数据为设计提供方案支撑和后期的方案验证,有利于产品后期的迭代和优化。 通过对数据的比对,对数据趋势的分析,能让我们发现哪些环节存在问题,哪些环节有提高空间。 明确各种数据指标,明确设计目标,让数据为设计服务。 这篇文章的目的是帮助设计师快速入门和熟练掌握数据导向设计。 文章目录:
一、数据分析的意义1. 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。 2. 可追踪产品任何一个时间段的数据,对比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. 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. 通过数据可分析产品设计的问题所在如下图所示,整个注册,绑定银行卡的过程中,总的转化率只有0.06%,用户完成率过低,如果要优化整个用户注册操作流程,那么需要找出流失过大的节点进行优化。 注册成功率过低,这时候设计师就要分析整个注册流程哪些设计因素导致成功率低。并针对成功率低进行特定优化。 二、熟练掌握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、流程型指标和业务性指标。 1. 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网站,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。 DAU:Daily Active User 。衡量产品使用的活跃度。 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。 留存用户数:一段时间内再次访问的用户数,留存有次日留存、7天留存、30天留存等。 数据用途是用来衡量产品的用户粘性和产品的留存用户规模。 留存率:某周期内留存用户数/某周期内访问用户数。 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。 人均使用时长:用户平均每天停留在产品的时间。 数据用途是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。 对于交易类型的网站,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。。 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,这些指标和用户操作流程中产品的指标有关点击率:点击率分为pv点击率和uv点击率,整体来看,点击率使用pv点击率比较好。 转化率:下一步用户数/上一步用户数。 流失率:(上一步用户数-下一步用户数)/上一步用户数 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. 产品的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。 三、数据分析与设计的方法数据分析和设计的方法一共有以下六种,分别为:行为事件分析、漏斗分析、留存分析、分步分析、对比分析和多维度拆解。 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:
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。 5. 对比分析对比前后数据,通过对比数据的差值,验证设计。
用不同的维度视角拆分分析统一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解,找到数据背后的真相。 四、数据模型的建立设计团队引入数据分析,那么就需要一套成熟的适合自己的团队的模型做基础,所以数据模型是我们数据分析的理论基础。 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。 常见的数据模型有:Google’s HEART、AARRR、RARRA和Customer Experience Index (CX Index)。
五、数据如何验证设计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。 以上就是关于数据导向相关知识。 |
|