一文读懂设计师应该懂的数据指标和数据分析模型。

用6个章节,帮你掌握常见的数据指标和数据分析模型

设计师为什么要懂数据?

市场现状不容乐观,伴随着红利(人口、流量)消退,资本寒冬,产品同质化严重,市场对设计师提出了更高的要求。除了审美层面的设计执行还远远不够,设计师需要具备数据眼光,从体验侧和商业侧入手,以数据为目标导向,精益设计,实现增长。同时随着数据方法论的广泛传播,设计师有必要将科学的数据模型应用到实际工作中。

用6个章节,帮你掌握常见的数据指标和数据分析模型

常见数据指标

1. 什么是数据指标

不是所有的数据都叫指标,指标必须对业务有参考价值。数据指标是针对业务需求,使用收集手段,直接获得或者间接计算出来的一系列统计数据。数据指标贯穿整个设计流程,解释用户行为和业务变化,为设计提供依据,对结果加以验证。

2. 常见的数据指标

数据指标繁多,本文加以归类,便于理解。

我们将常见的数据指标分为 3 大类:

  1. 综合性指标:反映产品的整体情况
  2. 流程性指标:反映用户的使用行为
  3. 业务性指标:反映具体业务情况

用6个章节,帮你掌握常见的数据指标和数据分析模型

活跃用户:

在特定的统计周期内,成功启动或操作过产品核心功能的用户(按照设备去重)。根据统>计周期不同,可以分为日活跃(DAU)、周活跃(WAU)、月活跃(MAU)。直接反映了产品的用户规模,是极为重要的指标。不同产品对应不同的使用频率,社交产品、资讯产品,如微信、今日头条等,其 KPI 考核指标一般都有日活跃用户数这项。但对于某些低频需求和临时性需求的 APP,如旅行、工具产品,则更加关注月活跃数。

用6个章节,帮你掌握常见的数据指标和数据分析模型

新增用户:

安装应用后,首次成功启动产品的用户。按照统计周期不同分为日新增(DNU)、周新增(WNU)、月新增(MNU)。新增用户按照设备维度进行去重统计,如果该设备卸载了应用,一段时间后又重新安装了该应用,且设备未进行重置,再次打开应用,则不被计算为一个新增用户。新增用户数代表公司潜力,在公司起步阶段尤其重要。新增用户量指标主要是衡量营销推广渠道效果的最基础指标。

用6个章节,帮你掌握常见的数据指标和数据分析模型

留存率:

用户在某段时间使用产品,过了一段时间后,仍旧继续使用,这样的用户被称为留存用户。留存率 = 仍旧使用的用户/ 当初的总用户量。用户来了之后,是否能留得住,反映了用户对产品的满意度。通常重点关注次日、3 日、7 日、30 日即可,并观察留存率的衰减程度。

次日留存率:新增用户在第二天再次成功启动应用的比例。

7 日(周)留存率:新增用户在第 7 天再次成功启动该应用的比例。这个时间段内,用户通常会经历一个完整的产品体验周期,如果这个阶段用户能够留下来继续使用产品,则很有可能成为产品的忠实用户;

30 日(月)留存率>:新增用户在第 30 天再次成功启动该应用的比例。通常移动端产品的迭代周期为 2~4 周一个版本,所以月留存率能够反映出一个版本的用户留存情况。一个版本的更新,或多或少会影响部分用户的体验,所以通过对比月留存率能判断出每个版本的更新对用户的影响面积,从而定位到类似问题进行优化。

根据 Facebook 公司提出的 4:2:1 理论,次日留存能达到 40%,7 日留存达 20%,30 日留存达 10%,就是相当不错的留存指标。在今天的互联网行业,留存是比新增和活跃更重要的指标,因为移动端人口红利没有了,获客成本越来越高,竞争也越来越激烈,如何留住用户比获得用户更重要。

用6个章节,帮你掌握常见的数据指标和数据分析模型

人均使用时长:

在特定统计时间段内,浏览一个页面或使用整个产品时,用户所停留的总时间除以该页面或整个产品的访问人数。

该数据是分析用户粘性的重要指标之一,也可以侧面反映出网站的用户体验。平均访问时长越短,说>明产品对用户的吸引力越差。例如,抖音的成功离不开强大的用户黏性,用户总会不知不觉就消耗了很多时间。这里的商业逻辑是,用户停留的时间越长,商业转化的可能性就越大。当然,对于即用即走的工具型产品不适用,相反,用户单页面停留时间长,很有可能是页面功能模糊,表意不清,用户花了很长时间去理解怎么用,证明信息传递效率低下。

用6个章节,帮你掌握常见的数据指标和数据分析模型

GMV (Gross Merchandise Volume):

总成交金额,指的是拍下订单金额, 包含已付款、未付款、取消订单、退货的部分,即一旦生成订单号,就算在 GMV 内。实际订单可能全部支付,所以 GMV 肯定大于实际销售额,因此经常看到报道都是用 GMV 来展示平台规模。

用6个章节,帮你掌握常见的数据指标和数据分析模型

人均客单价>(ARPU):

每个用户平均收入。ARPU=总收入 GMV/支付 UV。

用户数可以是总平均在线用户数、付费用户数或是活跃用户数,不同产品标准可能存在差异。ARPU 可以再一步细分,当普通用户占比太多,往往会取付费用户数作为分母,来计算 ARPU。ARPU 的高低没有绝对的好坏之分,分析的时候需要有一定的标准。高客单价行业,如>一些奢侈品行业,就非常关心这个指标,付费用户数虽然不多,但是个体消费能力极强。

用6个章节,帮你掌握常见的数据指标和数据分析模型

PV(页面浏览量):

用户每一次对页>面访问均被记录 1 次,多次访问,访问量累计。理论上 PV 与来访者数量成正比,但是它不能精准指向页面的真实访问数,比如同一个 IP 地址通过不断的刷新页面,就可以制造出非常高的 PV。

UV(独立访客人数):

访问网站的一个 IP 地址为一个访客。固定时段内,相同的客户端只被计算一次。使用独立用户数作为统>计量,可以更加精准地了解某时间段内,实际上有多少个访问者来到了相应的页面。

用6个章节,帮你掌握常见的数据指标和数据分析模型

转化率:

在一个统计周期内,完成转化行为的次数占总点击/曝光次数的比率。

转化率=(转化次数/点击量)×100%。以用户登录行为举例,如果每 100 次访问中,有 10 个登录网站,那么此网站的登录转化率就为 10%,而最后有 2 个用户关注了商品,则关注转化率为 2%,有一个用户产生订单并付费,则支付转化率为 1%。转化率是产品盈利的重要指标之一,它直接反映了产品的盈利能力。不同行业的转化率,关注点也不同,比如电商产品就要关注销售转化,看看参与活动的用户当中有多少是在活动后产生支付的,有需要的还可以根据数据分析出人均购买次数和购买金额。再比如我们监测注册量,就要关注注册转化率,看看这个活动给产品带来了多少新增用户。所以转化率可以针对性分析产品在哪些方面做的不足,可以快速定位到问题点。

解决方法看这里:

用6个章节,帮你掌握常见的数据指标和数据分析模型

流失率:

曾经使用过产品,由于各种原因不再>使用产品的用户。可以理解为留存率的反面,流失率高即留存率低。次日、7 日、30 日的流失率也是需要关注的。

对于流失用户的界定依照产品类型的不同而不同,对于使用频率高的产品,如社交类产品,用户应该每天都会多次打开,此类产品的用户未登录超过 1 个月,我们就可以认为用户可能已经流失了。极端案例,如婚庆类产品,用户的打开频
率相当低,所以不是每个产品都有固定的流失期限,而是根据产品属性判断。设计师和产品经理需要找到流失的异常数据,定位流失用户的原因,并在下个版本中修复产品中存在的问题。甚至还可以定位到流失的具体用户 ID,通过当时用户注册的个人信息进行跟进。

跳出率 BR (Bounce Bate):

用户来到落地页后,没有进>行操作就直接离开的比例。是评估落地页对用户是否有吸引力的关键指标。跳出率高,原因可能是产品/活动本身不够吸引,也可能是此类用户本身就不是产品的目标群体。

退出率 ER(Exit Rate):

指该页面是会话中“最后一页”的浏览量占该网站浏览量的百分比。

退出率=当页退出次数/会话总访问量*100%

退出率反映了网站对用户的吸引力,如果退出百分比很高,说明用户仅浏览了少量的页面便离开了,因此需要改善网站的内容来吸引用户,解决用户的内容诉求。

用6个章节,帮你掌握常见的数据指标和数据分析模型

访问深度

顾名思义,用户对产品的访问深度(产品流程的完成程度)

功能使用率

除了关注活跃用户,也应该关注产品上的重要功能。如收藏,点赞,评论等,这些功能关系产品的发展以及用户使用深度。功能使用率也是一个很宽泛的概念,譬如用户浏览了一篇文章,那么浏览中有多少用户评论了,有多少用户点赞了,便能用点赞率和评论率这两个指标表达。又譬如视频网站,核心的功能使用率就是视频播放量和视频播放时长。

启动次数

即统计时间段内,用户打开应用的次数。重点关注人均启动次数,结合使用时长可进行分析。用户主动关闭应用或应用进入后台超过 30s,再返回或打开应用时,则统计为>两次启动,启动次数主要看待频数分布情况。

使用时长

统计时间段内,某个设备从启动应用到结束使用的总计时长。一般按照人均使用时长、次均使用时长、单次使用时长进行分析,衡量用户产品着陆的粘性,也是衡量活跃度,产品质量的参考依据。

使用间隔

用户上次使用应用的时间与再次使用时间的时间差。使用频数分布,观察应用对于用户的粘性,以及运营内容的深度。虽然是使用间隔,但是通过计算同一设备,先后两次启动的时间差,来完成使用间隔统计,充分考虑应用周期性和碎片化使用的特征。

付费率

愿意付费用户在所有用户中的占比。视频行业、电商行业等用户付费意愿较强,而一些工具>类的 APP 就比较尴尬,苦于找不到收费模式,或者现有的收费模式用户不买账,自然付费率就很低,如墨迹天气和万能钥匙等。

复购率

若把复购率说成营收届的留存率,你就会知道它有多重要了。和新增用户一样,获得一个新付费用户的成本已经高于维护熟客的成本。在不少分析场景中,会将首单用户单独拎出来作为一个标签,将两次消费以上的用户作为老客。用户第一次消费,可能是为了体验产品,可能因为是优惠推动促成了首次付费。而第二次付费难度会大大提高,第二次付费的成交率也会有断崖式下跌(相比于次日留存)。非首单付费意味着用户对产品产生真实认可和强大信任。

退货率

退货率是一个风险指标,越低的退货率一定越>好,它不仅直接反应财务水平的好坏,也关系用户体验和用户关系的维护。

数据的获取方式

数据主要有 3 种获取方式:

  1. 二手资料数据:别人的调研结果
  2. 问卷调研数据:收集用户“说的话”
  3. 应用埋点数据:看到用户“做的事”

用6个章节,帮你掌握常见的数据指标和数据分析模型

1. 二手资料数据:

目标资讯:

行业数据、竞品数据。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。市场数据,立项期对产品方向有一定指导意义、了解市场、差异化定位。

获取手段:

百度指数、企鹅智酷、艾瑞、尼尔森、各大科技资讯平台

2. 问卷调研数据:收集用户“说的话”

定义:向目标用户发放问卷并收集,进行数据整理和分析

信息重点:用户自述的历史行为、主观态度或评价

举例:>用户满意度查询、流失用户原因调查等

本质:建立假设-使用抽样调查的统计方式-得到用户自述的答案

常用指标:NPS(Net Promoter Score)推荐净值。

以一个简单问题,衡量顾客对企业品牌/商品的忠诚度。“0-10 分,你会有多大意愿推荐我们的产品或服务给你的亲朋好友?”,0-6 分叫贬损者,7-8 分叫中立者,9-10 分叫推荐者,推荐者的比例减去你的诋毁者比例,就是一家企业的 NPS。从这个数值可以看出企业的客户当中推荐者和批评者哪一方比较多,分数为正表示愿意持续购买、加购或是做口碑的客户占多数,也就是所谓的忠诚客,那么企业会有正向成长,反之亦然。

用6个章节,帮你掌握常见的数据指标和数据分析模型

3. 应用埋点数据:看到用户“做的事”

定义:在产品中植入代码,设定触发条件,当满足条件时,记录日志,获得用户行为数据。

实际操作中,触发条件的设定至关重要,需要定义数据指标,跟开发提前沟通。

分类:

曝光埋点:>捕捉页面被展示的次数,可以针对整个页面,或者页面中的某个区域。如,常说的 PV、UV。

操作埋点:用户对页面的某个区域进行手势操作时,打点记录。对应,也称之为某个操作的 PV、UV。

时长埋点:标记以上两类埋点并计算时间差获得。如计算页面停留时长可以通过,离开页面的时间 t1-进入页面的时间 t2 获得。离开的定义:点击页
面左上角返回或点击页面具体模块跳转到次级页面。

基于以上 3 种原始数据,可以计算出:

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。

用6个章节,帮你掌握常见的数据指标和数据分析模型

相比二手资料和问卷调研,卖点数据更加贴合用户真实的表现,灵敏度高、可挖掘性强、客观衡量指标帮助迭代。

数据分析方法

用6个章节,帮你掌握常见的数据指标和数据分析模型

1. 行为事件分析:

研究某行为事件的发生对企业的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程,如用户注册、浏览产品详情页、成功投资、提现等,通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。根据实际工作情况而关注不同的事件指标。

2. 漏斗分析:

是一套流程分析,它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。一般的用户购物路径为激活 APP、注册账号、进入直播间、互动行为、礼物花费五大阶段,漏斗能够展现出各个阶段的转化率,通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在,从而找到优化方向。

价值:

监控用户在各个层级的转化情况,全流程中最有效转化路径;同时找到可优化的短板,提升用户体验;

多维度切分与呈现用户转化情况,成单瓶颈无处遁形;

不同属性的用户群体漏斗比较,从差异角度窥视优化思路。

注意点:

步骤间的流失不可避免,步骤越多,流失越多。缩减步数,在漏斗>分析层面有利于减少流失率。但是根据复杂度守恒原则,每步的复杂度上升,会带来用户体验的下降。因此,路径的步数和页面复杂度之间需要找到一个平衡。用最终转化率(完成率)来衡量效果。

3. 留存分析:

是一种用来分析用户参与情况/活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为。这是用来衡量产品>对用户价值高低的重要方法。

可以反映产品的整体留存或某个功能模块的留存。

4. 对比分析:

注意控制变量,如果一段时间内产品的日活突然大幅提升,原因可能有很多:改版、热点事件相关、运营推广等等,只有在其他条件都一致的情况下,才能衡量某一具体条件对结果产生的影响。

数据分析模型

用6个章节,帮你掌握常见的数据指标和数据分析模型

HEART 模型:

参与度,指的是被动形式的用户行为,包括用户活跃度和曝光 UV、PV 等。反应了对使用产品的意愿。

接受度,侧重主动形式的用户行为,如对某功能的使用。

留存度,一段时间内,连续活跃的用户,可以视为留存用户或忠实用户,这些用户是促成产品盈利的关键因素。

任务完成度,核心功能环节的完成情况。

愉悦度,用户在使用产品时的主观情感之和。常体现在用户评价中。

更多关于这个模型的分析:

AARRR 模型:

拉新,了解并定位目标用户人群,尽可能将其引流吸收至自家产品。落地页是设计关键点,需要明确传达产品的核心价值,短时间内吸引用户。

激活,吸收新用户之后,需要在一段时间内引导用户再次使用产品。活跃度对应的两个关键指标是平均使用时长和平均每日启动次数。

提高留存率,产品是否能真实地留住用户,反应了用户对产品的粘性。

变现,通过一些手段从用户身上取得营收。

传播,通过提升用户体验或者裂变奖励等手法,激励用户将产品分享给朋友。

提升活跃与留存 4 种方式:

1.有效触达,唤醒用户:指的是通过手机 PUSH、短信和微信公众号等能够触达到用户,唤醒沉睡用>户启动 APP 的方式,是提升留存的非常有效的方法之一。如游戏老用户短信召回,电商老用户召回,召回肯定是有成本的,所以要根据用户以往行为,进行分析定为,找到召回率最高的那部分用户,(如 RFM 模型定为核心用户)

2. 搭建激励体系,留存用户:好的激励体系,可以让平台健康持续发展,让用户对平台产生粘性,对提升留存非常有效。>通常使用的激励方式有成长值会员体系、签到体系、积分任务体系。

3.丰富内容,增加用户在线时长:这点游戏产品做的非常好,各种玩法活动本身就吸引用户投入时间成本,游戏又不断强化社交属性,更增加用户粘度与成本投入。

4.数据反推,找到你的关键点:比如知乎,评论超过 3 次,用户就会留存下来,很难流失。比如有些游戏产品>,一旦玩家跨过某个等级就就很难流失。这些都是你需要通过数据分析才能找到的关键节点。

RARRA 模型:

与 AARRR 模型侧重不同,RARRA 模型更加侧重产品本身,不着急获客,先把产品做好,营造好口碑,确保用户有好的使用体验,让用户自愿传播产品。部>分产品通过邀请码的形式,来打造圈层感。相比于侧重拉新的 AARRR 模式来说,RARRA 模式更加稳健保守,在运营侧投入较少。

RARRA 模型强调用户运营,以精细化运营带动二次购买、交叉销售和拉新获客。

小结

数据的作用

  1. 监控产品,发现问题:通过数据埋点监测,实时监测产品状况,为改版提供方
    向和参考。
  2. 验证设计:通过定性、定量手段,衡量改版效果。
  3. 发掘机会点,助力增长:发现新的商业机会和产品爆发点,着力用户、数据增长。

成为一名解决产品问题的设计师

随着行业发展,设计师需要具备的素养越来越高。单纯设计执行已经不能满足日常工作需要,越来越多的岗位需要设计师具备数据思维。设计师除了保证审美在线之外,更要理解设计的来源与验证,让设计更加理性。

感谢阅读。

点赞 53
收藏 215

复制本文链接 文章为作者独立观点不代表优设网立场,未经允许不得转载。