高手出品！超全面的设计数据分析指南：拆解篇

如何从海量业务数据中提取与设计相关的有效信息？这份指南或许能为你指明方向。

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 ROI，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

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. 我根据产品目标来设计的，但没办法证明方案是怎么影响总指标的？如何确定自己要收集什么数据？
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？

本文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。

一、拆解

问题：根据产品目标设计，但没办法证明方案是怎么影响总指标的？如何确定自己要收集什么数据？

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。

在说拆解方法论之前，我不得不展开聊聊一个设计师们总是搞不清楚的事情。

运营同学如果刷到这篇也可带入看看是不是总是把问题当成了目标，思维框架其实都是可以类比的。

在了解你所维护的产品的愿景、战略、业务目标后，针对发现的问题，回到根据设计目标来收集数据，有预期的根据原则推动策略，验证价值。

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。

一、简单场景

可能只需要看「某一个数据」。

例如，只需要看某个功能的使用率， 那只要去收集个别指标数据即可。

为此，我们需要提前了解各类数据指标的定义和通常的用途。

以下再接下来的埋点部分也会特意强调，尤其是黄色部分。

二、复杂场景

你可能需要使用常见的「模型」，来帮助自己明确要看什么数据。

数据分析模型就是“指标的集合体”，模型存在的意义是“指导我们在什么场景下可以组合地、有逻辑地去看一组数据”，让自己更有章法地收集数据。

以下为两个基础拆分思路：

1. OSM 构成法模型

「适用范围」有多个维度或因素共同影响的数据，通常有固定公式的都属于该类。

有点像 OKR，目标驱动，只不过 OSM 是业务分析框架 ，OKR 是组织管理方法，战略对齐工具确保团队行动一致。

自上而下：从战略目标直接拆解到执行策略。

强调对齐：确保团队行动与目标一致。

2. UJM 行为路径

「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。

收到后还需进行分析，才能发现目标，仅仅展示这些数据并不能叫做数据分析哦~

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。

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. AARRR 用户生命周期模型

这个模型更聚焦用户行为与增长，可以是 OSM 的 M 的子集，定位具体环节的数据短板，共同指导优化。

它可以量化用户生命周期各阶段的转化效率，驱动数据化运营， 要义在于理解用户生命周期。

阶段划分的时候需要服务于业务洞察，而非机械套用模板。

4. 漏斗模型

5. 流量模型

6. 用户体验度量 - HEART 模型

7. 用户体验度量 - GSM 模型

8. 用户体验度量 - 三大主观指标：满意度 CSAT、净推荐值 NPS、费力度 CES

这里就不具体展开概念了，可以自行搜索相关模型含义。

三、模型无法解决的场景

可能需要「自建模型」来明确要收集什么证据。

当面对更复杂的场景时，如果用我上述的模型都无法回答你要收集什么数据时，你就要自己来建立模型了，大家不要被“自建模型”这个字眼吓到，其实很简单，一起往下看。

什么场景会常用的模型无法解决呢？例如，在一次大刀阔斧的全流程设计改版中，最终的实验数据是负的，但是却不知道实验数据差的原因，要对实验数据进行归因分析，需要推测可能是哪个改动最终导致了数据下降。

此时，用常用的模型已经无法解答，怎么办？

答案是 “像侦探一样思考！”

常用的思考方法之一是“先在脑中发散出所有可能性假设，然后逐一用能收集到的数据佐证每个假设是否成立，不断收集线索，不断验证假设是否成立”，即先穷举发散一切假设，再收集证据来验证。

因此我们面对非常复杂的问题时，也可以从一个结局出发（如实验数据下跌这个结局），穷举发散一切原因，并寻找数据来验证原因是否成立，它其实是一种直觉、一种同理心、一种笃定。

有人可能会问：怎么穷举原因呢？毫无章法的随便发散？

不，而是有方法的去发散，在发散时，可以用到「构成法」里的「结构化」和「公式化」的思维进行发散。

1.  结构化

我们在发散原因时，事情 A 和它的原因上下之间必须呈因果关系 / 依赖关系，相互独立完全穷尽，并且每一个论点都是可验证的。

金字塔原理，有了一个核心论点，拆解分论点，上下论点之间呈因果关系或依赖关系。

以上来自《秦璐-七周成为数据分析师》

2. 公式化

本质就是利用加减乘除进行发散。

以上来自《秦璐-七周成为数据分析师》

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。

比如代入到社区 / 社交向产品思考：

四、应用思考

案例：千岛为有更好的社区氛围，鼓励发帖用户在发帖后 24 小时多留存于软件中。那么可以用哪些数据表示呢？

计划提升发帖用户的 24 小时内活跃度，目标将“发帖后 24 小时内有互动的用户比例”从 44%提升至 50%。以下是当前数据表现和用户行为特征：

已知条件：

1. 用户发帖后首次互动集中在发帖后 1 小时内（占比 60%），后续互动骤降。
2. 未互动用户中，70%在发帖后仅浏览帖子但未评论/点赞。

任务清单

1. 目标拆解：将“互动比例提升至 50%”拆解为可落地的子目标（至少 3 个方向）。
2. 数据埋点设计：列出需补充的关键埋点事件及参数。
3. 用户分层分析：基于用户行为特征提出分层策略。
4. 功能优化方案：设计 2 个功能迭代方案，需说明预期提升的核心指标。

下篇，我们会具体聊聊基于以上拆解，借助「埋点」这个手段，达成你最终的目标。