设计师必须掌握数据分析要点

编辑导语：对于设计师来说，熟练运用数据分析很重要，只有掌握了数据才能摸清用户需求，从而设计出用户满意的产品。本文作者以数据分析为中心，逐层抽丝剥茧，回答了数据分析要解决什么问题？数据分析师的工作是什么样的？数据分析的流程有哪些？最后，为我们总结了一些注意事项。

交互设计师通常会有一个苦恼，不知道如何去衡量自己的方案是否有效。毕竟发声的用户都是对体验不满的用户，没有问题的用户都是沉默的。

针对上面的这些问题，笔者根据这么多年的设计经验，总结了两种方法：

定性法：

当你的产品没有办法收集大量数据的时候，只能定性的去观察分析这个产品体验的好坏了。

如：很多B端的用户界面，很难收集完整的数据或用户反馈，只能通过专家走查或者收集用户意见来判断产品是否好用。常用的方法有：Google的HEART模型、阿里的TECH模型。

定量法：

如果你的产品是很成熟的C端产品，可以收集大量用户数据，并将这些数据可视化，去分析用户如何使用产品，设计师也可以很好的去量化设计的效果。

如：DAU涨了5%、人均VV降了0.4、CTR提高了10%等等，可以很客观的衡量设计方案的效果。

以上这两种方法，都是数据收集的过程，第一种更感性，第二种更理性客观。

一、数据分析要解决什么问题？

那数据分析能帮助我们解决哪些问题呢？

1. 研究历史

举个例子：视频行业某个产品的DAU有一段时间突然迅猛增长。

如果是一个新手设计师，可能会困惑：这段期间没有做任何需求和活动，为何数据会涨？然后他去看看了去年的DAU趋势，才恍然大悟：原来是每次到了寒暑假的周期，孩子们放假了，就会呆在家看视频，DAU自然会涨。

由此可见，数据分析可以帮设计师客观的描述事实，追溯历史。但有个小问题，就是这些数据都是存储在云端的，服务器的内存是有限，有的公司只能存1-3月的数据，这样就会导致无法追溯太久远的数据。

2. 解释现状

对于一些核心数据，如：DAU、PV、用户停留时长，它们时刻都在变化，需要每天监测。帮助检查线上是否出现设计事故，也可以用来评估设计方案上线后的效果如何。

3. 预测未来

在了解问题发生原因的基础上，设计师也可以根据曲线预测业务的发展趋势和影响程度。

张小龙曾经在微信公开课上讲过，他坚信一个原则：一个新产品如果没有获得一个自然的增长曲线，就不应该推广它。因此，直到微信2.0的时候，他看到了增长曲线，虽然不是很快，但是是自然往上走的。

此时，他们才开始了着力推广。

数据分析能帮我们对一个产品的未来趋势走向进行宏观的预测，辅助我们做更正确的决定。这个相对而言会比较难，也需要经过时间慢慢的验证。

4. 洞察商机

你寻找到一定的规律，就能挖掘更多未被满足的需求。如果发现已登录的用户购买VIP的概率更大，是不是可以想办法去提高用户的登录率。

5. 寻求最佳方案

这个也是设计师经常会用到的，ABCD哪一个最好？如何验证？

除了Netflix的ABtest的方式，还可以可以通过分渠道、分设备ID或者灰度测试的方法，都可以快速的去验证当前的方案是否可行，如果发现问题，可以快速修改。

二、数据分析师的工作

一个专业的数据分析师能力模型应该是什么样的呢？

下图中可看出一个常规的数据分析师日常工作都是在收集数据、处理数据，根据二八原则，他们花了80%的时间只能做20%的价值，而真正有价值的是洞察、决策、行动来创造用户价值的工作，这部分的工作只占20%，但是尤为重要。

大部分的工作岗位均是如此，如：一个视觉设计师，需要非常熟悉PS、AI之类的工具，这些工具和技能带来的价值没有设计策略高，但是到设计策略这个层面是更难的，设计师应该需要看到完整的职位能力模型地图。

三、数据分析流程

数据分析的主要流程分为：数据分析框架—数据获取—数据处理—数据分析—和撰写报告这5步。

数据分析框架：包括确定分析的目标、确定要分析数据的指标、想清楚分析的时间和数据应用的公式。然后把需求提给后台的产品经理，让研发同学做好埋点；

数据获取：方式很多：有线上、线下的；部门内部的、外部的；公司内部的、外部的；

数据处理：主有：数据清理、数据抽取、数据合并、数据计算和数据可视化；

数据分析：主要有5种方法：对比分析法、分组分析法、预测分析法、漏斗分析法和ABtest分析法；

撰写报告：报告建议结论先行，因为通常一份数据分析的报告是很长的，如果把结论分散的放在后面，阅读性比较差，观看者很少会耐心看完。