作为一枚设计小萌新，对上述场景，是否似曾相识呢？此些尴尬的情况，也映射出了不少问题：数据化设计意识薄弱，数据基础知识模糊，缺乏系统的体验评估模型和度量方法等等。
那么，我们该从哪些维度进行数据分析呢？数据的基础知识又有什么呢？常见的数据分析方法又有哪些？诸位看官抓好扶好，入门版航班即将起飞，让我们一起走进数据的世界，掌握一定的数据分析能力，告别“我要我觉得”的任性决策。
增量尚不明确，存量博弈的下半场，都以去肥增瘦的方式，宣告着精细化运营的时代到来，似乎也对设计师同学提出更高专业的要求。数据意识作为能力象限中的某个小瓦块，虽然细微，但也是专业输出的切入点。
在面对产品功能迭代、用户行为分析、日常监测、设计决策以及效果评估等等问题时，单纯的从视觉维度进行推导，会稍显单薄。而基于客观数据的分析，可以更科学准确的辅助我们进行决策。
所谓的“数据指标”，简单来说就是可将某个事件量化，且可形成数字，来衡量目标。在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。
目前市面上的产品种类繁多，大致都围绕“用户是谁、做了何事、结果如何”进行归纳整合，分别对应着用户数据、行为数据、业务数据三类指标。
1. 存量：反映某一时间段内活跃的用户数。以日活（DAU）、周活（WAU）、月活（MAU）维度进行统计。其中，Active需以关键用户的自发行为来进行定义，常见的动作有登录、浏览内容等。
2. 增量：一般用新增用户数来反映，同样分为日新增（DNU）、周新增（WNU）、月新增（MNU）三类统计维度。其中，增量的定义相对模糊，需提前与渠道确认好新增指标，建议根据内部的账号体系进行指标的取舍，选择新增注册用户还是新增设备数。
3. 来源：用户从何而来，包含自然搜索、产品导流、好友邀请等多种渠道。结合不同渠道用户的数据表现，可以指导后续的推广方案。
4. 留存：通过留存率来评判产品的健康程度，表示新用户在一定时间段内，某些行为重复发生的比率。其中，日留存和月留存的评判分析作用又有所不同：
日留存：作为衡量用户渠道质量的重要依据，如老王的公众号在站酷、知乎、微信群进行导流宣传，通过分析不同渠道的用户留存表现，从而优化受众用户的投放来源。
月留存：作为用户粘性的重要判断，通过指标来分析产品对用户是否长期有吸引力。也可用作产品上新后，功能迭代是否符合预期的判断依据。
1. 访问深度：用户单次浏览页面的过程中，浏览了页面的数量越多，表示用户访问深度越深，产品粘性较好。
2. 转化率：指在一个统计周期内，完成转化行为的次数占总访问次数的比率。转化率=(转化次数/点击量)×100%。如在电商、理财等产品中，转化率是衡量产品优秀与否的重要指标之一。
3. 跳出率：访问了单个页面的用户占全部访问用户的百分比，可用来衡量访问质量，高跳出率通常表示内容或体验与用户目标脱节。
4. 停留时长：用户游逛的时间长度，需要区分对待内容消费与工具效率场景，高停留时长并非全是正向反馈。
5. 次数：包含页面访问次数（PV）和用户访问次数（UV），通过页面或者用户作为计数单位，但需进行相应数据去重，保证数据的真实性。
6. 点击率：CTR（Click-Through-Rate）即点击通过率，某一内容被点击的次数与被显示次数之比，CTR是衡量互联网广告效果的一项重要指标。影响用户点击的因子较多，作为入口级内容，却具备较大的设计发挥空间，可通过信息的布局与核心利益点的外化，实现行为号召（Call to Action）
1. 总成交量：GMV（Gross Merchandise Volume）属于电商平台企业成交类指标，主要指订单的总金额，包含付款与未付款两部分
2. 人均消费金额：ARPU（Average Revenue Per User）即每用户平均收入。这个指标计算的是某时间段内平均每个活跃用户为应用创造的收入。
3. 续费率：指的是在订阅期结束时，选择续费的用户占所有应续费用户的百分比
4. 付费率：付费用户占活跃用户的比例。
5. 用户周期价值：LTV（life time value）是产品从用户获取到流失所得到的全部收益的总和，当LTV大于平均获客成本和后续的运营成本时，产品获得净收益。
对上述数据类别有所了解之后，我们在面对纷纭复杂的应用类型与数据概念时，到底该怎么选取合适的指标进行衡量和分析呢？接下来，让我们进入下一个知识点-指标建模。我们大致可以按照以下方法进行关键指标的选取。
① 明确业务的最终目的；
② 判断业务模块所属类型；
③ 根据模块类型选择数据指标；
任何产品都有其商业或生存目的，且通常会使用一些支撑手段的工具、或是支撑手段的手段来达成目的。我们以“设计软件-Figma”为例，进行业务目的与手段的拆解。
1. 目的：Figma 是一个基于浏览器的协作式 UI 设计工具，其最终目的是完成商业变现，让更多用户付费购买。
2. 手段：为达成这一目标，而采用基于web的模式这一手段，极大的方便了团队协作办公的需求，继而备受青睐，普及率节节攀升。
3. 支持手段的工具：此外，借助开源的插件及完善的组件功能，为设计创作者提供更便捷的工具支持。
在从业务的最终目的出发，梳理业务模块后，可进一步的拆解该业务模块的具体类型。为方便理解，可以按照产品价值，将功能模块分为4种类别：工具、内容浏览、社区、交易。
1. 针对本身自带价值属性的产品，按照帮助用户节省时间和消磨时间可分为：
工具类：剪映、轻颜相机、飞书文档及翻译查词等
内容浏览类：各类图、文、音视频体裁的消费内容，如短视频、喜马拉雅、知乎等
2. 另一类产品本身不产生价值，通过自身的平台属性来连接资源，同样按照帮助用户节省时间和消磨时间可分为：
社区类：小红书、即刻、微博等
交易类：电商板块、会员付费板块以及直播打赏充值等
按照时间与价值维度，将产品划分为4类模块，每类都有各自需要核心关注的指标要素
下面对4种分类的功能模块，分别介绍如何选取指标体系
1. 工具类：通过产品达成个人目标，高频的使用行为，可以培养用户的固定习惯。因而可主要关注使用量、目标达成率、频次数据指标。（示例：剪映）
2. 交易类：以详情页作为用户购买动机的诱因，实现付费转化。倘若能多次反复的购买商品或服务，整体转化效果更佳。因而，可选取详情页转化率、客单价、复购率作为衡量指标。（示例：百度网盘）
3. 内容浏览类：用户是否已获得更优质的内容，愿意投入更多的时间浏览内容，并能触发与内容的互动行为。因而可选取浏览数、浏览广度、浏览时长和互动行为作为衡量指标。（示例：快手）
4. 社区类：社区环境主要受人与内容、以及人与人之间的关系影响。鼓励用户发布内容，以创造的内容来吸引其他用户产生共鸣，从而进行内容创造与互动行为。因而，可选取发布量、互动量、用户间的关系密度作为衡量指标。（示例：即刻）
在产品迭代发展的过程中，掌握有效的数据分析方法，能让冰冷客观的数据鲜活起来，为决策提供判断依据。接下来，就给大家推荐两类高频数据分析方法，请注意查收。
由Dave McClure 2007提出的客户生命周期模型，可以帮助大家更好地理解获客和维护客户的原理。其核心为AARRR漏斗模型，对应着实现用户增长的5个指标：
1. 获取(Acquisition)：用户如何发现（并来到）你的产品？
2. 激活(Activation)：用户的第一次使用体验如何？
3. 留存(Retention)：用户是否还会回到产品（重复使用）？
4. 收入(Revenue)：产品怎样（通过用户）赚钱？
5. 传播(Refer)：用户是否愿意告诉其他用户？
我们在进行数据分析的时候，应该考虑用户正处于AARRR模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？
科学反映用户行为状态以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。广泛应用于网站和App用户行为分析的流量监控、电商行业、零售的购买转化率、产品营销和销售等日常数据运营与数据分析的工作中。
例如：在完成电商购物行为时，共包含浏览选择、查看详情、添加购物车、生成订单、支付等环节。通过监控用户在流程上的行为路径，漏斗能够展现各个环节的转化率，直观地发现和说明问题所在，更快定位出某个环节的具体问题。
除了需要了解分析方法之外，还需要提防以下数据分析常见谬误，避免落入陷阱之中，从而做出错误的决策。
1. 数据偏⻅
在分析数据时受个⼈偏⻅和动机的影响，即仅选择⽀持你声明的数据，同时丢弃不⽀持声明的部分。“数据偏⻅”将让数据的客观性荡然⽆存。 避免这种谬误的⽅法是在分析数据时，尽可能收集相关数据，并询问他⼈意⻅。
2. 采样偏差
在做抽样分析时，选取的样本不够随机或不够有代表性。例如，互联网圈的人极少会使用PDD，为何该应用还会有这么好的市值表现？
3. 因果相关谬误
将两个同时发生的事件，判断为因果关系，忽略了其中间变量。例如，隔壁老王生了个孩子，同时种了一棵树。孩子和树都随着时间的推移而长高，在一定时间内，如果使用相关性分析，可以得出这两个变量具有相关性。然而我们都很清楚，孩子长高和树长高之间，并不具有因果关系。
4. ⾟普森悖论
即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。避免“辛普森悖论”给我们带来的误区，就需要斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。
5. 定义谬误
在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？
6. 比率谬误
谈论此类型指标时，都需要明确分子和分母是什么。另一方面，在讨论变化的百分比时，需注意基数大小。如小王和小刘体重都上涨了10%，但二者的体重基数分别为60kg、90kg。
文章来源：站酷 作者：美工李大强
分享此文一切功德，皆悉回向给文章原作者及众读者.
免责声明：蓝蓝设计尊重原作者，文章的版权归原作者。如涉及版权问题，请及时与我们取得联系，我们立即更正或删除。
蓝蓝设计( www.lanlanwork.com )是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的UI界面设计、BS界面设计 、 cs界面设计 、 ipad界面设计 、 包装设计 、 图标定制 、 用户体验 、交互设计、 网站建设 、平面设计服务
数据对于产品的发展起着决定性的指导作用，那么公司在运营的过程中具体需要一个什么样的数据来支撑服务呢？本文作者列举了产品经理需要了解的数据分析体系，一起来看看吧。
本文来自于我的新书《高阶产品经理必修课》摘录。
在很多不成熟的公司中，虽然也有使用数据去验证产品的思路，但是他们在实际工作中往往是这样取用数据的：
产品部同事找到数据分析师，问他昨天刚上线的版本用户点击率是多少。
运营部同事找到数据分析师，问他前两天上线的拉新活动是否带来了用户量的增加。
领导找到数据分析师，问他这两天的订单量是否有所增长，上月交易额环比增长是多少。
可见，各个岗位都会有自己的数据需求，所以数据分析师只能逐个地进行数据计算。由于人力资源有限，数据分析师往往无法及时反馈所有的数据需求，这将会导致一些运营活动或产品规划错过最佳的时机。例如，在“双11”前夕想要准备“双11”促销活动，却迟迟拿不到过往的运营活动数据。
正是基于这样或那样的原因，很多企业演化出了一类数据产品——数据仪表盘，如图1所示。
▲图1 数据仪表盘
数据仪表盘就是将各个数据需求方常关注的数据汇总在一张报表中，这样大家可以在这里统一看到整个产品的用户数、交易数等的变化，能在一定程度上满足大家对数据的需求。
但是随之而来的新问题如下：
产品部的同事抱怨：虽然看到昨天新上的版本中用户转化率下跌了，但是根本看不出来原因是什么，说不定是运营部的活动导致的。
运营部的同事抱怨：我虽然看到了拉新数，但我有三个用户拉新渠道，到底哪个拉新渠道的拉新能力最强，带来的用户质量最高呢？
面对这样的进阶需求，就需要一套完整的数据分析体系来做支撑，进而来帮助我们掌握数据变化情况并快速定位变化背后的原因。
一提到数据分析体系，常见的一个认知误区就是将数据分析体系等同于单一的某一个数据分析产品，如活动运营监控平台、用户画像平台等。
其实这里最大的错误就是将一个体系割裂开来，只看到了承载数据的产品而没有重点关注使用者的使用方法，就好像认为数据分析一定要有一把“利刃”，但是却不去关心舞剑者的功力一样。
最早提出这一认知的是钱学森先生，他在系统工程学中提出了软系统概念：
任意一个体系要想发挥正确价值，必须通过产品与使用者这两部分共同协作，这两者合二为一称为软系统。
所以数据分析体系的正确定义应该是：
数据分析体系通常由数据使用者的分析模型和数据分析平台这两部分构成。
这也告诉我们在数据分析学习与搭建数据分析体系的过程中，掌握使用数据的方法，方能以正确的方法去解读数据。但在部分公司的运营过程中，往往忽视了这一点，导致搭建出的完整数据分析平台无人使用。
确切地说，是大家没有以正确的思维或方式去使用，还是以老式的思维使用新的系统，并没有在思维与认知上进行升级，从而无法发挥其应有的价值。这就好比我们给数据使用者一辆汽车，但他们还是在寻找缰绳以期驾驶汽车。
这时数据产品经理就应该化身企业内部的数据分析咨询师，帮助他们看懂数据背后所反应的价值。所以数据产品经理在一家公司中应该有如图2所示的双重身份。
▲图2 数据产品经理的双重身份
搞清楚了数据分析体系的定义，接下来就是了解如何才能搭建一个完整的数据分析体系。
笔者曾看到部分数据产品经理候选人的简历中经常会写到自己精通数据分析框架的搭建。而当面试中被问到他们的数据分析体系究竟要怎么落地时，他们给出的回答却是针对DAU（Daily Active User，日活跃用户数量）、留存率等进行管理，但是数据分析体系中的平台建设，就仅仅是对这几个指标的管理吗？那么请问，当遇到了以下场景时，这几个指标要怎么解决我们的问题呢？
场景1：某天某电商出现了GMV（成交总额）下降，此时应该根据哪一个指标解决问题？
场景2：某公司拥有3条产品线，A产品线中又细分为商品运营、活动运营等，3条产品线的若干运营团队都看同一套指标体系吗？
坦白地说，单看孤零零的某个或者某些指标是无法解决问题的，此时就需要依靠数据分析框架来解决问题了。
由前面的数据分析体系可知，数据分析体系落地涉及两个维度。我在《高阶产品经理必修课》书中为大家介绍了两个维度来看看数据分析体系在工作场景中是如何落地的。
维度1：通用数据分析模型
以下是实现通用数据分析模型的方法。
设置目标：确定当下业务中你的目标及完成现状。
问题假说：穷举现状是由哪些问题导致的。
数据证明：通过数据来证明该问题会导致怎样的结果。
数据分析：分析该问题的成因并形成解决方案。
维度2：数据分析平台
在数据分析体系中，数据分析平台的构成包含三大核心要素，分别是北极星指标、数据建模和事件分析。
数据分析平台定义中各要素的具体解析如下所示。
北极星指标：每个阶段针对具体业务领域确立的商业/业务目标
数据建模（又称指标体系）：DAU、GMV、留存率、订单量等
事件分析：漏斗模型、海盗模型、杜邦分析等
注意：北极星指标（North Star Metric）又叫作OMTM（One metric that matters），它是第一重要指标，为产品现阶段最为关键的指标。之所以叫北极星指标，是因为就像北极星一样，该指标可以指引全公司所有人员向着同一个方向迈进，是全公司统一的指标。
数据分析体系其实就是通过一系列的方法量化特定的业务，因为我们如果无法量化一个事物，那么本质上就无法衡量它的好坏，也就无法定位业务发展中的症结所在。因此好的数据分析框架就是在告诉我们：当下的整体业务是什么样？为什么会这样？应该怎么办？
回顾前面面试者所说的那几个指标，我们可以发现其根本无法清晰地反映业务上的这三个问题。
当然，这里只介绍了数据分析体系的宏观框架，还未涉及具体的数据分析体系搭建过程，在数据分析实战中还会涉及相应的方法论。
在我们知道了指标体系与其对应的作用后，接下来就要来学习如何为自身企业业务量身打造一套数据指标体系了。
要想搭建一套完整的指标体系，除了对业务有非常熟悉的敏感度之外，拥有一套正确的建设方法论也是必不可少的。
这里我直接给出一个标准的指标体系的建立方法，共分如下4步：
1）确定数据分析目标。
2）纵向指标维度定义（层级设计）。
3）横向指标维度定义（指标填空）。这其中，又分为自上而下探寻（业务域驱动指标定义）和自下而上探寻（功能逆推指标定义）。
4）各维度指标项定义。
随着互联网的发展，近这几年设计圈子里大家都在讨论UGD（User Growth Design），要向UGD转型等等，以用户为中心，以增长为导向，这个概念本身并没有问题，而且是对UED的一种非常棒的进化和升级，要求设计团队需要具备更综合的专业能力与视野。本着对团队的升级优化，我也以UGD的思路对团队有了新的更高的要求，然而在这个过程中却发现在很多问题。
随着各种社交平台的传播普及，什么闭环、串联、颗粒度等等这些互联网黑语，满大街飞来飞去，设计师们的PPT、汇报资料是越来越丰富多彩，但项目效果却并不明显。数据、增长的概念确实是铺开了，但却成了PPT里的装饰，并没有真正落地生根。
经过很长时间的摸索，我们终于有了一套适合团队自己的UGD思路，也一步一步的在不断的优化提升，下面以我们做过的一个项目（用户投资路径优化）为例来说说我们对UGD的思考，以及设计师对数据分析以及场景化设计的思路。
作为设计师，最常关注的用户数据就是转化率、点击率、停留时长、跳转路径等等，从单一数据来看，都是一些常见的简单的数据，但要真正能够分析用户，还需要结合实际场景来分析。
案例：
我们在分析交易线的数据时发现了一些问题，并对数据做了对比分析。
[ 项目列表页 ]
用户的点击主要集中在前十个投资项目，占据整个页面点击的80%。
[ 项目详情页 ]
用户通过列表页进入到详情页，详情页的浏览率较高，但转化却很低，另外优惠券的点击率十分高，超过85%，意味着进入到详情页的用户，基本上都进入过优惠券页面，而最终促成成交却很低。
以上是整个交易环节最初始的两个页面，也是最核心的页面，从单个页面的数据（点）来看都属于正常漏斗数据表现，接下来我们从用户路径（线）的角度来继续分析。
我们从用户当中，抽取了部分最终完成了交易的用户，对整个交易路径的进行分析，结果发现用户在列表页——详情页——优惠券这三个步骤之间反复切换。
不难看出，用户在列表页、详情页、优惠券选择页来回切换，即使最终产生交易，但整个路径耗时长，反复操作，跳转不合理，导致大量流失，这是目前数据所呈现出来的情况，也是问题的核心所在。
案例：
这是最典型的购物交易场景，通过上面的分析，我们再结合场景化的思路进一步整理思考用户的操作行为目的。
用户为何反复的从列表页进入详情，又跳转回列表页再进入详情页？这就是突破口了，想清楚这一点，解决思路也就清晰了。
我们举一个现实生活中的购物场景来帮助思考分析（灵感来源于生活）。
购物路径1：想买东西-找到对应的货架-使用优惠券并买单；
购物路径2：有优惠券-到超市看看有没有想买的-使用优惠券并买单；
在现实生活中，除了”有想买的东西”这一主观需求外，对交易产生一定决策作用的，就是优惠。
结合前面对投资用户路径的分析来看，用户交易路径如此反复，实际上就是在同样的资金投入的前提下，对比不同的项目、不同的优惠，如何搭配才能利益最大化，这就是用户的最核心需求。
基于场景化的分析明确用户的核心需求，确定需要增长（优化）的数据指标，我们提出来了两个解决方向。
[ A方案——详情页的快速切换（优化） ]
，在原有的路径上，保持用户的操作习惯，新增详情页左右滑动切换的功能，用户学习成本低，开发成本低，可快速上线，但对于路径优化、数据对比不够直接，治标不治本；
[ B方案—— 设计新的快速路径（创新）]
结合前面分析的两种现实生活中的购物场景，在原有的路径上，针对平台老客对平台项目的规则详情已经清楚了解的特点，设置多一条快速通道，减少干扰，对比直接，加快老客的决策速度，但用户学习成本高，开发成本高，虽然治本但风险也大。
案例：
A方案直接开发上线即可，上线后就可以收集数据进行分析了，经过两周的时间，从数据表现来看，交易总时长稍有所下降但并不明显，约下降了2%，而交易率基本持平。
[ B方案最终UI稿 ]
在此期间B方案完成设计开发后，协调产品运营推广等业务方，选择确定部分渠道进行ABtest，经过一个多月，持续收集数据反馈优化方案，多轮ABtest后，从数据反馈来看，B方案数据提升明显，有效的降低了用户的决策时长（降低了近20%） ，提升交易成功率（老客转化提升1%），说明方案的可行性强，随即全量更新。
在后续工作过程中，持续根据数据表现，分析，发现并提出问题，提出解决方案，测试验证，不断的循环重复，持续提升用户体验，以数据为依据，以增长（优化）为目标，这就是我们对于UGD的一些思考跟尝试。
蓝蓝设计建立了UI设计分享群，每天会分享国内外的一些优秀设计，如果有兴趣的话，可以进入一起成长学习，请扫码蓝小助，报下信息，蓝小助会请您入群。欢迎您加入噢~~希望得到建议咨询、商务合作，也请与我们联系。
文章来源：站酷 作者：包大佬
分享此文一切功德，皆悉回向给文章原作者及众读者.
免责声明：蓝蓝设计尊重原作者，文章的版权归原作者。如涉及版权问题，请及时与我们取得联系，我们立即更正或删除。
蓝蓝设计( www.lanlanwork.com )是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的UI界面设计、BS界面设计 、 cs界面设计 、 ipad界面设计 、 包装设计 、 图标定制 、 用户体验 、交互设计、 网站建设 、平面设计服务
面对一大堆看似杂乱的数据，如何进行信息提取与数据加工，从中获取自己想要的信息，并应用这些信息，有理有据的进行需求的讨论、最终设计决策的推进，这是每一个交互设计师必修的课程。
在我看来，数据分析是很难的。利用你当下有限的数据资源(大多数数据往往掌握在产品经理、运营手上)去整理、分析并得出结果。
交互设计师如何培养数据分析的能力呢?
首先，要有数据收集分析的意识，掌握数据产生的来源;
其次，拿到数据后，在数据间找关联性，深挖内在含义;
再次，掌握基本的数据分析方法，并在实战中加以应用;
最后，将分析的结果应用到后续工作中，检验分析结果。
如此，循环往复，形成一种职业习惯，一个工作的流程。
蓝蓝 http://www.lanlanwork.com