设计的数据分析思路，为你的方案增添10分说服力

12 月 18, 2022 发表于: 用户体验. 评论

Sponsor

“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！

01 设计为什么要会数据分析？产品给的报告不能用吗？

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！

02 这样叫做“会设计数据分析”吗？

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？

03 设计的数据分析如何做？

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？

···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。Step2：数据埋点问题：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。1、怎么设置埋点数据？1）页面行为转化法设置埋点的目标，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？