記得大學有一門課程叫《數據統計與分析》，難倒很多理科生。沒想到畢業后，工作、生活處處都要用到，比如：

• 一個頁面展現 100 次，頁面中一個按鈕展現 50 次，點擊 10 次，這個按鈕的轉化率是 10% 還是 20% 呢?
• A 股票一股 100 元先跌了 5%，又漲了 5%，還是開始的價格嗎?
• 某保額 50 萬的重疾險：一種是保費 3400 元交 30 年保障到 70 歲，另一種是保費 6000 元交 30 年保障終身，90 年出生的小伙子該選哪個?

提示有些問題思考的角度不同，可能會有不同的答案，設計累了的同學可以換換腦子思考一下。

本篇文章主要介紹設計師在支持業務的過程中，可能會遇到的數據分析場景及應對的思路、方法，希望能給大家帶來啟發。

首先介紹一下數據分析的目標及用途，總的來說主要是用來發現問題、解決問題的。設計師用到比較多的情況有：

• 宏觀了解產品/功能表現，判斷產品/功能的重要性或優先級，比如看流量指標 UV、PV 等;
• 衡量產品/功能的轉化能力，在產品改版之初或改版后，觀測關鍵轉化指標，如點擊率、CTR、鏈接轉化率等，評估產品整體表現是否符合預期;
• 發掘問題，指導設計。在設計之初，可以在關鍵轉化指標的基礎上進一步拆解，分析影響關鍵指標的因素都有哪些，通過觀測這些影響因素的數據表現，來判斷產品/功能模塊是否有持續優化的空間。

以上三種情況中，只有指導設計的分析過程看起來有些復雜，它基本包含了前兩種情況的分析，下面重點針對第三種情況，介紹一下數據分析的思路。

確定目標

剛開始，需要先明確數據分析是為了什么，這個目標最好是可量化驗證的。比如發布改版的目標是提高發布成功率還是提高發布字段的填寫率，從而豐富信息展現?兩種目標的數據分析過程完全不同，甚至結論可能會是兩種相反的設計方向。有的產品可能要求兩個目標都達到，這個時候設計師需要兩個目標都考慮，必要的時候在有沖突的設計點上做權衡。

問題預設

在明確了總目標后，需要在總目標的基礎之上進行拆解，分析影響目標的因素可能都有哪些，哪些可能還有提升的空間，這個過程就是問題預設。拆解目標、分析可能性的方式有很多，列出一些，供大家參考交流：

1. 轉化漏斗

按照時間順序，列出用戶從開始到達成目標整個過程中的關鍵點，即任何可能操作失敗導致用戶流失的觸點，一一列舉，繪制成轉化漏斗。轉化漏斗本身就可以作為預設的問題，另外，還可以在轉化漏斗的基礎上發散影響轉化漏斗的問題，進行驗證。這種方法作者用的多一些，它在解決流程明確的需求中比較清晰，可以系統化的列出各個轉化環節的情況。

2. 頭腦風暴

組織頭腦風暴，往往也會發散出可能性較高的問題預設，成員間思維碰撞，互相啟發，也會帶來很多新思路。組織頭腦風暴的方法有很多，本文篇幅有限，就不贅述了。

3. 用戶調研

通過用戶訪談或可用性測試等用研方法，也可以搜集到很多問題，通過數據分析對問題發生的概率及影響程度進行定量驗證后，針對發生頻繁、影響用戶量大的問題優先設計解決方案，效果更直接，效率更高。有些問題的影響程度難以通過數據量化，可以考慮通過調研問卷的方式進行驗證;如果時間及資源上來不及上線問卷，也可以根據經驗作出判斷，設計簡單的方案小成本上線驗證，如果上線后衡量目標的核心指標有所提升，說明預設的問題方向無誤。

4. 專家走查

成立專家組進行問題走查，使用得也比較普遍?？梢栽O定幾個典型任務，帶著任務進行走查。筆者推薦將用戶分層，每類用戶隨機抽取幾個用戶的行為路徑，專家進行真實場景還原，這樣走查的問題可能會更加真實。

請注意，問題預設環節在于發散，認為可能影響目標的因素都可以考慮進去。另外如果發散的問題比較多，導致驗證工作量較大，也可以根據經驗判斷預設問題對目標影響的大小，加以排序，按照優先級進行驗證。

確定數據指標

根據預設的問題，確定衡量問題的數據指標都有哪些?，F實情況會因為歷史原因、技術實現成本等等，并不是所有數據指標都適合觀測。所以，衡量同一個問題，可能需要發散多條思路進行驗證。

比如在分析表單類產品時，目標是提升表單轉化率，預設問題是各個表單控件可能會有填答障礙。衡量控件是否有填答障礙，可以有以下幾個思路：

• 統計表單報錯率，了解用戶在哪個控件遇到哪種障礙比較多，可以針對性的進行優化;
• 觀測用戶填答單個控件的時間，來判斷該控件是否有填寫障礙，是否需要進一步優化;
• 統計在表單提交時，哪些控件的填寫率低，也可能是填寫體驗差、影響轉化的原因;
• 統計填寫失敗的表單，哪些控件的填寫率低，在表單中順序比較靠前的控件，很可能是填寫體驗差、影響轉化的原因。

數據指標有很多，每類產品的指標也會不盡相同，難以窮舉，觀測哪些指標需要具體問題具體分析。列幾個常用的供參考：點擊率、CTR、使用時長、鏈接轉化率。

需要注意的是：

• 確定與業務目標、預設問題一致的、有關聯性的數據指標。
• 確定是否需要拆分維度，如按業務看、按用戶類型看等。
• 確定數據指標是否可觀測或易于觀測，建議確定較小成本的數據觀測方式。

一般來說，如何驗證預設問題，可以和更專業的產品經理或數據分析師商量，設計師主動參與這個過程，一方面可以幫助團隊發散更多思路，另一方面理解數據分析過程有助于發散設計解決方案。

收集數據

收集數據一般也可以有更專業的產品經理或數據分析師，設計師了解數據收集的過程，可以了解可能影響結論的因素都有哪些，盡量規避風險，拿到準確可靠的數據。

1. 數據觀測時長：

根據產品特性，規律波動的數據以波動周期的整數倍為觀測時長即可。如以周為周期規律性波動的以周為單位觀測，一般為一周到兩周。 盡量避免節假日、活動期間、淡旺季切換周期內觀測數據得出結論，因為數據波動大且影響因素不確定。

2. 數據觀測方法：

如果要做數據對比，確定對比方式，AB 測和改版前后對比，確保選擇準確性及可行性佳的方式。如果要做 AB 測，則需要避免多個 AB 測交叉同時做，另外流量配比的多少也可能影響結果，一般采用 50%：50% 的流量配比。

如果采用改版前后對比的方式，則需要在產品表現平穩的時間周期內，避免旺季淡季變化周期內觀測。不推薦用這種方式對比，影響因素較多，難以得出較為準確的結論。

3. 數據量級預估：

樣本量：一要有代表性，一般數據統計采取全樣本的方式，沒有這類問題;有些調研性質的數據，需要通過人工處理，選取部分數據進行分析即可，此時要求選取數據要占總數據量的一定比例，才具有代表性;二是樣本基數要足夠說明問題，量級太低，結果波動太大，可以調高量級或拉長觀測周期，再得出結論，否則沒有可信度。

轉化量：在樣本基數足夠的基礎上，如果轉化量級太低，也可能轉化量在小范圍波動時，轉化率波動較大，導致數據不準確，可信度低。此時應考慮放棄觀測轉化率，尋找其他方式。

數據分析

在收集到數據后，根據設定的數據指標進行數據統計，此時可能用到數據透視表、可視化數據圖表等等。專業的數據分析方法有很多，設計師掌握求和(SUM)、求平均值(AVERAGE)兩個基礎公式，以及餅圖、柱形圖、條形圖、折線圖、散點圖幾種可視化圖表，應該就夠用了。

需要注意的是：

• 如果需要比較，一般使用比率進行對比，不用絕對量值直接對比，消除變量的影響。
• 比較比率的結果是變化率，變化率的算法是(新版比率-舊版比率)/舊版比率×100%。
• 有些數據初始值處于較低水平，對比變化率可能非常高，所以絕對差值及變化率兩者都需要看。
• 特殊數據的處理：一般數據處理有清洗的環節，在設計側涉及較多的是問卷的數據清洗，其他情況少有涉及，所以沒有單獨講。但是有偶發的因為特殊節假日、運營活動期間導致部分數據波動異常，前面講了最好避免出現這種情況，如果遇上了，可以除去這部分特殊數據進行分析，也可以分開兩部分進行分析，對比正常數據和特殊數據可能會有新結論的出現。比如運營活動期間，可能流量沖得比較高，但是因為新用戶可能精準性差，導致轉化率會明顯比平時轉化率低。

得出結論

因為前期對于目標及問題分析的比較清晰了，在數據統計出來之后，有些結論就呼之欲出了。有些需要根據經驗判斷數據變化是否在預期范圍內，比如：

• 該產品該指標歷史上變化的范圍是?
• 相似產品該指標歷史上或現在的范圍是?
• 做的改版或者近期的各種影響因素是否足以影響數據有這么大的變化?

如果數據超出預期，需要分析可能原因是什么?是否合理?

• 對于 AB 測的數據，需要進一步考慮數據差異是否明顯。
• 需要分析考慮在分析期間數據波動是否符合規律或者一致。
• 有些類型的新方案剛上線，轉化會有明顯提升，此種情況如果轉化提升的程度和方案不對應，難以用理論解釋提升的原因，此時建議再觀察一段時間數據趨勢是否有變化。如果轉化隨時間推移呈不可挽回的下降趨勢，原因可能是用戶對新方案需要有適應的過程，可能會出于新鮮感、好奇心或不熟悉而多次、反復點擊。這種情況的處理方式是在線上多觀察一段時間，待數據穩定時再進行分析，得出結論。

結語

可以看出雖然文章標題名字是數據分析，但是內容更偏重設計過程中如何通過數據挖掘問題，以及在數據分析中遇到問題都有哪些解決思路。以上是筆者從歷次項目交互設計總結出來的經驗與方法，希望能給各位設計師帶來啟發，有疑問的讀者歡迎留言討論。