用腾讯文档的实战案例，帮你掌握数据化设计思路

2015 年之后的中国互联网，人口红利、流量红利逐渐退场。2019 年遭遇第一场资本寒冬，上半年投资总金额同比下降了 58.5%。也在 2019 年，“精益创业”、“精益数据分析”、“增长黑客”等一系列数据思潮开始流行。而 UX 设计师作为半个产品经理，我们很容易将这股“数据热”迁移到自己身上：每个 UX 设计师都要学数据分析了吗？数据和设计是什么关系？天天盯数据会限制设计师的想象力吗？数据到底要怎么用？……

数据热

过往，设计师一般不会把“数据”挂在嘴边。我们提倡“以用户为中心，打磨极致用户体验”，较少考虑成本和商业效益。

通俗来说，就是产品经理负责“生意”，设计师负责“体验”。以“造鞋”为例子，产品经理做了市场调研，决定要生产儿童运动鞋，设计师负责设计“适合 4-11 岁的儿童在城市公园玩闹”的鞋子应该长什么样、穿着它跑跑跳跳是不是舒服的。但是设计师不需要担心运动鞋的销量，产品经理则要跟老板汇报销量业绩。

在红利消退、产品同质化严重和快速迭代的多重压力下，UX 设计迎来了更高的挑战：仅凭主观判断“好不好用、好不好看”来打磨产品内在体验，不考虑产品的生存、增长和盈利，很难在行业立足。与此同时，随着数据采集工具的日渐成熟，数据以“客观”和“便捷”两大特点，帮助我们更快获得“设计的依据”。精益化设计是必然趋势，而“数据分析”是精益化设计的手段之一。

沿用“设计鞋”的案例，UX 设计师要在自己所在领域思考：在设计调研的过程中，我们用什么数据指标来衡量这个儿童鞋好穿、好卖？在鞋进行批量生产前，我们有没有数据资源支持我们研究父母/小孩对鞋子外观的偏好、小孩运动时容易受到哪些物理伤害等等？如果有条件进行小范围的数据实验，我们如何设计数据实验来评估好穿好卖？

数据的定义

“理解任何事物都需要先对它进行定义，这样才能够在头脑中清楚地知道正在讨论的是这个东西，而不是其他东西。”非常喜欢美国经济学家 Thomas Sowell 在《经济学的思维方式》里说的这句话。

如果我们对“数据”下定义，那么产品设计语境中的“数据”具体是什么？数据是怎么产生的？

从数据采集手段来看，互联网产品的数据来源主要有 3 个：二手资料数据、问卷调研数据和应用埋点数据。

1. 二手资料数据

行业数据和竞品数据一般通过二手资料获得，包括商业交易数据、用户群的态度和意愿、用户舆论指数、竞品的用户规模和盈利状况等宏观数据。常用的搜索渠道有：百度指数、企鹅智酷、艾瑞、尼尔森、各大科技资讯平台等。

我们可以将这些理解为“市场数据”，在立项期对产品方向有一定指导意义，能快速了解市场概况，也能帮助产品思考差异化定位的问题。

以“腾讯文档为”项目为例，我们想提高腾讯文档用户创建文档的成功率，通过模板创建文档是关键路径之一。研究用户通过模板创建的路径时，想大概了解用户找模板时可能会在意什么。于是我们尝试使用百度指数搜索“模板”、“文档模板”、“PPT 模板”、“Word 模板”、“Excel 模板”，从搜索量得知：PPT 模板搜索量最高，符合我们的推测；Word 模板内容中，简历、合同需求量较大，而部分用户只是想要好看的 Word 背景等等。虽然我们得到的有效信息不多，但我们能够通过二手资料的方式，快速了解用户需求的基本面。

2. 问卷调研数据

问卷调研数据是通过向目标用户发放问卷获得的，侧重于收集人口学信息、用户自述的历史行为、主观态度或意愿，比如用户满意度调查、流失用户原因调查等。本质上是通过建立假设、再进行抽样统计的方法来得到用户口述的答案。也就是，问卷倾向于听用户说了什么、而看不见用户真正做了什么。严谨的问卷分析也会比对后台数据，校验用户说的和做的是否一致，以清洗无效数据。

3. 应用埋点数据

较之于问卷调研数据，我们想看“用户做了什么”，则通过分析应用埋点数据获得。

“应用埋点数据”也叫“埋点数据”、“前端页面数据”，我们可以简单理解为“通过技术手段获得用户在应用内（网站、客户端、小程序等）的操作行为数据”。其背后原理是：用户和界面发生交互，系统需要向服务器发送请求和返回请求，把这些请求预埋一段计数代码，就能得到页面的曝光数据和用户的操作数据。

埋点需要产品经理或设计师做好数据指标的定义，跟开发工程师提前沟通，让开发工程师在代码中嵌入埋点。一个埋点由多个字段组成，规范地定义字段，有利于我们在数据平台搜索埋点更方便。当我们怀疑数据有效性时，也更方便排查埋点问题。

埋点类型可分为曝光埋点、操作埋点和时长埋点：

• 曝光埋点可以捕捉页面被展示的次数，可以是针对整个页面，也可以是页面中的某个区域。即我们常说的 PV、UV。
• 操作埋点则是在用户对页面某个区域（按钮、卡片、提示条等）进行手势操作（点击、双击、长按、滑动等）时，进行打点记录。对应的，也称之为某个操作的 PV、UV。
• 时长埋点是通过标记以上两类埋点、并计算时间差获得的。比如，我们记录用户选取模板耗费的时长，可以通过离开页面的时间（t2）-进入页面的时间（t1）计算。而离开页面则用点击左上角返回按钮、点击具体模板等“离开”操作来核算。

基于以上 3 种原始数据，我们可以运算得出点击率、功能渗透率、人均点击次数、人均使用时长等具有对比价值的数据。

较之于二手资料和调研数据，埋点数据更加贴近用户的真实表现，作为反馈指标的灵敏度更高，可挖掘性更强，也能作为客观衡量指标引入到每一次产品迭代中。

设计师理解埋点的原理，有助于在数据采集环节跟数据开发更好地沟通，并提出合理的数据需求。另外，当我们拿到一组数据，也需要从根本原理上去判断数据的信度和效度，确保数据没有质量问题再进行下一步分析。

数据之于设计

数据分析能力会在 UX 设计师的岗位招聘要求中被提及，但除了电商和广告行业的数据化设计知识体系较为成熟，其他领域还在探索。另外，相比于市场营销、产品经理、产品运营等职能，设计师的分析框架是相对晚熟的。

实际上，我们很难从招聘广告中归纳“具备数据分析能力的设计师”长什么样，但我们期望这样的设计师对数据的感知力强、分析逻辑清晰、数据经验丰富，对某个垂直领域的数据仪表盘了如指掌等等。

数据对 UX 设计有什么用？或者说，在设计链路的哪一个环节，数据和设计才能发生化学反应？

UX 设计日常流程为：得到一个需求（需求评审/需求挖掘）——输出设计方案（设计决策）——验证设计方案（设计实验）。顺着这个流程，我们来看看数据在UX设计各阶段的作用。

1. 需求评审：以提升最终业务数据为目标，评估需求的价值贡献和优先级

肖恩·凯利斯在《增长黑客》开篇就提到“仓筒组织”这个概念：职能组织有各自的 KPI，但未必对最终的业务目标都有利。比如开发人力有限的情况下，产品经理想上线新功能，市场运营想搞推广活动，设计想做 UI 大改版做炫酷的动画——就像N匹马有N个方向，马车跑不快。

尤其是当产品进入成长期，我们会发现“能做的事情真的太多了”！不仅仅是来自老板和产品经理的需求，每天都有用户想教你做产品，刚刚竞争对手又上线了 N 个新功能等等。另外，当多个产品经理分管不同业务线，每个产品经理都会认为自己提的需求优先级最高。那么，ABCD 这几个需求，哪个更值得即刻实现？

有目标导向和成本意识的设计师，不会拿到 PRD 就开始画稿，而是做需求评审。下次产品经理给你提需求，或者自己想要主动提案，不妨从下面几个问题开始思考效益。

如果这个新功能上线或对已有功能做这些优化点：

• 正向评估：如果做，能使哪些用户在什么场景受益？用户会因此使用、消费、甚至推荐我们的产品吗？
• 负向评估：如果不做，是否会造成用户口碑变差，甚至弃用我们的产品？
• 数据导向：预估这个需求对大盘数据（AARRR）有何贡献？如果无法在短期看到对大盘数据的直接提升，应该取什么样的数据指标来评估其价值（GSM 模型）？
• 比对优先级：目前有 ABCD 四个需求，而人力资源有限，当下最应该解决哪个数据环节的问题？

我们以腾讯文档的 Excel 按行填写功能为例，阐述如何在需求评审阶段就思考数据效益。

一开始，我们只是从用户吐槽中了解到在手机端使用 Excel 录入信息的困扰：协作人之间容易窜行误删误改别人填写的行，甚至把创建人输入的表头信息都给删掉了。

我们模拟信息收集场景，摘出 Excel 移动端输入的体验节点，发现“在有限的屏幕内去处理表格信息，需要来回滚动/缩放表格，再回到自己的行再输入”这一点最容易发生错误，尤其在没有冻结首行的情况下。

我们有收集表功能，也支持表格转收集表，但是都依赖创建人主动去使用这个品类/这个功能。我们是否可以在创建人不干预的情况下，直接把来回滚动的表格输入变成纵向的表单输入？

以上都是从“感知”角度发现和分析问题，确认了“存在这么一个问题”，然后提出了一个可行的想法。往往这个时候，我们容易为之兴奋。

但是如果我们坚持更精益的投入产出比，我们应当评估“这是不是一个要优先解决的问题”，即评估收益：改变 Excel 移动端的输入体验，能带来什么收益？

首先，我们做正负向评估。

• 正向评估：如果做，用户可以在手机端更顺畅地录入信息，避免串行删改的错误。虽然这不足以吸引新用户使用我们的产品，但这个体验未在竞品实现，能形成差异化的记忆点，也许能带来好的口碑。
• 负向评估：如果不做，手机端的 Excel 输入体验跟其他竞品无差，用户倒不会因此流失，但是创建人会因为协作者的犯错苦恼，也许会因此转为采用“IM 一对一沟通”来避免出错。

然后是设定数据目标：如果这个功能落到数据板上，能作何贡献？

数据导向：我们预期这个功能能够通过提升手机端的输入体验，来避免用户出错，降低创建人整理数据的负担，以提高用户留存（而非预期这是一个拉新功能）。并且，设计假设正确，应该能通过一些数据指标看到用户的行为变化。

最后，对比同期提出的几个产品需求，评估优先级。

比对优先级：假设 Excel 按行填写的需求是 A（图中黄色点），同期有一个影响文档安全分享的需求 B。如果我们按照正负向评估去考量优先级，将 AB 两个需求都放在象限图里，越外层越应该优先处理，那么我们就应该优先处理需求 B。

以上是为了将思维可视化呈现给读者，实操时更重要的是数据意识和敏感度。图示仅供参考，用何种形式表达不重要。

掌握一套清晰的需求评审思路，才有话语权去讨论这个需求是做还是不做、即刻要做还是延后再做。这不仅仅是 UX 设计师需要具备的目标导向思维和需求分析能力，而是整个团队都应该建立的数据意识和工作流。这也适用于对设计师提案的自我审查，避免自娱自乐。

2. 需求挖掘：数据作为产品健康度的体检指标，为设计圈定问题域

产品在不同的成长阶段关注的短期效益会有所不同。初创期，产品先要验证其假设的需求是不是用户真实需求、商业模式是否可行。当产品发展到一定的用户规模，我们可以通过对比关键数据指标，去判断现阶段是否符合预期。这就像我们去医院抽血做体检，血样指标可以反映我们当前是否健康。

如何检验产品健康度呢？我们首先关注宏观的数据转化是否符合预期，即 AARRR。海盗指标这一套，想必大家耳熟能详。但对设计师来说，难点在于如何将宏观数据转化与具体的用户使用场景进行关联，进而落实到具体的设计任务。

以腾讯文档为例，在线文档的核心用户价值是“从创作到协作的多人多端无缝同步”，因此我们定义用户的关键路径是“创作→分享→协作”，即：

基于关键路径，我们继续下钻分析每一个环节，建立用于监控“转化质量”的行为漏斗。比如在“分享”这一步，落到 APP 里，这个行为漏斗是：

我们发现仅 30%的创建人在分享文档前设置了非私密权限——这个数据并不符合我们的预期，因为这会导致创建人分享文档后，协作人无法直接查看或编辑文档。协作人需要进行权限申请，创建人则需要处理相应的权限申请通知或更改权限，从“申请权限”到“审批通过”的时间差降低了协作效率。

我们进一步去找关联的数据指标，来确认“这给用户造成了困扰”——“有多少用户在文档分享出去之后再返回来设置权限”、“一个创建者平均要处理多少次权限申请”等等。

通过小范围的用户测试，我们了解到“权限设置”是一个视觉盲区。于是，我们优化分享页的信息展示，来改善“用户看不见权限设置”这个问题。另外，当创建人在处理权限申请的通知时，提供修改权限的入口，以避免重复处理同一个文档的申请消息。

最终，我们将“分享前进行权限设置”的转化提高到 80%——吹牛的，业务数据太敏感，无法以真实数据跟大家分享，本文的数字皆为脱敏数据。

这就像一个剥洋葱的过程。先找到产品的核心价值和对应的主路径，再拆解到对应的多个用户任务流，关注微观的某个环节转化是否有问题。利用数据诊断产品健康度，然后继续用数据或其他研究方法下钻，下钻到可以落地到设计点的层面。

3.  设计决策：借鉴用户行为数据，对方案进行快速决策

2016 年听了白木彰老师在杭州的一次现场分享，他对“Design”的理解非常透彻。“Sign”是“标志”，应该是大家最共通的常识，就像国旗是这个国家的 sign。那“De”是什么？台下有人回答“重新定义”，而白木彰很自信地说：“不，这是一个否定词”。

对于 UX 来说，同理。每一次的设计都是一次否定，否定现有体验的合理性，否定现有的产品、服务或某一功能完全满足需求。反过来想，则是审问自己的设计方案：每一次的“否定”，真的更好吗？

这里举一个“小需求”为例：腾讯文档 Excel 的 PC 端右键菜单高度优化。笔者目前负责腾讯文档编辑模块的 UX 工作，日常就是很多这样的“小优化”，其实这更加考验数据敏感度和对“严谨”的坚持。

需求背景就是用户反馈“右键菜单太长了，小屏幕看不到菜单底部的内容”。

“展示问题”的解法有很多：

解法 1：用 UI 手段，降低单个 menu item 的高度。

解法 2：重新归类，通过折叠来缩短菜单。

解法 3：当菜单无法完整展示，重新锚定其在屏幕的坐标。

对比竞品，确实有表格产品通过（2）去解决这个问题，但是我们捞数据发现：右键菜单中，插入行列是高频操作（红色部分），点击次数比其他功能高 5～130 倍，且人均点击量分别是 3 次和 2 次。我们决定不去对增加行列进行菜单折叠，因为这样做虽然我们解决了“菜单太高”的问题，但降低了点击效率。

接到某个需求的“A 问题”，我们容易一叶障目。但是，会不会因为我们解决了 A 问题而引发 B 问题呢？数据帮助我们快速决策，避免 B 问题的出现。谨慎对待每一次小设计，因为每一次小设计都是一次否定。

4. 设计实验：采用数据实验对设计方案进行择优或改进

大家对数据实验应该不陌生，常用的方法有 AB 测试和灰度测试，是一种控制变量的抽样实验方法。

AB 测试是指通过抽取等量用户样本进行 AB 两个设计方案的投放，对比两组数据，进行方案择优。这两个方案的差异要严格控制在“仅有一个因素的差异”。这跟我们初中做生物实验论证“一棵小树的生长需要阳光”的思路一样：两组等量的小树，一组有阳光，一组没有阳光，经历相同的时间后对比生长的平均高度差。水、空气、养分等其他条件要严格一致。因此大改版等“多变量”的设计并不适用于 AB 测试去印证。

大改版则通过灰度测试或拆分变量去做 AB 测试来确保效果。灰度测试是指如果软件要在不久的将来推出一个全新的功能，或者做一次比较重大的改版的话，要先进行一个小范围的尝试工作，然后再慢慢放量，直到这个全新的功能覆盖到所有用户。也就是说在全量发布的黑白之间有一个灰，所以这种方法也通常被称为灰度测试。

设计师需要观察综合的数据指标，以腾讯文档为例常规的指标有：PV、UV、人均点击次数、功能渗透率、使用该功能的留存率等等。另外是多渠道收集用户反馈，包括腾讯文档的“吐个槽”社区、微博搜索关键词、随访身边的用户朋友等。

结语

数据化设计不是对“精心打磨体验”的否定。恰恰相反，对设计工匠来说，数据分析能力是一种新的“打磨工具”，提倡在设计实施和决策过程中更科学和客观。UX 和数据的关系，就像我们期望鞋子被量产之前能够有数据佐证“这款鞋好看好穿好卖”，而不是否定“好看又好穿的鞋子能带来更好的销量”。

最后，“价值-设计-数据”是一个动态课题，必然随着业界经验的沉淀和数据工具的发展，不断迭代。欢迎留言区交流和指正 🙂

值得一看的参考目录：https://docs.qq.com/doc/DTVhzcWlBSE1sVVNu

欢迎关注作者微信公众号：「腾讯ISUX」