如何建立以数据为导向的设计体系？

第114篇原创文章

今年的第2篇原创

本文内容为如何建立以数据为导向的设计体系。大纲如下：

1、以数据为导向的意义

2、数据指标

3、数据分析方法

4、模型建立

5、数据验证

 1、以数据为导向的意义 

1、可视化

用户行为可视化，可清晰的了解整体/个体用户的行为。

如下图所示，通过Google Aanalytic 网站可清晰的掌握平台整体流量的来源，用户群体路径行为轨迹，这可以让设计师/产品经理清晰地了解到平台的用户行为轨迹和用户人群的操作习惯。

也可以清晰地了解每个用户的操作行为路径。如下图所示：

2、可追踪

可追踪产品任何一个时间段的数据，了解整体数据的变化。

如下图所示：通过曲线变化，可看出产品日活跃的变化，通过变化前后的节点可得到产品发生大变化的时间节点。

3、可验证

前期提供数据支持和后期方案的验证。

例如下图，通过优化产品界面的购买按钮，通过对比前后数据，看设计改版是否成功。

下图的固定产品的购买按钮点击率从6.4%提升到了9.8%，涨幅53.1%，由于涨幅大于0，同时没有外部其他因素影响数据变化，所以可得出结论，这次设计改版是成功的。

4、可预测

通过数据变化，可预测产品的走向和趋势。

如下图所示，通过日活曲线，可预测未来产品的日活增长速度。

从图可以看出，经历过第一次增长后，第二次增长的增长率低于第一次。未来产品如果想维持高增长，则需要投入更多的人力和费用。

 2、数据指标 

掌握数据指标有助于我们入门数据分析。

我将数据指标分为三类，分别为：综合性指标、流程性指标和业务性指标。

1、综合性指标

综合性指标：指的是能综合体现产品整体情况的指标。

对于非交易类型的产品，那么这个平台的综合性指标可以包含DAU、留存用户数、留存率和人均使用时长等等。

DAU

DAU：Daily Active User 。衡量产品使用的活跃度。明确产品的用户体量，方便产品设计了解产品的每日用户情况和用户增减趋势。

如下图所示，通过DAU可以很直观的了解产品的所处在的生命周期。和用户增长情况。

数据用途是方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。

留存率

留存率：某周期内留存用户数/某周期内访问用户数。用来衡量用户使用粘性，也是衡量产品引流成本的一个重要参考

数据用途是用来衡量用户使用粘性，也可以用来作为产品改版后的重要指标，留存率提升了，在不改变功能的情况下，说明设计改版成功。

产品的留存率越来越高，这说明他们的产品用户粘性越来越好。

当然不同行业的产品，留存率也是不一样的。社交产品，关系链越庞大越深度，粘性越好，用户迁移成本就越高，留存率也高。

人均使用时长

人均使用时长：用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。

单位用户的使用app的时长是一定的，当在一个app上花费的时间多，那么意味着在其他的app上就花费的时间少。

对于交易类型的产品，那么这个平台的综合性指标可能就包含GMV、支付UV、人均订单数、人均客单价等等。

GMV：用户的下单总金额。下单产生的总金额，包括销售额+取消订单金额+退款订单金额。举个例子：一个电商平台，所有用户一共下单了100万的商品，其中取消订单2万，退款10万，那么GMV就是100万。

数据用途是体现电商平台的交易规模，GMV越高说明这个电商平台的交易规模越大，平台体量越大。

支付UV：指下单并成功支付的用户数。举个例子：一个电商平台，有3000人点击购买，其中2000人，成功完成支付，则支付uv为2000人。

数据用途是了解平台整体用户支付购买人数规模。

人均订单数：支付PV/支付UV，人均订单数大于1。举个例子：一个电商平台，支付pv为3000，其中支付人数为2000人，那么人均订单数为1.5。

数据用途是用于衡量产品/页面/功能的导购能力。

人均客单价：ARPU，GMV/支付UV。举个例子：一个电商平台昨天GMV有100万，其中支付UV1万人，那么人均客单价为100元。

数据用途是一段时间内每个用户平均收入，用来衡量产品效益。

2、流程性指标

流程性指标和用户操作流程中产品的指标有关。

常见的有：点击率、转化率、流失率和完成率。

点击率

点击率：点击率分为pv点击率和uv点击率。在实际工作中，使用pv点击率的情况比较多。这个要根据具体需求而定。

举个例子：如果当天知乎的首页展现PV是400万，5万人点击提问按钮有10万次，那么点击率就是 10/400=2.5%

转化率

转化率：下一步用户数/上一步用户数。

如下图所示，可以看到整个注册流程，每个节点的转化率数据。

流失率

流失率：（上一步用户数-下一步用户数）/上一步用户数。

通过流失率，可全局看出所有的流失情况，找到流失异常数据，可追踪之前是什么情况导致流失数据情况，并修复产品问题。

完成率

完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。

3、业务性指标

区别于基础通用型指标，业务性指标主要强调其业务属性，例如社交社区，则可能需要的业务指标为：人均发文数、人均评论数、人均点赞数，分享率等。

 3、数据分析方法 

数据分析和设计的方法这里简单介绍以下5种，分别为：行为事件分析、漏斗分析、留存分析、分步分析和对比分析。

1、行为事件分析

通过分析特定类型的用户行为，找到这种特定类型的用户行为的对产品带来的影响。也可以推算出这种特定的行为给产品带来的意义。

行为事件分析法一般经过事件定义、下钻分析、解释与结论等环节。

2、漏斗分析

流量在各个节点流转过程中，会存在一级级的流失。最终形成了漏斗形态，漏斗分析适用于一些列完整流程操作的用户行为。

找到设计过程中流失比较多的数据，通过数据找到流失的原因。

3、留存分析

通过找到整体留存情况，找到用户留存的关键性因素指标。

留存分为两种情况：

1.产品整体留存，整个产品的留存率，对象是整个产品。

2.功能模块流程，各个模块的留存，这里是针对于单个功能模块。

产品留存要分开看待。既要看整个产品留存率也要看所负责设计的各个功能模块留存率。

4、分布分析

用户在特定指标的各种占比的归类展现。

如下图谷歌数据分析网站所示，可以根据不同分布类型占比，进行分析。

5、对比分析

对比前后数据，通过对比数据的差值，验证设计。

1.自身产品比，对比产品其他模块相似场景的数据差异。通过对比找到问题点并做分析优化。

2.行业产品比，和同行业产品的数据对比分析，找出数据差异的问题所在，并给出对应的优化方案。

 4、模型建立 

目前市面上常用的模型有Google’s HEART、AARRR和RARRA。

1、Google’s HEART

HEART是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）

Engagement（参与度）：通常指的是用户的使用行为，这里面包含用户的活跃度、uv、pv、人均访问次数等，通过这些数据可以很好的反应整个产品的用户参与意愿度。

Adoption（接受度）：用户在特定（短）时间内开始”真正”开始使用某个新功能/模块。接受度主要体现在用户访问和操作等行为

Retention（留存度）：留存度即对于一个功能或者产品，一段长时间内从开始参与到现在连续活跃的用户，留存率是互联网产品的主要获利因素。

Task Success（任务完成度）：任务完成度主要指核心任务的完成率，在该纬度下包括三个基础用户行为指标：转化率、跳失率、成功率。

Happiness（愉悦度）：愉悦度是一个产品用户体验的最直观的评价感觉。

基于HEART五大维度可制作业务的数据模型，如下图所示：

2、AAARR

AARRR增长模型出自于增长黑客，即获客、激活、留存、变现、传播推荐。

AARRR是Acquisition、Activation、Retention、Revenue、Referral，五个单词的缩写，分别对应用户生命周期中的5个。

获取用户（Acquisition）：本阶段最主要的目的是将潜在的目标用户转化成我们产品的用户，并且开始使用产品。提高用户注册转化率的关键在于，调优产品的着陆页，要准确传达产品的核心价值。

需要的数据指标：流量来源、CAC(用户获取成本)、CPC(每次点击付费)  、CPT(按时长付费)、  CPM(千人成本) 、 CPS(按提成收费) 、CPA(按点击计费) 、Campaign(塑造品牌)

提高活跃度（Activation）：对于移动应用产品，用户活跃度还有另外两个关键数据指标：每次启动平均使用时长和每个用户每日的平均启动次数。

需要的数据指标：DNU(日新增用户)  、DAU/WAU/MAU 、 ACU(平均同时在线人数)、 PCU(最高同时在线人数)、 PV、 UV 、意向UV(进入意向页面的用户数)、 PV/UV、 CTR(点击率)、 意向UV-CTR （点击UV/意向UV）、VV(视频播放次数)、访问时长、停留时长、滚动屏数、人均停留时长、人均操作次数、 N次操作占比、行为路径、访问频次、跳出率、用户来源、用户去向。

提高留存率（Retention）：用户留存率是非常重要的一个数据指标，留存率衡量着一个产品是否健康成长。

需要的数据指标：留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR（提取出的正确信息条数 /  样本中的信息条数)、用户生命周期 (周期/(1-周期内新增留存率))

获取收入（Revenue）:即用户给产品贡献的收入价值，公司从用户所有的活动中所得到的全部经济收益的总和。

需要的数据指标：GMV 、ARPU(每用户平均收入）、ARPPU(平均每付费用户收入）、LTV(生命周期价值)、 PBP(回收期)、 ROI(投资回报率 )、收入地图 、客单价、 消费次数 、消费频率、 订单量、 利润、 购买偏好、 直接引导成交、 间接引导成交、 购买间隔

用户推荐（Refer）：通过用户推荐再次获取新用户，应用运营形成了一个螺旋式上升的轨道。而优秀的应用就很好地利用了这个轨道，不断扩大自己的用户群体。

需要的数据指标：分享率、分享次数、K-Factor (病毒传播指标)、 NPS

AARRR模型对应的数据指标如下图所示：

3、RARRA

RARRA的数据模型，本质上是在AARRR的基础上进行顺序调整得到，以满足日益获客成本所带来的压力成本。RARRA模型相比与AARRR可以使得获客成本更低。

用户留存Retention：为用户提供价值，让用户回访。

用户激活Activation：确保新用户在首次启动时看到你的产品价值。

用户推荐Referral：让用户分享、讨论你的产品。

商业变现Revenue：一个好的商业模式是可以赚钱的。

用户拉新Acquisition：鼓励老用户带来新用户。

RARRA通过最重要的指标来关注增长：用户留存。

RARRA与AARRR的区别是，RARRA模型里面用户的留存重要性远高于获客。

在数据模型中，我们可以学到数据模型的分类思路，以及如何创造出适用自己团队的数据模型。

基于这个目的，我们可以将市面上常见的数据模型找出来并进行整理并分析。通过熟悉主流的数据模型的产出逻辑，并从中找到规律，创造出适用于自己团队的数据模型。

 5、数据验证 

通过核心指标判断设计方案是否符合预期，以此验证设计方案是否成功，并为后续产品的迭代优化做依据。

1.关注设计的核心指标

设计过程中，要关注设计的核心指标，针对于核心指标，进行针对性的设计。

如果改版的最重要（核心）的指标是任务流程完成率，先查看用户操作流失率，然后分析找出流失原因，给出对应的优化方案。等到优化方案的产品版本上线后，对比完成率数据变化。

如果改版的最重要（核心）指标是人均观看次数，则要思考可通过哪些设计策略可提升产品的人均播放次数。

举个例子，新浪微博，以前版本用户看完视频后，视频会有重播按钮和推荐视频，用户只有进行下一步点击才能播放下一个视频。改版后看完视频会自动切换到下一个视频。这样的设计策略虽然绑架了用户的行为，用户从一个主动接受者，变成了一个被动接受者，但是这种策略能有效的提升人均播放次数。

2.核心指标带来的价值/收益

当验证了核心指标往好的方向发展，这时候，就需要总结核心指标带来的价值和收益，这样的话设计价值才可以直接被量化。

举个例子：一个banner的点击率达到3%的时候，每天GMV约200万，当重新设计了这个banner，同时其他条件保持不变，点击率提升到了6%，这时候通过数据查看每天的GMV是多少，如果达到了400万，那么这增加的200万则是通过设计优化所带来的。

数据验证总结后有四步：

1.关注改版的核心指标

2.核心指标带来的价值/收益

3.确定上线时间

4.对比上线前后数据变化，进行验证

以上就是关于数据导向相关知识，如果想了解更多可阅读：

原创不易，「点赞」和「在看」过200，下周分享数据学习资料。