https://www.uisdc.com/data-analysis-3

经常能听到设计师大谈特谈数据分析，一般讲的是漏斗分析，或者分析留存、PV/UV 之类的分析方法和细节，偶尔有些设计团队分享谷歌的 GSM 模型，但是很少听人讲数据分析的基础逻辑。这周我正好事情很多，就和大家简短的分享一下。

学习数据分析，从数据分析的4种方法开始在设计工作中，我们常用的数据分析方法有以下 4 种： 漏斗分析 拆解分析 对比分析 行为分析 漏斗分析 漏斗的定义：基于明确起始操作路径，根据每个路径节点的用户数（操作次数），各个节点流转过程中，会存在一级级的流失，最终形成漏斗形态。阅读文章>
设计师和产品想法不一致怎么办？试试谷歌的GSM模型！我们为什么要使用 GSM 模型 常规工作中，需求往往由 PM 发起，UE 团队到底如何跟 PM、FE 等团队成员协同，达成目标共识，是我们值得讨论的。阅读文章>

对于设计来讲，数据分析就 4 步：

  • 制定指标：知道要去分析什么
  • 衡量指标：什么是符合预期、什么是正常波动、什么是异常波动
  • 拆解分析：假如数据不符合预期/出现异常波动，找到关键场景
  • 分析原因：内部/外部原因

    制定目标

    项目目标：也就是谷歌 GSM 里的“Goal”。项目开始时，你就应该了解：这个项目的业务目的是什么？是提升老用户的平台粘性还是拉新促活？是提升熟练用户的操作效率从而提升平台体验，还是帮助新用户更好的学会使用产品从而降低平台运营成本？项目目标是整个设计项目的根本评判标准，虽然一般不是设计定的，但我们可以在开工之前问一嘴。
    设计目标：大部分情况下，设计目标和项目目标是两个不同的目标，设计目标往往只看行为指标（PV/UV/时长等等）和态度指标（满意度/NPS 等等）。
    设计目标可以是项目目标的一部分，但是因为项目目标经常包含和行为/态度数据（也就是 PV/UV/满意度）无关的滞后业务指标（比如 GMV），这种业务指标对设计没什么指导价值，也很难证明设计对业务指标有直接影响，所以一般不建议把项目目标直接作为设计目标。

    衡量指标

    现在你已经有了自己的设计目标——比如你的项目满意度是3.5，那3.5是好还是差？这是需要定义的。互联网设计是一种带点创意的、可证伪的实证研究，为了让我们这个设计可证伪，我们需要划出那条证明/证伪的界限。一般而言有三种办法：
    纵向趋势比较：我们可以和上一个时间周期做对比（比如本月和上个月的满意度对比，这叫环比）；或者和一个更大的时间周期中相同的节点做对比（比如今年 1 月和去年 1 月的满意度对比，这叫同比）
    横向比较：和竞品或者和平台其他模块比较，比如虽然我们的功能满意度只有 2，但是竞品是 1，说明总体我们解决的比他们稍微好些。
    基线比较：有些量表（比如 NPS、SUS）自带了推荐的基线值，低于基线（比如 NPS 的 7 分）可以说明体验就是不太好。

    拆解分析

    讲这一块之前我们先举个例子，北京某大学有两个学院，经济学院和教育学院。广东/天津两地各有 700 个学生报考了这个大学，其中广东省有 380 人高中，而天津只有 260 个人考中了，假如你来做这个分析，现在能得出结论：广东省的录取率比天津省高吗？
    image.png
    不能。
    假如我们以学院-省份两个维度去拆解数据，可能会发现：经济学是当年大热门专业，录取门槛极高，而教育学院没招满，录取分数线比较低。广东省报考某大学的学生报教育学院的比较多，而天津报考某大学的学生报经济学院的多。这么一算，反而在两个院中，天津学生的录取率都比广东学生高
    image.png
    这件事情说明，我们需要探索、分析所有可能对总体情况造成影响的场景或者指标，否则分析结果就会和事实产生偏差。以满意度为例，有几种拆解维度：
    基于时间的：缩小分析的时间单位，是否在某一周内满意度骤降，导致一个月内平均满意度都有下跌？
    基于人口统计学的：不同年龄段/性别/地区/语言的用户，是否在满意度上有差异？是否有明显不满意的群体？
    基于用户技能/行为习惯的：新老用户、小白/专家用户、不同用户角色、不同诉求的用户是否在满意度上有差异？
    基于任务环节的：不同任务环节、甚至不同页面，是否在满意度上有差异？

    分析原因

    拆解不同维度分析后，我们基本可以定位到具体影响设计目标的关键问题点：比如一部分老用户的满意度下降了，或者 1-2 月间的 PV 大幅下降导致整体指标受影响。最后，我们需要为这些现象找到原因。
    有时原因是周期性的、不可避免的，比如一般改版后老用户都需要一点时间去适应新的设计方案，这会导致短期内满意度降低，但 2 个月内会有慢慢回升。又或者节日/突发性事件都会对某些产品/设计产生影响。有时原因是外部的：比如虽然我们没有做什么事情，但是竞品上线了新功能，或者因为政策局势的变化引起了变化。
    当然，更多的时候原因是内部的、和设计相关的，比如设计中遗留的可用性问题或者部分边缘场景没有被支持到。为了挖掘出这些原因，往往我们需要和用户实地访谈，或者至少打打电话。因为问卷、取数的结论比较浮于表面，只能给到浅层的概念，而深刻的洞见、真实的反馈，只能在人和人沟通的时候渐渐表露出来。
    用6个章节，帮你掌握常见的数据指标和数据分析模型一文读懂设计师应该懂的数据指标和数据分析模型。阅读文章>
    欢迎关注作者微信公众号：「白话说交互」