给设计师推荐几个简单实用的数据分析法

数据时代已然到来，设计师们感受到了它对于设计岗职责和能力要求带来的变化：懂数据，不再是设计师的加分项。能够通过数据发现问题和机会点，制定可量化的设计目标，产出可评估的方案，成了设计师的必备技能。

然而，在设计的车轮从感性思维向理性思维并线时，设计师们像极了刚刚上路的新手司机：虽然通过了各科目的考试，拿到了驾驶证（学习了很多数据理论+案例），但在自己实操时依然是状况不断，手忙脚乱。

1.无法从海量数据中发掘出有价值/问题的数据。

2.发现问题后，无法快速找到适合的数据模型/理论来支持设计决策。

如果你遇到过上述两个问题，这篇文章应该会帮到你：通过数据思维和底层框架，提升数据思维能力，即“数据敏感度”；而丰富的案例，将加深你对理论的理解，做到举一反三活学活用。全文字数5000+，内容干硬，建议收藏/分享后慢慢看~

首先，我们先花2分钟思考，让大脑热热身：假设你拿到了下面这些数据（非真实数据），会如何做设计决策？

心中有了确定的答案，还是一脑袋的问号呢？

设计的本质是用设计手段解决特定的问题，数据思维可以帮助设计师通过数据发现问题、定位关键和解决问题，即我们熟悉的「是什么」「为什么」和「怎么办」。

是什么_透过数据定位关键问题

在上述的例子中，抽取的三个看似无关的数据，也可以得出一定的结论。从页面平均展现率来看，除去底部的热门推荐，几乎是全部内容都看了；在这种情况下，问答模块的点击率显得格外高；而微聊会话平均条数也超出了正常范围。三条数据线索同时指向一个结论：用户在页面内未找到关注信息。

为什么_分析问题背后的原因

想要切实解决问题，这一步非常关键。而这一步最容易出现的问题，就是片面化思考。这里我们要请出我们的老朋友_产品设计五要素，帮助我们全面地分析问题。

表现层着重内容的形式，我们常见的内容形式有：文本、图像/视频、标签、卡片等；用户找不到信息，有可能是信息不够明显。

框架层主要指信息框架，内容的位置不佳，内容曝光不足，也会让用户找不到信息。

结构层体现在交互和流程上，如果信息需要用户进行一些操作才能够获取到，那么用户中断了操作，这些信息就得不到展现。

上面说的都是我们有用户关注的内容，只是用户没有获取到。但也有一种可能性是，我们没有提供对应的内容，这就是范围层的问题了。

战略层一般是指产品定位的问题，而这个问题已经超出了信息本身。

怎么办_针对原因设计解决方案

有了系统的问题的分析，我们就可以有序地推动优化：通过用户数据分析（如在线沟通数据、问答模块提问数据）结合调研问卷、访谈等用研方式进一步明确问题处于哪一层。

明确之后，提供与前期问题分析相对应的解决方案即可：

表现层：强化内容形式，使之更吸睛。

框架层：调整内容优先级和位置，增加曝光。

结构层：将信息尽早外露，可考虑优化链路。

范围层：补充用户关注的内容。

战略层：调整业务模式（可结合用户研究的结论）。

通过这套思路，我们轻松解决了案例中的问题。而在现实工作中，有价值的数据不会像这样打包直接给到我们，更多的是一大堆复杂的数据混在一起，这就需要我们有一定的数据敏感度，掌握从沙子里面淘金子的本领。这种本领之所以难以掌握，原因就是它需要我们同时具备以下核心思维能力。

设计师懂数据，主要是为体验和业务提升提供依据并进行验证。下面分享对设计师而言最有必要和价值的四个核心思维。货比较干，小脑瓜们加油！

目标思维

明确的目标，能够保证我们做任何事不跑偏，高效地完成任务。在工作中，我们在接到设计需求时，需要和业务明确好项目的目标和愿景，是提高点击、转化、收入？建立信任？提升满意度还是其他。如果是设计自驱的项目，我们需要保证项目内部成员和合作方都有统一清晰的目标。

在此基础上，通过OSM模型就可以制定出设计策略和验证方法。OSM模型提醒我们思考现阶段最重要的目标是什么，哪些事项承载这些目标；将公司目标、策略与业务流程快速耦合在一起，最终形成一个清晰、明确的数据采集体系。

以58到家精选业务为例，设计师就将总目标O（提升消费总额）拆解成了三个子目标，在此基础上分别制定出了对应的设计策略，以及度量方法。

指标思维

设计做的好坏，得有个衡量的标准，这时指标就该上场了。对应三种数据类型（用户增长数据、行为数据、业务数据），给大家推荐三个好用的模型，分别是：AARRR模型、UJM+OSM模型、公式模型。

AARRR

AARRR漏斗模型是客户生命周期模型，解释了实现用户增长的5个指标，分别是：Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（收入）、Referral（自传播），因其掠夺式的增长方式也被称为海盗模型。设计要赋能业务，首先要对各个环节的常用指标了然于心：

Acquisition（获客）阶段

常用的指标有DNU（Daily New Users）日新登用户数，从用户数量上衡量获客的成果；CAC （ Customer Acquisition Cost ）用户获取成本和ROI（Return On Investment）投资回报率则是从成本利润的角度来衡量效果。

Activation（激活）阶段

DAU、WAU、MAU分别对应日活、周活、月活，大家应该都熟悉，不多说。

DAU/MAU可以看出用户每月访问App的平均天数是多少，这是评估用户粘性的一个比较重要的指标。值越高，说明App的粘性越强，表示有更多的用户愿意使用App。

DAOT日均使用时长（Daily Average Online Time）=每日总计在线时长/日活跃用户数。关于使用时长多说两句，它可以分为单次使用时长、日使用时长和周使用时长等指标，我们可以通过对这些指标做区间分布和平均计算，了解用户黏性。

Retention（留存）阶段

N日留存，是指用户自登录后，在第N日还有登录的用户比例，通常N为次日、三日、七日。其中的登录可以根据实际业务情况更换成注册、使用功能等业务动作。留存率可以判断渠道的真实性和活跃性。

Revenue（收入）阶段

这个阶段是我们常说的商业变现阶段，这个阶段的核心指标有：

ARPU（Average Revenue Per User)）平均每用户收入=总收入/用户数。代表在统计时间内，活跃用户产生的平均收入。

ARPPU（Average Revenue Per Paying User）平均每付费用户收入=总收入/总付费用户数。代表在统计时间内，付费用户产生的平均收入。

PUR(Paying User Rate)用户付费率 =活跃付费用户(APA)数/总活跃用户(AU)数U,。通常以特定统计周期内的活跃用户为统计前提。该指标可以评估产品的收益转化能力。通俗地说，付费率也称作付费渗透率，在移动APP市场，多数只关心日付费率。

LTV（LifeTime Value）用户生命周期价值=LT（平均生命周期）*ARPU。是公司从用户所有的互动中所得到的全部经济收益的总和。如果用户LT（平均生命周期）是3个月，ARPU（平均用户收入）是10元/月，那么LTV = 3 * 10 = 30元。这个指标决定了获取一个用户我们能接受的最大成本，在获客阶段的CAC如果超过LTV就是不划算的。

Referral（自传播）阶段

传播用户数、传播次数、被邀请注册用户数，看字面意思即可理解。

K因子也被称为病毒系数，用来衡量推荐的效果，即一个发起推荐的用户可以带来多少新用户。公式：K因子=(每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。比如用户向用户发起3次邀请，每次邀请转化的比例是30%，那么最终的结果就是3*0.3=0.9，即一个用户会邀请来0.9个新用户。

UJM+OSM模型

UJM是User Journey Map的缩写，是我们在设计一款产品的过程中，必须要去梳理的用户生命旅程。他通常和我们上面提到的OSM模型搭配使用。

刚刚提到的到家精选业务例子中，可以看到它的策略和度量方式，都是和UJM的阶段及内容模块相对应的。

公式模型

像收入、转化这些业务目标，通常比较抽象，我们很难一眼就判断出如何发力，这时候就需要运用公式，将这些目标拆解成具象的指标。刚刚在AARRR模型中提到的LTV就是一个很典型的公式模型。

在到家业务中，为了能找到设计能充分发力的提升指标，设计师将提升整体LTV的大目标，通过公式一步步分解，最后得出两个关键指标：留存率和转化率。

针对留存率这一指标的提升目标，进行成长中心优化，如：提升入口吸引力，降低参与门槛，提升利益刺激点等。针对转化率这一指标提升的目标，进行黄金转化链路优化，如：提升首页针对不同类型用户的吸引力，吸引用户点击向下一节点转化；在列表页与详情页中，突出刺激用户转化的关键因素，吸引向下转化。两个关键指标的提升，最终带动了LTV总数的提升。

对比思维

有很多时候，我们的项目暂时还没有一个明确的业务目标，这就需要我们从数据里面，洞察出问题和机会点。这时用到的思维就是对比思维。

我们所熟悉的对比，有同比、环比、版本对比等等，这些都是对比思维里面非常基本的比大小。比大小所做的工作更多是将数据转化成结论，很难得出一些更深层次的信息。所以要跟大家分享一个高阶的对比方法——穆勒五法。他通过五种归纳方法确定现象的因果联系，分别是求同法、求异法、共用法、共变法、排除法。

求同法

这是个异中求同的方法：考察几个出现某一被研究现象的不同场合，如果各个不同场合除一个条件相同外，其他条件都不同，那么，这个相同条件就是某被研究现象的原因。

1960年，英国某农场十万只火鸡和小鸭吃了发霉的花生，在几个月内得癌症死了。后来，用这种花生喂羊、猫、鸽子等动物，又发生了同样的结果。上述各种动物患癌症的前提条件中，对象、时间、环境都不同，唯一共同的因素就是吃了发霉的花生。于是可以得出：吃了发霉的花生是这些动物得癌死亡的原因。

求异法

这是同中求异的方法：比较某现象出现的场合和不出现的场合，如果这两个场合除一点不同外，其他情况都相同，那么这个不同点就是这个现象的原因。

一百多年前，一艘远洋帆船载着五个中国人和几个外国人由中国开往欧洲。途中，除五个中国人外，全病得奄奄一息。经诊断，都患有坏血病。同乘一只船，同样是人，一样是风餐露宿，受苦挨饿，漂洋过海，为什么中国人和外国人却判若异类呢？原来这五个中国人都有喝茶的嗜好，而外国人却没有。（点一下）于是得出结论：喝茶是这五位中国人不得坏血病的原因。

共用法

这是把以上两个方法结合使用的方法，如果某被考究现象出现的各个场合（正事例组）只有一个共同的因素，而这个被考察现象不出现的各个场合（负事例组）都没有这个共同因素，那么，这个共同的因素就是某被考察现象的原因。

曾有一位联合国的官员被派驻越南，目标是提高越南儿童的营养健康水平。因为身高是营养水平的一个重要标志，除了特殊情况，一般个子高的孩子营养水平都会比个子矮的要好一些。于是他先从越南各地各阶层中通过测量身高挑选出了一批高个儿的孩子，然后排除其中家庭条件优越的，仅留下了家庭条件平均的、身高却比同龄儿童高出的孩子，这些孩子作为正面样本。经过大量走访，这位官员发现这些孩子的共同点是：每天都吃四顿饭，他们的家人经常会抓一些小虾米做菜，还会在米饭里加入紫薯叶熬出的汁液。而那些个子比较矮的孩子则没有这些特点。这位官员总结出了这种饮食方式可以提高营养水平。

共变法

在其他条件不变的情况下，如果某一现象发生变化另一现象也随之发生相应变化，那么，前一现象就是后一现象的原因。

比如，同样的一块地，其他情况都相同，只有肥料的数量增加了，结果发现水稻的产量也在不断提高。由此我们可以得出多施肥是水稻增产的原因。

排除法

如果某一复合现象已确定是由某种复合原因引起的，把其中已确认有因果联系的部分减去，那么，剩余部分也必有因果联系。（点一下）剩余法的要求非常苛刻，现象和原因的对应关系必须是明确的。这一点在极度复杂的现实业务场景下很难做到，应用范围有限，这里就不多介绍了。

结构思维

掌握了以上两个思维，大家基本上能找出潜在的问题，接下来就是要解决问题。有的同学会说，解决问题我拿手啊，脑子里有一百种解决方案。那你是否考虑过：这些方案是不是能够全面地覆盖到要解决的问题，会不会有什么疏漏，又会不会造成重复/浪费呢？这就需要用到最后一个底层思维能力——结构思维。

自上而下做拆解

拆解适用于有明确结构的信息，为了方便理解，我们直接看图：

自下而上做聚合

如果没有现成的结构，或者找不到分解的角度怎么办？我们可以尝试使用“聚合法”自下而上地提炼结构。聚合法共分成三步，以我前年的半年度项目总结为例：

第一步：收集信息。在这一步，我们把做过的项目，一条一条地罗列出来，可以按照时间维度来梳理。

第二步：分类。按项目的业务、类型进行归类。

第三步：概括总结。要根据每个分类的特点，给每个部分写一个具备总结功能的标题。

最后得出了这样一个目录：

概括一下本文的内容：

Part1 提炼了设计师底层思维框架，以解决问题作为目标，先透过数据分析，定位关键性问题。再结合体验5要素，找到五个体验层面对应的底层问题，再对应推导出由表及里、由易到难的各层解决方案。

Part2 对应设计师们迫切提升数据敏感度的诉求，介绍了四个数据分析核心思维能力。其中「目标思维」帮我们明确方向，聚焦于有意义的事。再通过「指标思维」定义出在哪些维度做到什么程度，算是实现了目标。而当需要我们从数据里面，洞察出问题和机会点的时候，我们需要动用我们的「对比思维」。最后，在解决问题的时候，为了让我们的方案能够全面地覆盖要解决的问题，既不遗漏要点，又不重复浪费，就要运用「结构思维」。

希望此文能够为你成为设计领域的数据达人，起到一定的作用：）

参考文档：

《数据的本质：无人不是数据分析师》车品觉

《数据分析基础》三元方差

---

方案做得再好最终也需要通过作品集展现出来，下个月初的作品集梳理课，帮你把设计能力成倍放大：