原文链接：
很多产品都是看起来很好，但是不能给产品带来实际价值。
比如
商业世界文案设计，广告思维都是如此
杜蕾斯的广告，比如益达
给消费者明确的消费使用场景，明确的消费动机
什么是虚荣数据呢，其实也就是那些看上去很好，却不能给这个产品带来丝毫价值的数据。而这些看起来很好的数据，却迷惑了背后的本质。
我先讲之前工作上的一个数据探索的故事吧：有一次在国庆前，我们团队做了一次首屏的改版，起初产品团队是不太支持做这个方案，担心常规版的情况下因为banne位置移到icon下面影响运营的数据。
刚上线时一周里，banner数据掉的很厉害。很快，我们在国庆前立马推出皮肤氛围的ab版测试，结果皮肤版本数据超乎寻常的好。
于是，我们通过这个数据给设计方案做了一次有力佐证。后来呢，这个皮肤的方案成了运营活动的一把利器，大型活动、节假日都利用上了。
事后，我也一直在反思，当初设计方案和数据之间的关系：是设计方案影响了数据？还是国庆假日影响了数据，banne点击量的数据最后产生了什么行为变化？
接下来我来谈谈我对数据的一些新的认识。
一些看起来美好的虚荣数据
什么是虚荣数据呢，其实也就是那些看上去很好，却不能给这个产品带来丝毫价值的数据。比如点击量、下载量、用户数、停留时间。我们来看看这些数据是如何没有产生价值的。
（1）点击量
是指在某一个时间段里对某个资源位点击的次数。然鹅，单独谈点击量并没什么意义,比如一个用户在有些资源位连续点击点击，或者因为一些利益性的活动补贴引发的点击量变化，这些统计出来的数字到底哪个才能代表呢？
点击量（是指在某个时间段里对某个资源位点击的次数）没有意义：
- 比如一个用户在有些资源位连续点击
- 或者因为一些利益性的活动补贴引发的点击量变化
- 在用户人数不变的情况下，单独未知的点击量增加，必然会导致其他部分的点击量降低，其实是0和博弈
（2）用户数（UV PV VV）
计算用户数量只是一场毫无意义的人气比赛，除非能让用户做对产品有利的事。比如，在推出活动时，有多少用户能转化购买？只有知道了这个数字，这个用户数才是有价值的。
（3）停留时间
用停留时间数据来统计用户参与度或活跃度，他并并不能说明什么问题。比如，客户在某个全是文字内容页面上停留了很长时间，不见得能看出什么价值。（阅读时间，文字理解难度）
产品效率体验本身就和停留时间相矛盾
（4）下载量
尽管有时会影响你在应用商店中的排名，但下载量本身并不带来价值；还需要参照的是：用户下载后的激活量、账号创建量，等等。
可付诸行动的指标
可付诸行动的数据是指我们通过数据的揭示，找到问题所在，从而改进设计方案，决策下一步的行动。
（1）转化率=转化次数/访问次数
转化率可以用来衡量产品的效果，比如某个资源位每天能带来100次用户访问，但是只有1个转化。在这个数据下，做了一些方案改进，发现每天能带来100次用户访问，提高到有50个转化。这就说明设计方案改进提升了更高的转化率更高。
举个例子，我们在养老计算器中发现用户转化率低，通过对计算结果前置，影响用户购买决策，在一定程度上提升了转化率。（金句）
（2）~~跳出率 ~~ 退出率（ER）
跳出率是反映流量质量的一个指标。用户进入 app后，只访问了一个页面就离开了，用户访问次数占总访问次数的百分比就是跳出率跳出率越低说明流量质量越好，用户对产品的内容越感兴趣。
举个例子：我们通过漏斗数据发现用户操作路径太长，把好几个步骤的路径缩减到一步操作，最后看到用户跳出率就减少了。
如何理性利用数据的价值？
1. 人为因素左右数据
AB测试时，单一变量测试，现实生活中，很难做到单一变量，所以数据很多时候都需要进行分解探讨，由于每人解读数据不同，得到的答案往往偏向自己的工作意图。
数据本身并不会欺骗人，他就真真实实存在哪里，而是有一部分人为了自己的某些利益有选择性的展示一些数据，利用数据为自己所用。
比如：开头我提到了，皮肤带来的点击率的数据，实际也是没有什么用的虚荣数据，只是利用了数据来佐证设计方案。但背后的真实数据原因还需要深入挖局。
所以，有的数据并不一定是结论事实，它取决于使用者的出发点和目的。
2. 数据的定量与定性（一个负责量，一个负责质）
定量数据是指那些可衡量的数字，具有科学性，比如评分、排名。定性数据是不精确的、具有一定主观性，比较难量化。如果定量数据回答的是“什么”和“多少”这样的问题，那定性数据回答的就是“为什么”。
举个例子：
定性数据：用户喜欢金黄色数据提升明显
定量数据：金黄色的改版带来50%的数据提升
3. 数据的参照性
如果单从一方面看数据是没有意义的，需要和其他数据参照，找到数据之间的关系。比如，两个数据之间总是一同变化，则说明它们是有相关性的，如果其中一个数据导致另一个数据的变化，则它们之间具有因果关系。
举个例子：因体验金奖励策略的投放，提升了听课的时长。这是有一定因果性的，奖励影响了听课时长数据。
4. 依照经验观察
举个例子，在夏天，“冰激凌的销量”和“溺水死亡人数”成正比，二者的趋势高度吻合。看到这条信息，简单的以数据分析的思维就会理解为，冰淇淋销量带来溺水死亡人数上涨。
但如果以常识去推理，就会知道这两个数据根本没有联系，唯一的共同点都在于“夏天天气热”，冰激凌的销量会因此上升，下水游泳的人也会因此增多，因而就会增加溺水人数。我们可以看到数据是客观的、理智的，但人是具有观察和经验的，需要用经验观察判断数据的客观性，避免走入数据的误区。
5. 深度挖掘—用户选择的不一定是真实的
百度在做搜索功能调研时，通过问卷调查统计，发现有一部分数据显示：用户不愿意出现历史记录这个功能。单从数据上来看这点比较异常，如果单从数据出发，就是满足用户，去掉历史记录这个功能。但在对用户做了深入调查后，发现用户是因为对自己搜索的一些隐晦的词的介意，不希望出现在历史记录里。
这样，百度在对这个历史记录的改进是，用户可以选择清除历史记录、也可以选择不清楚。我们可以看到，用户有时候做出的选择导致的数据异常，不一定是最真实的情况，还需要根据数据反应的情况进行深度挖掘，采取最合适的方案来解决。
6. a/b数据测试价值体现
比如一个设计方案测试的结果，其作用在于帮助优化产品体验及商业价值转化。借助a/b测试的数据结果，影响设计方案的结果，例如，如果把app功能做成a 、b版两种形式，对比哪个方案能带来更多的转化。
另外需要注意的是，这个测试更多是用于功能、品牌定位方面的测试，我见过有人提议用ab测试做图标的1像素、2像素测试，这种测试其实是毫无价值的。我们利用数据指标，是为以后能在数据上通过设计方案改变用户行为，是因为它最终目标在于价值的体现：有效获取用户，创造营收。
小结
我们认识到数据是具有理性的，他就是客观存在，但也有它的局限性，数据只是我们用来总结改进用户体验产品的一个工具方法，实践才是真理，想要更深层次的解读数据背后的价值，就要自己多去挖掘和实践。
若有收获，就点个赞吧
0 人点赞
