前言vivo的校招设计师专业课程体系，有一门入门课程《数据基础知识及应用》，去年开课时就深受大学生欢迎。在基于数据的设计和验证大行其道的今天，每个设计人员都需要掌握一些数据的基础知识。于是特意找到了课件，结合自己的理解，写了这篇小文章，希望对想学习数据分析的你有所帮助。全文分为3大模块：阐明数据对设计者的价值。（先建立价值认知，才会有学习的动力）了解设计师常用的数据模型和数据指标。（整理数据相关知识学习导图，从宏观、中观到微观，有针对性）学习如何简单的计算和分析数据。（几个Excel公式+数据透视表+数据对比就够了，相信你也能做到）阐明数据对设计师的价值在《U 一点料》中，作者将数据比作设计的理性之光，非常贴切。在现实生活中，设计师或多或少都是情绪化的。善用数据可以帮助设计师加入理性思考，让设计方案既能兼顾感性又能轻理性。简而言之，数据对设计师有以下好处：1、设计前——发现问题通过数据的横向对比（与竞品对比），了解现状和差距，找到设计优势。举个栗子：vivo钱包V1.0版本上线后，通过转化数据的提取和竞品对比，可以找到转化率漏斗的瓶颈和竞品的差距，从而提高入口、引导、选卡、开卡。链接是针对优化设计的。△图1vivo钱包NFC交通卡走查结果通过数据的纵向对比（以及历史对比），了解规律和变化，迭代设计方案。举个例子：浏览器历史记录改版后，历史记录的转化率明显下降，尤其是第一条历史记录，转化率下降了10%左右。考虑到第一条历史记录的点击频率和操作方便性，我们做了迭代设计，对第一条历史记录进行了强化。△图2历史记录的程序迭代通过数据分组（用户分层）的对比，发现不同人群的功能关注/参与度，针对不同的用户呈现不同的设计界面。例如：针对vivo视频新用户参与度低、互动动力不足、推荐不精准等问题，可以提出不同的设计方案来满足不同的用户需求。△图3为不同用户呈现了不同的设计界面。2.设计辅助决策。在设计方案时，如果对多个方向犹豫不决，可以通过快速调研获取数据来辅助设计决策。举个例子：我们在设计视频产品的呈现方式时，对浅色模式和深色模式意见不一：运营的同学更喜欢浅色模式，担心深色模式会压抑，孩子和家长在孩子的频道不会喜欢它。.设计师认为深色模式内容与背景反差小，视觉更舒适，观看视频更有沉浸感。双方难以说服对方，于是通过快速问卷调查获得用户反馈：大多数用户更喜欢深色模式，认为深色更护眼，从而在设计方向上达成共识。△图4深色和浅色视频模式对比方案3.设计后-验证设计通过灰度或官方在线数据，与预期数据进行对比，判断设计目标的实现程度，总结沉淀相应的设计经验。举个例子：在收银页面的优化设计中，项目组对是否增加大会员激活模块意见不一，最终决定推出两种方案，观察数据结果。从灰度数据结果来看，未展示大会员的方案1，其点击率和成功率均高于原方案，说明设计优化效果显着；大会员付费率降低，最终决定上线方案一。经过这个灰度，大家更加确信：在支付页面，很容易不添加设计元素和功能（避免视觉负荷和认知负载，导致较低的转化率）。△图5大会员优化方案既然数据能给设计师带来这么多好处，那么设计师应该从哪些维度来理解数据呢？在《产品经理数据修炼 30 问》中，作者提出了这样一个想法，我深表赞同，也分享给大家：可以从宏观、中观、微观三个维度构建产品数据的全局视图：△图6如何构建产品数据的全局视图宏观行业洞察研究宏观行业分析报告，帮助我们了解目标用户产品的规模，产品的行业结构和生态，进而帮助我们更好地了解产品的优势和劣势产品与竞争产品相比。中冠产品概览梳理了产品的数据体系，帮助我们了解产品的核心指标，指标的现状和波动，指标的含义及其对业务的影响，以及指标之间的关系和设计，并确定设计的起点。微观数据洞察把握每个核心功能的使用环节，了解核心环节上的转化率漏斗，帮助我们还原用户的使用场景，思考如何更好地服务于用户和用户目标，做出更好的设计。从宏观到微观，是设计师在脑海中重塑产品，建立产品设计全局观的过程。有了这样的数据视角，设计师就会更加理性客观地看待产品的现状。了解设计师常用的数据模型和数据指标模型）和AARRR模型。△图75度模型（图片来自网络）1、5度模型的用户体验周期分为5个阶段：到达、行动、感知、回访、传播。这五个阶段对应的核心目标是吸引、完成、满意、忠诚和推荐。吸引力吸引力是指用户在操作前第一次接触到产品/功能时，是否能够被用户注意到，产品/功能是否能够被用户注意到，吸引用户的注意力和兴趣，进而产生相应的行为。相关的用户体验数据指标包括（但不限于）知晓率、到达率、点击率、退出率等。在吸引力层面，设计师最需要分析的是产品的曝光率和点击率。page/function/content，看设计入口是否符合设计预期。Completion完成度是指用户在操作过程中能否完成产品目标对应的操作过程，以及完成目标过程中的操作效率。主要用户体验数据指标包括（但不限于）首次点击时间、操作完成时间、操作完成点击、操作完成率、操作失败率、操作错误率等。在完成度层面，最重要的是设计师要分析的是核心路径的转化漏斗和用户停留时长，从而判断核心链接设计的可用性。Satisfaction满意度是指用户在操作完成后的主观感受和满意度。主要的用户体验数据指标包括（但不限于）布局的合理性、内容的可理解性、易操作性、界面的美观性等主观评价。满意度数据主要来自定性和定量的用户调查。用户研究团队一般每六个月或一年进行一次满意度调查。设计师应密切关注满意度调查的波峰波谷，并在后续设计中尽量填补波谷。提升巅峰。忠诚度忠诚度是指用户在一次使用后是否会再次使用该产品。主要用户体验数据指标包括（但不限于）30天/7天回访率、不同平台使用重叠率等。忠诚度与用户留存率密切相关。设计者可以根据回访率和用户使用场景设计合适的触发器，提醒用户使用产品。同时，借鉴竞品的体验优势，转化竞品用户。推荐度推荐度是指用户是否会向其他人推荐这个产品。主要用户体验数据指标：NetPromoterScore(NPS)。与满意度类似，推荐也是通过定性和定量的用户调查获得的。不同的是，满意度更侧重于用户自身的使用体验，而推荐则与用户的口碑传播有关。设计师要把握产品在口碑传播中的优势和劣势，迅速改善劣势，阻断舆论传播，同时不断强化优势，引导用户传播，形成良性循环口耳相传。2.AARRR模型AARRR增长模型来源于growthhacking，又称海盗模型。AARRR是五个词的缩写：Acquisition、Activation、Retention、Revenue、Refer，分别对应用户生命周期中的五个重要环节。获客是通过一定的推广方式，让产品在某些渠道进行展示，将看到展示的用户转化为产品用户。在获客阶段，需要计算产品的推广方式（CAC、CPC、CPT、CPM、CPS、CPA）、推广成本和推广效果，以评估推广渠道的投资回报率（ROI）和帮助产品做出促销决策。激活将通过渠道引入的用户转化为产品的活跃用户，提高产品使用的粘性和深度。在激活阶段，需要计算产品的核心链接转化率，了解转化瓶颈，做出相应的设计优化。如何留住用户继续使用我们的产品，减少用户流失，增加用户粘性，防止用户离开产品。在留存阶段，结合用户的使用场景，设计合适的触发器，提高用户留存率。收入是通过某种手段和渠道从用户或广告商那里获得的。在收入阶段，需要分析产品的收入方式和收入比例，从而刺激用户的消费频率和消费金额。推荐使用户能够通过增强产品竞争力和利益刺激，将我们的产品推荐给他们的朋友。在推荐阶段，需要结合场景，鼓励和引导用户分享，带来良性的产品口碑。△图8AARRR模型（图片来自网络）关于AARRR模型，我从网上找了这么一张图，上面标注了设计师在每个阶段可以关注的数据指标。如果你在你的设计中使用了AARRR模型，你不妨使用图中的数据指标来分析你的设计结果。如果你是刚接触数据，对图中的英文缩写数据指标一头雾水，可以点击查看我们团队整理的这篇《常用数据指标释义一览》，相信会对你有所帮助。链接如下：https://docs.qq.com/sheet/DS1pHcWl0SFJQdHZp。了解如何简单地分析数据。在项目团队中，设计师主要是一个利用数据进行设计洞察和分析的角色，而不是收集、处理、呈现、深入分析、沉淀数据的角色。因此，如果设计师能够完成以下基础数据分析，就可以轻松进行日常的设计分析。1、看数据知道公司有哪些数据平台，可以分别查看哪些数据，能够脱口而出产品的核心数据指标。了解并能够看懂产品的埋点数据表。当您对数据解读有疑问时，可以查看埋点数据表，了解数据的真实含义和统计口径；懂得查看或下载数据报表中没有的埋点数据，减少设计对数据分析师的依赖，提高设计效率；2.将使用本公司数据平台进行数据计算。如果数据平台支持，可以直接在数据平台中选择简单的数据埋点，完成点击率和转化漏斗。数据计算（更快更直观）。如果公司的数据平台不完善，可以使用Excel完成以下简单的数据计算。平均数据（=AVERAGE（单元格范围））。在进行数据分析时，为避免单日数据波动造成误差，通常采用一段时间内数据的平均值作为基础计算基准值。（我在获取数据的时候，一般都是取一周的数据取平均值，尽量避开节假日。这样做是为了避免节假日流量和特殊需求波动的影响，避免工作日之间的用户行为差异和休息日）求数据点击率（=点击PV/曝光PV）这是最基本也是最常用的数据计算，简单的除法。（注意曝光的PV应该是对应的点击元素，不是整个页面，根据具体情况选择PV的点击率或者UV的点击率）会使用数据透视表实现批量计算average/点击率/转化率。一个一个地计算数据是相当麻烦的。数据透视表可以帮助我们批量计算和呈现我们要查看的数据，非常方便快捷。坦白说，虽然我入行多年，虽然一直关注数据，但我的数据计算仅仅止步于Excel数据透视表，基本可以解决我日常的数据分析需求。如果遇到实在不会计算的数据，可以直接求助于数据分析师。毕竟科技行业有专攻，我们可以更专注于数据分析和设计方案的思考。3.分析数据数据说到底就是一堆值。知道这些值是没有意义的。有意义的是从这些价值观中提炼出自己的感悟，辅助自己的思考。这就是数据的真正价值。如何做数据分析可以参考以下分析脉络：确定分析目标；确认与分析目标相关的数据指标；查看并提取相关数据指标，并根据分析目标进行相应的计算；层层对比，寻找数据与竞品/历史/人群的差距，思考如何通过设计来弥补甚至超越这些数据差距。（具体案例请参考本文第一节。）总结现在，我们来回顾一下本文的重点：厘清数据对设计的价值（发现问题、辅助决策、验证设计），以及建立数据分析的全局视图。了解设计师常用的数据模型（5度模型和AARRR模型）和数据指标，知道数据分析的框架，知道从哪些指标入手。知道如何进行简单的数据计算和分析，消除对数据学习的未知恐惧。最后补充一点，对于设计师来说，会不会数据计算并不重要（确实很多设计师对数据计算很头疼，但是还是可以通过和数据分析师/数据的合作来培养的）产品经理）。数据设计意识），重要的是要有数据思维，能够从现有数据中发现问题，辅助决策，验证方案，帮助我们做出更理性的决策。
