，可以指導(dǎo)后續(xù)的推廣方案。

4. 留存：通過(guò)留存率來(lái)評(píng)判產(chǎn)品的健康程度，表示新用戶在一定時(shí)間段內(nèi)，某些行為重復(fù)發(fā)生的比率。其中，日留存和月留存的評(píng)判分析作用又有所不同：

• 日留存：作為衡量用戶渠道質(zhì)量的重要依據(jù)，如老王的公眾號(hào)在站酷、知乎、微信群進(jìn)行導(dǎo)流宣傳，通過(guò)分析不同渠道的用戶留存表現(xiàn)，從而優(yōu)化受眾用戶的投放來(lái)源。

• 月留存：作為用戶粘性的重要判斷，通過(guò)指標(biāo)來(lái)分析產(chǎn)品對(duì)用戶是否長(zhǎng)期有吸引力。也可用作產(chǎn)品上新后，功能迭代是否符合預(yù)期的判斷依據(jù)。

行為數(shù)據(jù)：記錄用戶使用產(chǎn)品的相關(guān)行為，可包含行為質(zhì)量（訪問深度、轉(zhuǎn)化率、跳出率、用戶停留時(shí)長(zhǎng)）與數(shù)量（次數(shù)、頻率、點(diǎn)擊率、訪問時(shí)長(zhǎng)）兩維度

1. 訪問深度：用戶單次瀏覽頁(yè)面的過(guò)程中，瀏覽了頁(yè)面的數(shù)量越多，表示用戶訪問深度越深，產(chǎn)品粘性較好。

2. 轉(zhuǎn)化率：指在一個(gè)統(tǒng)計(jì)周期內(nèi)，完成轉(zhuǎn)化行為的次數(shù)占總訪問次數(shù)的比率。轉(zhuǎn)化率=(轉(zhuǎn)化次數(shù)/點(diǎn)擊量)×100%。如在電商、理財(cái)?shù)犬a(chǎn)品中，轉(zhuǎn)化率是衡量產(chǎn)品優(yōu)秀與否的重要指標(biāo)之一。

3. 跳出率：訪問了單個(gè)頁(yè)面的用戶占全部訪問用戶的百分比，可用來(lái)衡量訪問質(zhì)量，高跳出率通常表示內(nèi)容或體驗(yàn)與用戶目標(biāo)脫節(jié)。

4. 停留時(shí)長(zhǎng)：用戶游逛的時(shí)間長(zhǎng)度，需要區(qū)分對(duì)待內(nèi)容消費(fèi)與工具效率場(chǎng)景，高停留時(shí)長(zhǎng)并非全是正向反饋。

5. 次數(shù)：包含頁(yè)面訪問次數(shù)（PV）和用戶訪問次數(shù)（UV），通過(guò)頁(yè)面或者用戶作為計(jì)數(shù)單位，但需進(jìn)行相應(yīng)數(shù)據(jù)去重，保證數(shù)據(jù)的真實(shí)性。

6. 點(diǎn)擊率：CTR（Click-Through-Rate）即點(diǎn)擊通過(guò)率，某一內(nèi)容被點(diǎn)擊的次數(shù)與被顯示次數(shù)之比，CTR是衡量互聯(lián)網(wǎng)廣告效果的一項(xiàng)重要指標(biāo)。影響用戶點(diǎn)擊的因子較多，作為入口級(jí)內(nèi)容，卻具備較大的設(shè)計(jì)發(fā)揮空間，可通過(guò)信息的布局與核心利益點(diǎn)的外化，實(shí)現(xiàn)行為號(hào)召（Call to Action）

業(yè)務(wù)數(shù)據(jù)：產(chǎn)品在商業(yè)化過(guò)程中，對(duì)業(yè)務(wù)結(jié)果的貢獻(xiàn)程度，如總成交量、人均消費(fèi)金額、消費(fèi)人數(shù)、續(xù)費(fèi)率、用戶周期價(jià)值等

1. 總成交量：GMV（Gross Merchandise Volume）屬于電商平臺(tái)企業(yè)成交類指標(biāo)，主要指訂單的總金額，包含付款與未付款兩部分

2. 人均消費(fèi)金額：ARPU（Average Revenue Per User）即每用戶平均收入。這個(gè)指標(biāo)計(jì)算的是某時(shí)間段內(nèi)平均每個(gè)活躍用戶為應(yīng)用創(chuàng)造的收入。

3. 續(xù)費(fèi)率：指的是在訂閱期結(jié)束時(shí)，選擇續(xù)費(fèi)的用戶占所有應(yīng)續(xù)費(fèi)用戶的百分比

4. 付費(fèi)率：付費(fèi)用戶占活躍用戶的比例。

5. 用戶周期價(jià)值：LTV（life time value）是產(chǎn)品從用戶獲取到流失所得到的全部收益的總和，當(dāng)LTV大于平均獲客成本和后續(xù)的運(yùn)營(yíng)成本時(shí)，產(chǎn)品獲得凈收益。

對(duì)上述數(shù)據(jù)類別有所了解之后，我們?cè)诿鎸?duì)紛紜復(fù)雜的應(yīng)用類型與數(shù)據(jù)概念時(shí)，到底該怎么選取合適的指標(biāo)進(jìn)行衡量和分析呢？接下來(lái)，讓我們進(jìn)入下一個(gè)知識(shí)點(diǎn)-指標(biāo)建模。我們大致可以按照以下方法進(jìn)行關(guān)鍵指標(biāo)的選取。

① 明確業(yè)務(wù)的最終目的；

② 判斷業(yè)務(wù)模塊所屬類型；

③ 根據(jù)模塊類型選擇數(shù)據(jù)指標(biāo)；

① 明確業(yè)務(wù)的最終目的

任何產(chǎn)品都有其商業(yè)或生存目的，且通常會(huì)使用一些支撐手段的工具、或是支撐手段的手段來(lái)達(dá)成目的。我們以“設(shè)計(jì)軟件-Figma”為例，進(jìn)行業(yè)務(wù)目的與手段的拆解。

1. 目的：Figma 是一個(gè)基于瀏覽器的協(xié)作式 UI 設(shè)計(jì)工具，其最終目的是完成商業(yè)變現(xiàn)，讓更多用戶付費(fèi)購(gòu)買。

2. 手段：為達(dá)成這一目標(biāo)，而采用基于web的模式這一手段，極大的方便了團(tuán)隊(duì)協(xié)作辦公的需求，繼而備受青睞，普及率節(jié)節(jié)攀升。

3. 支持手段的工具：此外，借助開源的插件及完善的組件功能，為設(shè)計(jì)創(chuàng)作者提供更便捷的工具支持。

② 判斷業(yè)務(wù)模塊所屬類型

在從業(yè)務(wù)的最終目的出發(fā)，梳理業(yè)務(wù)模塊后，可進(jìn)一步的拆解該業(yè)務(wù)模塊的具體類型。為方便理解，可以按照產(chǎn)品價(jià)值，將功能模塊分為4種類別：工具、內(nèi)容瀏覽、社區(qū)、交易。

1. 針對(duì)本身自帶價(jià)值屬性的產(chǎn)品，按照幫助用戶節(jié)省時(shí)間和消磨時(shí)間可分為：

工具類：剪映、輕顏相機(jī)、飛書文檔及翻譯查詞等
內(nèi)容瀏覽類：各類圖、文、音視頻體裁的消費(fèi)內(nèi)容，如短視頻、喜馬拉雅、知乎等

2. 另一類產(chǎn)品本身不產(chǎn)生價(jià)值，通過(guò)自身的平臺(tái)屬性來(lái)連接資源，同樣按照幫助用戶節(jié)省時(shí)間和消磨時(shí)間可分為：

社區(qū)類：小紅書、即刻、微博等
交易類：電商板塊、會(huì)員付費(fèi)板塊以及直播打賞充值等

③ 根據(jù)模塊類型選擇數(shù)據(jù)指標(biāo)

按照時(shí)間與價(jià)值維度，將產(chǎn)品劃分為4類模塊，每類都有各自需要核心關(guān)注的指標(biāo)要素

下面對(duì)4種分類的功能模塊，分別介紹如何選取指標(biāo)體系

1. 工具類：通過(guò)產(chǎn)品達(dá)成個(gè)人目標(biāo)，高頻的使用行為，可以培養(yǎng)用戶的固定習(xí)慣。因而可主要關(guān)注使用量、目標(biāo)達(dá)成率、頻次數(shù)據(jù)指標(biāo)。（示例：剪映）

2. 交易類：以詳情頁(yè)作為用戶購(gòu)買動(dòng)機(jī)的誘因，實(shí)現(xiàn)付費(fèi)轉(zhuǎn)化。倘若能多次反復(fù)的購(gòu)買商品或服務(wù)，整體轉(zhuǎn)化效果更佳。因而，可選取詳情頁(yè)轉(zhuǎn)化率、客單價(jià)、復(fù)購(gòu)率作為衡量指標(biāo)。（示例：百度網(wǎng)盤）

3. 內(nèi)容瀏覽類：用戶是否已獲得更優(yōu)質(zhì)的內(nèi)容，愿意投入更多的時(shí)間瀏覽內(nèi)容，并能觸發(fā)與內(nèi)容的互動(dòng)行為。因而可選取瀏覽數(shù)、瀏覽廣度、瀏覽時(shí)長(zhǎng)和互動(dòng)行為作為衡量指標(biāo)。（示例：快手）

4. 社區(qū)類：社區(qū)環(huán)境主要受人與內(nèi)容、以及人與人之間的關(guān)系影響。鼓勵(lì)用戶發(fā)布內(nèi)容，以創(chuàng)造的內(nèi)容來(lái)吸引其他用戶產(chǎn)生共鳴，從而進(jìn)行內(nèi)容創(chuàng)造與互動(dòng)行為。因而，可選取發(fā)布量、互動(dòng)量、用戶間的關(guān)系密度作為衡量指標(biāo)。（示例：即刻）

在產(chǎn)品迭代發(fā)展的過(guò)程中，掌握有效的數(shù)據(jù)分析方法，能讓冰冷客觀的數(shù)據(jù)鮮活起來(lái)，為決策提供判斷依據(jù)。接下來(lái)，就給大家推薦兩類高頻數(shù)據(jù)分析方法，請(qǐng)注意查收。

AARRR模型

由Dave McClure 2007提出的客戶生命周期模型，可以幫助大家更好地理解獲客和維護(hù)客戶的原理。其核心為AARRR漏斗模型，對(duì)應(yīng)著實(shí)現(xiàn)用戶增長(zhǎng)的5個(gè)指標(biāo)：

1. 獲取(Acquisition)：用戶如何發(fā)現(xiàn)（并來(lái)到）你的產(chǎn)品？

2. 激活(Activation)：用戶的第一次使用體驗(yàn)如何？

3. 留存(Retention)：用戶是否還會(huì)回到產(chǎn)品（重復(fù)使用）？

4. 收入(Revenue)：產(chǎn)品怎樣（通過(guò)用戶）賺錢？

5. 傳播(Refer)：用戶是否愿意告訴其他用戶？

我們?cè)谶M(jìn)行數(shù)據(jù)分析的時(shí)候，應(yīng)該考慮用戶正處于AARRR模型的哪個(gè)部分、關(guān)鍵數(shù)據(jù)指標(biāo)是什么、對(duì)應(yīng)的分析方法又是什么？

漏斗分析

科學(xué)反映用戶行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)化率情況，是一種重要的分析模型。廣泛應(yīng)用于網(wǎng)站和App用戶行為分析的流量監(jiān)控、電商行業(yè)、零售的購(gòu)買轉(zhuǎn)化率、產(chǎn)品營(yíng)銷和銷售等日常數(shù)據(jù)運(yùn)營(yíng)與數(shù)據(jù)分析的工作中。

例如：在完成電商購(gòu)物行為時(shí)，共包含瀏覽選擇、查看詳情、添加購(gòu)物車、生成訂單、支付等環(huán)節(jié)。通過(guò)監(jiān)控用戶在流程上的行為路徑，漏斗能夠展現(xiàn)各個(gè)環(huán)節(jié)的轉(zhuǎn)化率，直觀地發(fā)現(xiàn)和說(shuō)明問題所在，更快定位出某個(gè)環(huán)節(jié)的具體問題。

除了需要了解分析方法之外，還需要提防以下數(shù)據(jù)分析常見謬誤，避免落入陷阱之中，從而做出錯(cuò)誤的決策。

1. 數(shù)據(jù)偏?

在分析數(shù)據(jù)時(shí)受個(gè)?偏?和動(dòng)機(jī)的影響，即僅選擇?持你聲明的數(shù)據(jù)，同時(shí)丟棄不?持聲明的部分?！皵?shù)據(jù)偏?”將讓數(shù)據(jù)的客觀性蕩然?存。 避免這種謬誤的?法是在分析數(shù)據(jù)時(shí)，盡可能收集相關(guān)數(shù)據(jù)，并詢問他?意?。

2. 采樣偏差

在做抽樣分析時(shí)，選取的樣本不夠隨機(jī)或不夠有代表性。例如，互聯(lián)網(wǎng)圈的人極少會(huì)使用PDD，為何該應(yīng)用還會(huì)有這么好的市值表現(xiàn)？

3. 因果相關(guān)謬誤

將兩個(gè)同時(shí)發(fā)生的事件，判斷為因果關(guān)系，忽略了其中間變量。例如，隔壁老王生了個(gè)孩子，同時(shí)種了一棵樹。孩子和樹都隨著時(shí)間的推移而長(zhǎng)高，在一定時(shí)間內(nèi)，如果使用相關(guān)性分析，可以得出這兩個(gè)變量具有相關(guān)性。然而我們都很清楚，孩子長(zhǎng)高和樹長(zhǎng)高之間，并不具有因果關(guān)系。

4. ?普森悖論

即在某個(gè)條件下的兩組數(shù)據(jù)，分別討論時(shí)都會(huì)滿足某種性質(zhì)，可是一旦合并考慮，卻可能導(dǎo)致相反的結(jié)論。避免“辛普森悖論”給我們帶來(lái)的誤區(qū)，就需要斟酌個(gè)別分組的權(quán)重，以一定的系數(shù)去消除以分組資料基數(shù)差異所造成的影響。

5. 定義謬誤

在看某些報(bào)告或者公開數(shù)據(jù)時(shí)，經(jīng)常會(huì)有人魚目混珠?！妇W(wǎng)站訪問量過(guò)億」，是指的訪問用戶數(shù)還是訪問頁(yè)面數(shù)？

6. 比率謬誤

談?wù)摯祟愋椭笜?biāo)時(shí)，都需要明確分子和分母是什么。另一方面，在討論變化的百分比時(shí)，需注意基數(shù)大小。如小王和小劉體重都上漲了10%，但二者的體重基數(shù)分別為60kg、90kg。

文章來(lái)源：站酷   作者：美工李大強(qiáng)



分享此文一切功德，皆悉回向給文章原作者及眾讀者.

免責(zé)聲明：藍(lán)藍(lán)設(shè)計(jì)尊重原作者，文章的版權(quán)歸原作者。如涉及版權(quán)問題，請(qǐng)及時(shí)與我們?nèi)〉寐?lián)系，我們立即更正或刪除。

藍(lán)藍(lán)設(shè)計(jì)( www.bouu.cn )是一家專注而深入的界面設(shè)計(jì)公司，為期望卓越的國(guó)內(nèi)外企業(yè)提供卓越的UI界面設(shè)計(jì)、BS界面設(shè)計(jì) 、 cs界面設(shè)計(jì) 、 ipad界面設(shè)計(jì) 、 包裝設(shè)計(jì) 、 圖標(biāo)定制 、 用戶體驗(yàn) 、交互設(shè)計(jì)、 網(wǎng)站建設(shè) 、平面設(shè)計(jì)服務(wù)