走近设计中的数据数据在产品设计中的运用

　　文章从三个方面带我们走近设计中的数据，帮助大家理解数据是怎样对设计师、对设计成果产生价值的，并且有理有据的说明了，设计项目中改如何建立数据指标，以及有哪些切实可用的分析方法。
　　数据价值
　　数据的价值在于驱动产品优化。这里的优化体现在两点，辅助设计决策和量化设计效果。项目前期，了解数据发现问题关键点；后期，量化数据，有助于产品迭代，空口无凭，那就用事实说话。小胖老师举了一个58APP中IM有效会话漏斗的例子，一步步的来看到底是怎么驱动优化的。
　　怎样的过程称之为一次有效会话？C端用户进入详情页，点击IM入口，发送会话内容，B端用户给出回复并被C端成功看到，才为一次有效会话。从上图可以看出，这个过程涉及4个页面，页面跳转也就自然存在流失，由此可得到一个会话漏斗。
　　数据漏斗直观反应出3个主要问题：
　　C端用户发起会话路径流失大；
　　B端用户回复率低；
　　C端用户活跃度远高于B端用户。
　　推测问题可能原因（以二手房业务线使用场景为例）：
　　C端用户发出会话前需要组织语言，如询问哪些问题，此过程对于购房意愿不够强或不明确的用户成本较高；
　　C端用户不了解中介的服务情况，难以对回复产生预期；
　　B端用户同样不了解询问者的情况和需求，没有强烈的回复意愿，且其所处环境较复杂，大概率处于户外活动状态，难以及时回复等。
　　这时我们通过头脑风暴可以获得很多猜测，根据这些靠谱或不靠谱的猜测就能够推导出多个产品设计点、优化点，再评估优先级、可行性进行筛选，即达到了针对性优化的目的。真实项目中，优先进行尝试的是购房意愿单和经纪人服务评价功能（暂未上线）。
　　数据指标建立
　　设计方案确定后，如果设计师想通过数据来验证设计效果，如何梳理较为系统的量化指标呢？小胖老师介绍了一个数据指标建立的模型Google的GSM（GoalSignMetric）模型。
　　梳理思路：设计目标决定衡量的数据指标，从设计目标出发，推导相关可量化指标。
　　还是以IM购房意愿单为例，结合该项目，我们来看一下运用gsm模型为此功能搭建数据指标框架。
　　Goal设计目标
　　前面提到说设计目标决定衡量的数据指标，所以第一步要明确我们设计的目标是什么，或者说是为了解决什么问题。那么，购房意愿单的提出，有两个主要目标：提高C端用户发起会话的意愿度；提高B端经纪人回复意愿度。
　　Sign现象信号
　　确定了目标，我们再假设，如果能够达到这些设计目标，用户会产生怎样的态度和行为。假设购房意愿单真是切中了用户的需求，他们会有怎样的反应呢？我们猜想：
　　C端用户觉得有用，填写意愿单的人多，填写完后发送的人也多；
　　C端用户很爱用，主动将已有意愿单发送给经纪人或者修改后发送给经纪人；
　　经纪人看到信息后，主动回复信息。这是正常目标达成情况下，用户可能会发生的反应。
　　Metric衡量指标
　　现象信号中，有哪些是可以转化为数据指标的信息，这些就可能会成为衡量设计效果衡量的指标。还是对应之前的现象信号来看，可用的指标有：
　　1。1填写入口功能的点击率；
　　1。2填写后发送的转化率；
　　2。1已有意愿单的点击率；
　　2。2已有意愿单的修改率；
　　2。3已有意愿单的再次发送率及发送次数；
　　3。1C端用户发起会话转化率；
　　3。2首次发起会话后B端回复率。
　　这样，我们就得出了一系列较为系统的功衡量指标，一定程度上验证功能优化的效果。
　　运用此模型要注意的是，不一定所有现象信号都能被量化。在建立数据指标过程中强调两点，首先重要项目中，设计师最好也独立进行数据指标的梳理，去和产品的关键数据指标相结合。形成一套完善的量化指标；其次不要只关注核心指标，最终上线效果会受很多因素影响，整体的体验很难通过单一功能优化获得明显提升。但是可以通过较为详细的数据指标，验证功能是否满足用户需求。例如，购房意愿单的用户使用频率、意愿单内容维护度，都可以验证此功能的需求满足度。
　　分析方法
　　以上的套路可以帮我们明确要看哪些数据，那么数据收集到之后呢，分析过程同样至关重要，小胖老师给出了一些常用、实用的数据分析方法，一起来学习吧。
　　相关性模型
　　多年不学数学的小编，看到公式时是颤抖的
　　我们可以代入运营活动场景来理解，A为任务完成页，B为分享邀请页，交集T是完成了任务并且分享的用户，想要了解这两个页面的相关性可以这样计算；P任务完成页到邀请页的转化率TA，R通过所有场景到达邀请页中来自于任务页的占比TB，两页相关性系数Fscore2PR（PR）。
　　热力图
　　热力图是大家都相对熟悉的一种数据可视化方法，能够直观展示一个页面各模块的点击量，适用于PC端页面和APP中导流类页面的分析。以58APP首页为例，热力图可以表达用户来到首页后往下游的转化情况，以及每屏的转化比较，然后我们发现，仅此而已，这样的数据带来的帮助可能并不足以支撑优化需求。
　　小胖老师推荐，如果结合用户细分来看呢？我们知道58面向的用户分布在各个业务线，以招聘、租房、二手车业务线的用户来横向对比，可以明显看到不同需求的用户在首页的走向是有较大差异的，有些功能使用频率相似，有些则相差很多。这样的横向比较，会比单纯看热力分布有更多收获。
　　除了用户细分，还可以与用户轨迹分析搭配使用。在58M端首页改版的项目中，新版上线后，数据并没有明显变化，这时很难判断改版的效果，如果结合用户轨迹再研究，会发现其实效果是显著的，下面我们跟随小胖老师逐一了解。
　　M端首页的行为轨迹有这样三个项目，用户步长、页面流向和列表往详情转化质量。用户步长是指，用户进入网站内第一次到达详情页经过的步数；从如下图中可以看出，步长为24步的用户占比有明显提升，增长了5。72，需要更多步长的用户占比减少，由此可看出首页改版让用户能够更快到达目标页。
　　我们还可以对比不同路径的页面流向，如新版中首页进入大类页（路径A）和首页直接进入列表页（路径B）两种路径的后续流向。新版首页采用大类icon样式，相比于旧版更强调大类入口，而数据显示：B路径会额外增加无用操作；B路径返回率为A路径的2倍；A路径进行筛选的概率更高；这些都能体现出首页改版突出大类入口的效果。
　　再看转化质量的比较，还是依据上文中的A、B两种路径，A路径中列表往详情转化更高，且筛选使用率更高，说明路径A的ListDetail转化质量更高。那么根据以上种种验证，PC端的首页也随之改版上线大类icon样式。
　　趋势图
　　大家对于趋势图就更不陌生了，是一种能够直观表达数据升降的线图，邵倩老师依然要叮嘱两句。第一，不要只关注均值，还要关注连续趋势；上涨不能完全说明什么，但持续稳定的上涨就是有意义的。第二，坐标区间很重要；现在很多人在项目汇报时，为了数据好看，会在区间坐标上做手脚，来放大数据的涨幅波动（如下图），所以我们在看别人的数据报表时要留意一下坐标。第三，3的浮动很正常，不要因为3气馁，也不要因为3过分欣喜。
　　转化漏斗
　　文章开始举过漏斗的例子，相信大家已经有了直观感受，这种分析方法，可以帮助设计师从宏观上定位问题及关键节点，除了指导功能优化，还可以指导用户定性研究，为问卷、访谈提供方向。
　　最后的最后，小胖老师留给我们的经验之谈，数据并非评估设计的唯一标准，设计师没必要太功利，应该更多的专注于设计本身，数据只是一种参考，若是真的想要验证成果，也要尽量参与到指标建立过程中，尽可能全面的进行评估。