前言：设计和创作不一样，设计往往存在目的和理性的部分，虽然有的时候咱们不做数据分析也可以出设计方案，但数据作为一个定量的维度，可以支持设计方案的推导和决策，以及对方案效果的验证。
那么设计师需获取哪些数据和如何进行数据分析，帮助我们更好的了解用户，让团队少做一些无用需求，或者在错误的需求方向上停止脚步，遏制一些异想天开的想法。本文通过常见的概念和案例分析，总结了关于数据方面的一些基本知识，主要内容包括：
一个好的产品需要更加“精、准、全”的数据，能拓宽产品判断的渠道，以一种客观方式反映某些现象或问题。
一个完整的设计方案需要有设计的指标，量化指标的体现就是用户在使用产品时操作行为的数据体现，通过用户的数据来反馈和指导优化设计方案。
在分析和使用数据之前，需要清楚地知道不同数据指标的定义，以下列举出了一些设计师常用的数据指标及其定义。
人均页面访问量是指平均每个独立访客访问页面的次数，即 PV/UV，用来评估网站的深度。如果是内容型网站，人均页面访问量越高，说明内容越有价值，对用户越有吸引。
平均停留时长是指浏览某一页面时，访客停留时长与页面独立访客数之比。在任务型产品中，停留时间越长表明信息架构越不清晰、效率低；而在内容型产品中，更长的停留时间表明内容对用户更具吸引力。
点击率是指网站页面上某一内容被点击的次数与被显示次数之比，点击率反映了网页上某一内容的受关注程度，经常用来衡量广告的吸引程度。
点击率点击率是指网站页面上某一内容被点击的次数与被显示次数之比，点击率反映了网页上某一内容的受关注程度，经常用来衡量广告的吸引程度。
跳出率指用户通过搜索关键词来到你的网站，仅浏览了一个页面就离开的访问次数与所有访问次数的百分比。
设计师一般聚焦于用户体验质量的提升，因此需要满足用户体验相关的数据指标才能更好地完成设计目标。比如B端产品的核心目标就是保证合作商户多，让商户保持持续付费的能力。那么根据用户体验周期的 5 个阶段 （触达-行动-感知-回访-传播），对应得出以下 5 个体验指标，不同阶段产品增长目标不同。
产品拓展期有用户产品才有机会活下去，不管是什么产品，都需要让用户看到产品价值，充分考虑用户的特点及需求对应设计不同的获客方案。相关的吸引度指标：曝光率、到达率、点击率、退出率。
获取用户后，需要使用户保持活跃，C端产品一般从日、周、月维度统计用户的在线时长，浏览时长，点击率等多行为角度分析用户活跃度，但是B端一般看核心功能使用频次即活跃率，以及完成过程中的操作效率；相关完成度指标包括：首次点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率等。
Retention（留存），让用户持续使用产品，不流失
一款产品如果想要成功，光有用户是不够的，需要用户留存率足够高才可以，保证核心功能及客户的留存率是关键；相关满意度指标包括：操作难易度、布局合理度、界面美观度、内容易读性等。
用户留下后，需要有变现的能力，只有实现用户变现，产品才有了商业价值，才能让产品获利；相关忠诚度指标包括：30天/7天回访率、跨平台的使用重合率等。
打造一款让用户喜爱的产品，通过分享传播的方式，获得用户与变现，像活水一样，源源s不断，持续盈利，创造价值；数据指标主要为净推荐值（NPS）
Google的GSM模型目标（Goal）→信号（Signal）→指标（Metric）是设计师比较熟知的数据模型，通过确立目标从而判断目标对应的信号，继而拆解为可量化的信号指标，完成目标到指标的转化。这里分享的是：借鉴GSM的思维方式进行拆解映射。
定目标值（可量化的目标）：即量化后的期望达到的业务效果，是需求实现效果的主要参照物，以产品改版或迭代的目标制定出阶段性的设计目标为例：
产品需要提升商家入驻率，对应的设计目标则要服务于产品目标，但可以从设计简化的入驻流程等设计策略实现产品目标。
当确定好设计目标后，接下来是设定出衡量效果的方式和数据，数据指标可以建立一个统一的判断标准，直观地反映设计方案与设计目标之间的差距，成为迭代优化的重要依据。
例如：通过用户行为表现来衡量商家入驻的资格申请表单，根据旧版本的完成率与新版本的完成率计算出与设计目标的差距。
在产品设计前，需要通过用户行为数据来寻找优化突破口，那么想要获得这些数据，就需要先对旧版做好数据埋点。我这里是梳理了关键任务路径在每个节点让前端添加了统计代码，方便将需要的数据统计出来，对产品迭代具有重要的意义。（有图）
不同公司有不同的数据统计工具，一般大公司会建立自己的数据分析系统，也有很多公司会采用第三方统计工具来收集和分析数据。需要注意的是，Web 和 App 的数据统计工具及埋点方式是不同的，常见的第三方统计工具有： Web 统计工具：Google Analytics、百度网站统计等； App 统计工具：Flurry、百度移动统计、友盟、诸葛IO 等。
数据分析是以业务场景和业务目标为思考起点，业务决策作为终点，按照业务场景和目标分解为若干影响的因子和子项目，围绕子项目做基于数据现状分析，找到改善现状的方法。数据分析是一个检查、清理、转换和建模数据的过程,目的是发现有用的信息、提供结论和支持决策。
例如：单项分析法：趋势洞察、渠道归因、漏斗分析、热图分析、A/B分析、留存分析等；
场景分析法：根据用户的使用场景，按时间、地点、任务进行分析。
比如：（如图）这是产品新上的一个功能，统计了近一周的内容浏览量PV、点击量PV、以及对应的ctr(点击率)，请针对数据对新功能的整体情况进行分析并发现问题，怎么解决？
可以发现浏览量在3.5-3.6日间呈逐渐下降的趋势，而3.7号开始不断上升，并在3.8号达到巅峰。反观浏览量，7日内数据一直低迷，起伏波动不大，按道理来说，点击量的变化趋势应该和浏览量一致才对。
·7日功能浏览量的均值与中位数非常接近，约为1340万，几乎没有差异，数据波动较低，没有出现离群点，因此可认为内容浏览数据非常健康。
·7日功能点击量均值为145万，中位数为135万，出现了均值高于中位数的情况，但箱型图中未出现离群点，应该是后三天的点击量相比前几天较高，拉高了整体均值。
·从图中可以直观地看到这7日功能的浏览和点击情况相差巨大，可以得出
最终结论:浏览量的提升并未带来点击量的提升，整体点击率过低。
根据前期GSM模型设定好的设计目标数据指标，制定相应的设计方案。其中，设计策略是制定设计方案的源头，明确设计策略之后，首先要做的是挖掘决定策略实现效果的关键因素，再由关键因素推导出最终的设计方案。
举个例子，如果按照7+2原则简化商家填写入驻表单的流程作为提升商家入驻的策略之一，那么填写信息是否比较顺畅、文案表达是否很清晰等，就成了策略能否奏效的关键因素。
优化方案上线，我们的工作不意味着就结束了，重点要观察对应的指标有所提升还是降低，与优化前的版本相比较是否有所改善。很多时候往往不可能一步到位就把问题解决掉，需要迭代优化，不断通过数据跟踪来修正设计策略，达到我们最终的设计目标。
针对某 B 端产品信息编辑的问题，采取了功能前置、且信息可以原位编辑等多种策略方式，并且在列表中增加自动获取功能。新版上线后，用户完成所需功能平均时长为10秒，比改版前快了28秒，效率提升36.4％，本次优化达到了预期的效果。
在更远的未来，海量的数据将会是每个企业必不可少的基础支撑；对设计师而言，数据也是帮助设计发挥更大价值的强大帮手，不管是在设计前、设计中、设计后，尽量能将数据变成设计流程中的常规环节吧。
将数据思维变成一种习惯。早期的设计主要靠感觉和审美，慢慢的设计越来越讲究方法论和心理学，以后还可以再加一种，那就是依靠数据，它将让每个人都能获益。
