设计与数据-方法：模型：思路全掌握.docx

设计与数据-方法/模型/思路全掌握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，但我没力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一埋点一分析，从设计视角进行讲解和案例探讨。Stepl :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。商品交易总额GMV二点击UV唯化率坪均客单位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。留存率吸引T参与T转化T留存在实际使用中,构成法和行为路径法通常是交叉室1=1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T殳公式，可拆出3个二级指标一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一看到页面上的商品橱窗 一点击陈列的SKU"。依照该行动"I页序,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、动双 商品信息等等，通过AB测的方式，来找到设计更优的解法。构成法GMV二点击U"转化率*平均客单价* IISKU点击UV | I0(2转化率I、 平均客单价(DSKU 点击 UV行为流程数据指标进入活动页面舌动各入口点击率看到页面中的“商品梅窗”.模堀就率点击陈列的SKU模块的SKU点击率行为格径法".?，. . 11r-"V j2 .概括模型以上思路可以概括为：UJM+OSM模型。该模型非常通用，和做设计的思路致，会设计就会拆数据。目标0：提升消费总则拆解目标0：提升用户基数0：提升转化率0：提升客单价通过社界运营等渠道，甘展推广膜的方丈提升用户加SKU的效总通过邮页的设计提升用户购买的篇品的飕，或者为相似商品进行引苑在下螂径也设计优惠或蹒消费嫌，以此崔升容鞠酬瓦用户旅程度旦1MSKU点击军用户赘录率导悔品谢|页悯立、加率;页邮力能阳知就监下单物能的点击箱下辐能各个球的转化V下单酎雌腺蚓转化率；川睛模象的厚光褶点击鞫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？思考后向下看(*_1)构成法活动招聘效果查看简历数沟通数:为路径法查看简历数数据指标行为流程任务入口点击量任务入口点击率任务曝光率任务奖励点击量任务完成率行为流程行为路径法沟通数数据指标.任务入口点击量任务入口点击率 任务曝光率发起沟通人数回复人数以收姻要为沟通成功的标志.任务奖励点击量任务完成率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点击率二模块的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。用户量(uv)：按人数计算日均用户量二用户量/天数访问量(pv)：按次数计算点击量(uv、pv)访问率、点击率(ctr)二uv点击量/用户量次均浏览深度;浏览页面数/访问量模块曝光率二模块展示uv/所在页面用户率XX的参与量(uv、pv)人均量(人次)二XX参与量pv/用户量参与率二XX参与量M用户量留存留存率：次日、3日、70s 30S （依据产品情况定义）活跃次留：在第N日仍访问的活跃用户量/第一天活跃用户量新增次留二在第N日仍访问的新增用户量/第一天新增用户量转化漏斗：在转化路径上，每个环节向下一个环节的转化率二下一环节用户量/上一环节用户量跳出率：漏斗率的补集二（上一环节用户量-下一环节用户量）/上一环节用户量转化率、成功率、完成率：最终转化行为或用户的量对比整体二成功转化用户量/用户量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：分层人雌 时间性渠道性事件性J /) 将数据按照不同维度进行雌一般适用连陵性数微例姗间、完成任务个机注意变化规律，例如是否有明显转折点、魏律性变化。分布一般适用同性质傩，例如完成不同任翎的用户量。注意留意占比利极露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，活动目标是通过彳壬务奖励,引导用户产生和求职相关的行为。已有数据：以下数据为编造数据，非真实数据时间类型 用户UV 次日留存 次日留存率参与1任务16001509.38%参与 2 任务64012018.75%参与3任务600219参与4任务570277参与5任务478281参与6任务20011336.50%48.60%58.79%56.50%活动期间日均参与7任务15960.00%完成1任务155917311.10%完成2任务111031928.74%完成3任务73012053.00%完成4任务34023468.82%完成5任务15010570.00%完成6任务503060.00%完成7任务55100.00%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。以下数据为编造数据，非真实数据活动整体次留8% 产品次留25%Q1.两类用户中哪类的次留表现更好?（人群性）类型用户uv次整存次日留存率1任务参与1600完成> 1559参与150|完成：173：参与9.38%完成11.10%2任务640< 1110120319：18.75%:28.74%3任务600< 730219120：36.50%53.00%4任务570> 340277234;48.60%< 68.82%5任务478> 150281105：58.79%70.00%6任务200 5011330；56.50%< 60.00%7任务15>5；95 ：60.00%100.00%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：1任务2任务3任务4任务5任务 6任务7任务以下数据为编造数据，非真实数据类型 参与次留率 差值完成次留率差值1任务2任务3任务4任务5任务6任务7任务9.38%18.75%36.50%48.60%58.79%56.50%60.00%9.37%17.75%12.10%10.19%-2.29%3.50%11.10%28.74%53.00%68.82%70.00%60.00%10