编辑导语:产品或运营的数据报表多是从本职业能影响的范畴出发,给出的数据要么和设计没有什么相关,要么更偏向整体效果,无法探究设计方案的作用。所以,数据分析不能偷懒,还是要自己做。本文作者介绍了设计的数据分析思路,一起来看看吧!

“凭什么说你的方案有效果?”

“讲了一堆你觉得,有客观依据么?”

是不是很想有理有据的把数据分析甩出来?

行!那今天就来介绍设计的数据分析思路,为你的方案增添10分说服力!

一、设计为什么要会数据分析?产品给的报告不能用吗?

谁不想摸鱼呢?可真的用不上呀!

产品或运营的数据报表多是从本职业能影响的范畴出发,去分析产品策略、渠道投放、运营手段等对整体大盘的影响。给出的数据要么和设计无甚相关,例如渠道的投入产出比,要么更偏向整体效果,无法探究设计方案的作用,例如参与人数、整体留存等。这样的数据,无法论证设计方案的影响效果,也就无法形成有效沉淀。

所以,数据分析,还是要自己做!

二、这样叫做“会设计数据分析”吗?

如果你知道哪些设计会影响最终数据指标,知道如何拆解成与设计相匹配的小指标,会通过数据看出问题或机会,那么这就叫会设计数据分析。

简单点,如果你曾被以下问题困扰过,那么下面的内容可要看仔细了~

  1. 我是根据产品目标来做设计的,但我没办法证明方案是怎么影响总指标的?
  2. 收到数据图表,但看不出这和我的设计有什么关系?
  3. 得到一组多维数据,可怎么看结论都只有比大小?

三、设计的数据分析如何做?

本篇文章将遵从数据分析的三大步骤“拆解—埋点—分析”,从设计视角进行讲解和案例探讨。

Step1:数据拆分

问题:我是根据产品目标来做设计的,但我没办法证明方案是怎么影响总指标的?

诊断:除了总目标,不知道还能如何验证。属于数据拆分的问题。

1. 怎么拆?

拆分数据是大化小的过程,宗旨是可以将终点数据拆分成过程数据、细节数据。以下为两个基础拆分思路:

1)构成法

【适用范围】有多维平行影响因素构成的数据,通常有固定公式的都属于该类。

【案例】商品交易总额GMV、用户终身价值LTV等。

2)行为路径法

【适用范围】总指标是“后置数据”,会受到一系列的“前置因素”影响。

【案例】用户留存。

在实际使用中,“构成法”和“行为路径法”通常是交叉叠加使用的。

例如,为电商的年终大促做活动设计,总指标为GMV(商品交易总额)。

  • 第一步:通过“GMV=点击UV*转化率*平均客单价”的一般公式,可拆出3个二级指标——“SKU点击UV”、“转化率”、“平均客单价”。但这3个指标并不能直接指向设计,需要继续拆分。
  • 第二步:“SKU点击UV”对照用户行为,即用户“进入活动页面—看到页面上的“商品橱窗”—点击陈列的SKU”。依照该行动顺序,可以找到对应的设计模块。“进入活动页面”转化为“活动入口点击率”;“看到页面上的商品橱窗”转化为“模块曝光率”;“点击陈列的SKU”转化为“模块的SKU点击率”。

到此,指标已拆分至与设计直接相关的数据,我们可以通过数据的表现,发现设计效果是否达到预期。

如果不满足于问题的发现,还想继续探讨如何设计效果更好,则需要通过对影响因素进行拆分,例如影响SKU点击的设计因素有位置、大小、动效、商品信息等等,通过AB测的方式,来找到设计更优的解法。

2. 概括模型

以上思路可以概括为:UJM+OSM模型。该模型非常通用,和做设计的思路一致,会设计就会拆数据。

3. 应用思考

案例:一款雇主招聘产品,为有更好的招聘效果,鼓励雇主在活动期间多查看简历、与应聘方沟通。那么“招聘效果”可以用哪些数据表示呢?

实际案例更为复杂多元,以上仅为大致的思考思路,并不代表标准答案。

Step2:数据埋点

问题:收到数据图表,但看不出这和我的设计有什么关系?

诊断:没有办法对应数据和方案的关系。属于数据埋点的问题。

1. 怎么设置埋点数据?

1)页面行为转化法

设置埋点的目标,是在设计方案中找到可以表达你所需指标的数据。是用户在页面上的行为形成了数据,我们需要做的是确认哪些行为可以表达数据,然后对行为进行统计。接上个例子,“模块的SKU点击率”=模块的UV点击数/模块展示UV,因此埋点数据是“模块的UV点击数”和“模块展示UV”。

2. 概括

这里归纳一些通用数据供参考。

以上数据收到后还需进行分析,才能所发现的目标。仅仅展示这些数据并不能叫做数据分析哦~

Step3:数据分析

问题:得到一组多维数据,可怎么看结论都只有比大小?

诊断:缺乏关联分析思维。属于数据分析的问题。

通过数据埋点得到多个单一数据,对单一数据进行不同角度的计算,再结合设计得出的结论,就是数据分析。

如果对数据具备充足的设想,这一步仅仅是简单的计算和推理工作。但在实际中,往往会因为前期的思考不足,拿到数据后只会比大小。

1. 如何找到分析角度?

分析就是找特征,以及造成特征的原因。因此,大小只是表象,大小必须和其他因素关联才是分析。以最常见的“比大小的思路”为起点,横纵拓展思路:

2. 案例应用

应用案例:C端招聘-留存数据分析

一款面对求职者的招聘产品,在节日期间开展活动,活动目标是通过任务奖励,引导用户产生和求职相关的行为。

已有数据:

其他数据:活动整体次留、产品次留。

依照上述思路:

1)比大小

A. 同期比较:

抽取以上数据并制作新表,观察可得以下三点。

Q1. 两类用户中哪类的次留表现更好?(人群性)

从整体数据看,“完成任务的用户”相比仅“参与的用户”,次留率明显更高。

Q2. 两类用户与活动整体留存相比表现如何?(事件性)

活动整体次留率为8%,“参与任务用户”和“完成任务用户”次留均高于整体次留。说明与任务相关的用户次留表现更好。

Q3. 两类用户与产品整体留存相比表现如何?(事件性)

活动期间整体产品的次留率为25%,通过数据可知:“参与3个任务及以上”、“完成1个任务及以上”的用户,可达或超越平台次留数据。

而这两部分用户占比活动用户数量极少,也侧面印证了活动次留低于产品同期次留的结论。说明该活动的内容或策略未达用户预期,可能是活动目标与用户使用产品的目标不一致,也可能是奖励吸引力不足。

B. 不同期比较:

Q1. 当前活动数据对比往期相同数据,是否有变化?(时间性)

方法参考以上,此处不再举例。

2)看趋势

A. 从参与任务数、完成任务数视角看:

Q1. 任务数与留存提升幅度之间有什么发现?

从留存提升效率看,“参与2个任务”到“参与3个任务”,留存提升最快(17.75%),其次是“参与3个任务”到“参与4个任务”(12.1%);考虑到“完成所有任务”(7个任务)的基数过小,排除“完成6个任务”到“完成7个任务”外,“完成2个任务”到“完成3个任务”,留存提升最快(24.26%),其次是“完成1个任务”到“完成2个任务”(17.64%)。

因此,尽量让用户从“参与2个任务”提升到3到4个、从“完成1个任务”提升成2到3个,对提升留存效率最高。

B. 从日期来看:

Q1. 两类用户留存变化与活动留存有什么关系?

以“完成1个任务的用户”留存为例,看转化与留存的关系:“用户活动次留”与“完成1个任务的用户次留”随时间变化趋势相近。说明转化与留存存在一定的正相关关系。

Q2. 活动期间,次留如何变化?

次留随时间呈现缓慢下降趋势,但基本维持在7-8%之间。结合该活动过程中无其他事件或策略来中途拉升留存,判断3周的活动对用户的留存效果相对稳定。

同理,如果在长期次留走势中发现有突然下降或提升的点,可以参考该时间段内是否有其他事件发生,这是一种寻找留存和事件关系的方式。

3)看分布

Q1. 参与、完成任务人数分布占比有何特点?对后续策略有何启发?

从参与不同任务数的人数分布看,参与1个任务的占比最高,达39.00%,远高于其他参与任务数。

从完成不同任务数的人数分布看,完成1、2个任务占比最多,二者相加占比达67.67%。

结合“任务数与留存提升幅度”的结论推理可得:如想整体活动的留存率提升,需要关注占比较大的“参与1个任务的用户”、“完成1、2个任务的用户”。且这两部分人群占比大,针对其进行专门设计,可以有效影响活动整体的留存。

Q2. 转化与次留随时间如何变化?有何发现?

此处转化指完成任务。根据趋势图可看出:

  • 完成1-3个任务的用户,次留随时间有所变化,但稳定;
  • 完成4-6个任务的用户,次留随时间变化有明显下降趋势,尤其是活动开启一周后;
  • 完成7个任务(全部任务)的用户,次留基本不随时间产生变化。

以此可得,“完成1-3个任务的用户”和“完成全部任务的用户”,在当前无任何中途拉升次留的情况下,再次访问的意愿基本不变。但完成4-6个任务的用户,则需要在活动开启一周后采取其他留存措施来帮助稳定留存。

四、总结

以上就是设计数据分析的基本思路,希望可以帮助大家建立基本的分析意识,面对数据不再迷茫。

不过,对数据的敏感度并非一朝一夕可以形成,今后也需要大家在具体案例中有意识的练习哦~

作者:梁晨曦

来源公众号:58UXD(ID:i58UXD),58UXD,全称58同城用户体验设计中心。

本文由人人都是产品经理合作媒体 @58UXD 授权发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议。