作为设计师，你是否遇到过这些问题：一直都在做产品的体验优化设计，但怎么知道是否真的有所改进？有 A、B 两种设计方案，要怎么理性地判断和选择最优的那种？都说要以用户为中心做设计，除了用户调研，还有什么别的方式可以了解用户？……
以上那些问题，其实都可以通过数据验证得出结论。在产品研发流程中，数据是基石，也是驱动设计的核心因素。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：
- 设计师为何要看数据？
- 设计师要看哪些数据？
- 设计师如何使用数据？
- 设计中常遇到的问题。
一、设计师为何要看数据？
1. 更好地了解用户
设计师需要了解用户，而数据则是对用户的目标、行为、态度等情况的量化。通过数据分析，我们可以更好地洞察用户的需求，进而为用户提供更好的体验服务。
2. 有力地支撑设计
不同于艺术的感性和纯粹，商业设计需要的是理性地观察和思考，数据是理性化的一种方式，是发现问题、判断思路、验证设计的重要依据，可以帮助设计师提升设计的正确率。
二、设计师要看哪些数据？
1. 常见数据指标
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。
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访问的次数之比。反映了网页上某一内容的受关注度，经常用来衡量广告的吸引程度。
人均页面访问量
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。
转化率
转化率是指用户进行了相应目标行动的访问次数与总访问次数的比率。比如 100 次访问中，有 10 个登录网站，那么网站的登录转化率就为 10%。用来衡量流程页面的转化效能，是任务型产品的重要衡量指标。
跳失率
跳失率是指只访问了入口页面就离开的访问量与总访问量的百分比。反映产品是否有足够的吸引度吸引用户深入访问，是衡量网站内容质量的重要标准。
平均停留时长
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。
2. 用户体验指标
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。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，简称 「5度」 指标。
吸引度指标
吸引度是指在操作前，产品能否吸引用户来使用、能否吸引用户产生相应的行为；相关的吸引度指标包括：知晓率、到达率、点击率、退出率等。
完成度指标
完成度是指在操作过程中，用户能否完成产品目标对应的操作，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。
满意度指标
满意度是指完成操作后，用户产生的主观感受和满意度；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。
忠诚度指标
忠诚度是指完成一次使用后，用户会不会再次使用该产品；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。
推荐度指标
推荐度是指用户能否将此产品推荐给其他人使用，数据指标主要为净推荐值（NPS）。
三、设计师如何使用数据？
1. 明确目的
确定设计目标
首先根据产品改版或迭代的目标制定出阶段性的设计目标，例如：产品需要提高首页轮播图的点击率，对应的设计目标则要服务于产品目标，但可以从设计专业的角度、特长、手段，参与实现产品目标。
设计目标可以用表达式概括为：设计目标 = 用「某设计策略」给目标用户带来「某价值」，以助力「某变现方式」。
设定数据指标
当确定好设计目标后，接下来是设定出衡量设计目标的数据指标，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。
数据指标的设定不是单一的，而是多维度的，例如：判断某活动页的吸引度是否有所增加，相关的数据指标可设定为页面 UV 到达率、点击 UV 转化率、点击 PV 转化率等。
2. 收集数据
做好数据埋点
在产品设计前，需要通过观察访问量、点击率、转化率等数据来寻找优化突破口，想要获得这些数据，就需要先做好数据埋点。所谓埋点，就是在正常功能逻辑中添加统计代码，将需要的数据统计出来，对于产品迭代而言具有重要的指导意义。
利用统计工具
不同公司有不同的数据统计方式，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。
3. 分析数据
什么是数据分析？
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。
数据分析的方法
数据分析一般会包含但不限于以下几种方法，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；
- 组合分析法：针对某个细分点，进行多维度组合分析；
- 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。
数据分析案例一
从某电商 App 的漏斗图中发现，在商品加入购物车之前的转化率都比较高，但在付款流程中转化率急剧降低至 8％，需要改善购买转化率低的问题。
通过事件分析，我们发现用户在「付款页」停留时间过长，约为102秒。在付款成功和付款失败的两类人群中，通过机型差异的对比和网络环境的对比，分析得出以下原因：
- 机型适配性较差，开发时对小众机型关注度较低；
- 付款页面加载缓慢，严重消耗了用户的耐心。
针对以上问题，我们采取对应的解决方案：
- 增强小众机型的版本适配性；
- 通过缩减图片、优化框架、预加载等策略，提升页面加载速度；
- 加入 Loading 动画设计，提升页面的趣味性，缓解用户等待时的焦虑感。
数据分析案例二
通过数据发现，一段时间内某社交 App 用户的注册转化率急剧下降，由原来的60%下降到了20%，需要找到原因并即时优化。
针对注册用户数这个细分点，我们采用组合分析法，进行几个维度的分析来寻找原因：
- App 网络是否正常？
- 推广注册页是否异常？
- 获取短信验证码是否异常？
- 设置手势密码是否异常？
逐一排查了以上可能出现的问题，最后锁定了问题的来源：由于短信通道故障，大部分用户接收不到短信验证码导致注册失败，从而影响了注册转化率。
4. 输出结果
制定方案
根据设计目标和设定好的数据指标，就可以开始制定设计方案了。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，如果把增强视觉效果作为提高广告位 Banner 点击率的策略之一，那么 Banner 色彩搭配是否协调、构图是否巧妙、文案表达是否清晰等，就成了策略能否奏效的关键因素。
验证设计
设计方案制定完成后，并不意味着设计工作就此结束，还有非常重要的一步，就是用我们已经设定好的数据指标，去衡量和验证设计方案是否达到预期目标。
举个例子，针对某 B 端产品信息架构的问题，采取了信息功能的卡片分类、功能查找测试等多种研究方式，并且在列表中增加最近使用功能。新版上线后，用户