设计师要掌握的数据基础知识，大厂高手都给你总结好了！

前言

在 vivo 校招设计师专业课程体系中，有一堂《数据基础知识及应用》的入门课程，去年授课时获得了校招大学生的一致好评。在数据化设计与验证大行其道的今天，每个设计师都需要掌握一些数据的基础知识。所以我特意找来课程课件，结合我自己的理解，写了这篇小文，希望对于想学习数据分析的你会有所帮助。

全文共分为 3 大模块：

• 明确数据对设计师的价值。(先树立价值认知，才会有学习动力)
• 了解设计师常用的数据模型及数据指标。(梳理数据相关知识的学习地图，从宏观、中观到微观，有的放矢)
• 学会如何简单的计算和分析数据。(几个 Excel 公式+透视表+数据对比就搞定了，相信你也可以的)

明确数据对设计师的价值

在《U 一点料》中，作者把数据比喻成设计的理性之光，这个比喻非常贴切。在现实生活中，设计师多少有些感性，善用数据，可以帮助设计师加入理性思考，使得设计方案兼顾感性与理性之光。

简而言之，数据之于设计师有以下好处：

1. 设计前-发现问题

通过数据的横向对比(和竞品比)，了解现状和差距，找到设计发力点。

举个栗子：

vivo 钱包 V1.0 版本上线后，通过对转化数据的提取和与竞品的对比，可以发现转化率漏斗的瓶颈与竞品的差距，从而对入口、引导、选卡和开卡环节进行有针对性的优化设计。 

△ 图1 vivo钱包NFC交通卡走查结果

通过数据的纵向对比(和历史比)，了解规律和变化，迭代设计方案。

举个栗子：

浏览器的历史记录改版后，历史记录的转化率明显降低，尤其是第一条历史记录，转化率下降了约 10%，考虑到第一条历史记录的点击频次和操作便捷度，我们又做了强化第一条历史记录的迭代设计。 

△ 图2 历史记录的方案迭代

通过数据的人群对比(用户分层)，发现不同人群的功能关注/卷入度，为不同用户呈现不同的设计界面。

举个栗子：

针对 vivo 视频新用户卷入度低，互动动机不足，推荐不准确的情况，可以呈现不同的设计方案来满足不同的用户诉求。 

△ 图3 为不同用户呈现不同设计界面

2. 设计时-辅助决策

设计方案时，如果对于多个方向犹豫不决，则可以借助快速调研的方式获取数据，辅助设计决策。

举个栗子：

我们在设计视频产品呈现模式时，对于浅色模式和深色模式各执一词：运营同学偏向于浅色模式，担心深色模式压抑，幼儿频道的小朋友们和家长会不喜欢。而设计师认为，深色模式内容和背景对比度小，视觉更舒适，看视频也更沉浸。双方都很难说服对方，于是通过快速问卷获得用户反馈：多数用户更偏好深色模式，且认为深色更护眼，从而就设计方向达成一致意见。 

△ 图4 视频深色浅色模式对比方案

3. 设计后-验证设计

通过灰度或正式上线数据，和预期数据的对比，判断设计目标的实现程度，并总结和沉淀相应的设计经验。

举个栗子：

在收银台页面优化设计中，对于是否要增加大会员开通模块，项目组各执一词，最终决定上线两个方案，观察数据结果。从灰度数据结果来看，未展示大会员的方案 1，支付点击率和成功率相比原方案都更高，说明设计优化效果显著;展示大会员的支付率则有所降低，最终决定上线方案 1。经过这次灰度，大家也更加确信：在支付页，轻易不要增加设计元素和功能(避免视觉负荷和认知负荷，导致转化率降低)。 

△ 图5 大会员优化方案

既然数据可以给设计师带来这么多好处，那设计师应该从哪些维度去了解数据呢?

在《产品经理数据修炼 30 问》中，作者提出了这样一个思路，笔者深感认同，也分享给你：可以从宏观、中观和微观三个维度，去构建产品的数据全局观： 

△ 图6 如何构建产品的数据全局观

宏观的行业洞察

研究宏观的行业分析报告，帮助我们了解目标用户的体量，产品的行业格局和生态，进而帮助我们更好的理解产品相对竞品的优缺点。

中观的产品概览

梳理产品的数据体系，帮助我们了解产品的核心指标，指标现状及波动情况，指标意义和对商业的影响，以及指标和设计之间的关系，确认设计的发力点。

微观的数据洞察

把握每个核心功能的使用链路，了解核心链路上的转化率漏斗，帮助我们还原用户的使用场景，思考如何更好的服务用户及用户目标，做出更好的设计。

从宏观到微观，是设计师在心中重塑产品，建立产品设计全局观的过程，在这样的数据视野下，设计师对产品的现状会更加理性和客观。

了解设计师常用的数据模型及数据指标

行业里常见的数据模型是 Google’s HEART 模型(阿里设计团队在此基础之上迭代了国内更广为运用的 5 度模型，所以本文也主要为大家介绍 5 度模型)和 AARRR 模型。 

△ 图7 5度模型(图片来自网络)

1. 5 度模型

用户体验周期分为 5 个阶段：触达、行动、感知、回访、传播。这 5 个阶段对应的核心目标分别是吸引度、完成度、满意度、忠诚度和推荐度。

吸引度

吸引度是指操作前用户初次接触到这个产品/功能时，产品/功能能否被用户注意到，并吸引用户的注意和兴趣，进而产生相应的行为。

相关的用户体验数据指标有(但不局限于)知晓率、到达率、点击率、退出率等。在吸引度层面，最需要设计师分析的是页面/功能/内容的曝光率和点击率，看设计入口是否达到设计预期。

完成度

完成度是指在操作过程中，用户能不能完成产品目标对应的操作流程，以及完成目标过程中的操作效率，主要用户体验数据指标有(但不局限于)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、操作出错率等。

在完成度层面，最需要设计师分析的就是核心路径的转化漏斗和用户停留时长，由此可以判断核心链路设计的可用性。

满意度

满意度是指操作完成后，用户产生的主观感受和满意度，主要用户体验数据指标有(但不局限于)布局合理性、内容可理解性、操作容易度、界面美观度等方面的主观评价。

满意度数据主要来自于用户定性定量调研，用研团队一般每半年或者一年会进行一次满意度调研，设计师要密切关注满意度调研的高峰和低谷，尽量在后续的设计中填平低谷，拔高峰值。

忠诚度

忠诚度是指完成一次使用后，用户会不会再次使用此产品，主要用户体验数据指标有(但不局限于)30 天/7 天回访率、不同平台的使用重合率等。

忠诚度和用户留存率密切相关，设计师可根据回访率和用户使用场景，设计合适的触发，提醒用户使用产品。同时借鉴竞品产品的体验优势，转化竞品用户。

推荐度

推荐度是指用户会不会将此产品推荐给其他人，主要用户体验数据指标：净推荐值(NPS)。

推荐度与满意度类似，也是通过用户定性定量的调研获得。不同之处在于，满意度更多的强调用户自身的使用感受，而推荐度则关乎用户向外的口碑传播。

设计师应把握口碑传播中的产品优劣势，快速改进劣势，阻断舆论传播，同时不断强化优势，引导用户传播，形成良性的口碑循环。

2. AARRR 模型

AARRR 增长模型出自于增长黑客，又称海盗模型。

AARRR 是获客(Acquisition)、激活(Activation)、留存(Retention)、收入(Revenue)、传播(Refer)，这五个单词的缩写，分别对应用户生命周期中的 5 个重要环节。

获客

通过一定的推广方式让产品在一些渠道上面得到展现，并使看到展现的用户转化成产品用户。

获客阶段需要计算产品的推广方式(CAC、CPC、CPT、CPM、CPS、CPA)、推广费用和推广效果，来评估推广渠道的投资回报率(ROI)，帮助产品做推广决策。

激活

把通过渠道引入的用户，转化成产品的活跃用户，提高产品的使用粘性和深度。

激活阶段要计算产品的核心链路转化率，了解转化瓶颈，并作出对应的设计优化。

留存

如何让用户不断地使用我们的产品，减少用户的流失，提升用户粘性，让用户无法离开产品。

留存阶段要结合用户的使用场景，设计合适的触发，提升用户留存率。

收入

通过一些手段和渠道从用户或者广告方那里获取收益。

收入阶段则要分析产品的收入方式和收入占比，刺激用户消费频次和消费额度。

推荐

通过提升产品的竞争力和利益刺激，使用户推荐我们的产品给他的朋友。

推荐阶段则要结合场景，激励和引导用户分享，带来良性的产品口碑。 

△ 图8 AARRR模型(图片来自网络)

关于 AARRR 模型，我从网上找到这样一张图，里面标注了每个阶段设计师可以关注的数据指标，如果你在设计中有使用到 AARRR 模型，不妨采用图中的数据指标，对你的设计结果展开分析。

如果你刚接触数据，对于图中的英文缩写数据指标一头雾水，可以点击查看我们团队整理的这张《常用数据指标释义一览》，相信会对你有帮助。链接如下：https://docs.qq.com/sheet/DS1pHcWl0SFJQdHZp 。

学会如何简单的分析数据

在项目团队里，设计师主要是一个利用数据做设计洞察和分析的角色，而非收集、处理、呈现、深度分析、沉淀数据的角色。所以，设计师若能完成以下基本的数据分析，就可以在日常的设计分析中游刃有余。

1. 看数据

知道公司有哪些数据平台，分别可以查看哪些数据，能够做到对产品的核心数据指标脱口而出。

知道并且能够看懂产品的埋点数据表，当对数据释义有疑问时，可以通过查阅埋点数据表，了解数据的真实含义和统计口径;

知道如何查看或下载数据报表中没有的埋点数据，减少对数据分析师的设计依赖，提高设计效率;

2. 算数据

会使用公司的数据平台，如果数据平台支持，可以直接在数据平台中选择简单的数据埋点，完成点击率和转化漏斗的数据计算(更快速和直观)。

如果公司数据平台不够完善，可以用 Excel 完成以下简单的数据计算。

求数据平均值(=AVERAGE(单元格范围))。

进行数据分析时，为了避免单日数据波动带来的误差，通常会将一段时间内的数据取平均值作为基础运算基准值。

(我自己取数据时通常会取一周的数据算平均值，而且尽量避开节假日，这样做是为了避免节假日的流量和特殊需求波动带来的影响，也避免工作日和休息日的用户行为差异)

求数据点击率(=点击 PV/曝光 PV)

这是最基础也最常用的数据运算，就是一个简单的除法。

(注意曝光的 PV 要取对应的点击元素的，而非整体页面的。根据具体情况选择 PV 的点击率或 UV 的点击率)

会用数据透视表，实现批量计算平均值/点击率/转化率。

一个个的计算数据还是比较麻烦的，透视表可以帮助我们批量计算和呈现想要查看的数据，非常方便快捷。坦白来说，从业多年，虽然一直很关注数据，但我的数据计算就仅仅止步于 Excel 的透视表，基本上可以解决我日常的数据分析需求。如果遇到真的不会计算的数据，可以直接求助于数据分析师，毕竟术业有专攻，我们可以把更多的精力放在数据分析和对设计方案的思考上。

3. 分析数据

数据说到底就是一堆数值，知道这些数值并没有意义，有意义的是从这些数值中，提炼自己的洞察，辅助自己的思考，这才是数据真正的价值。

具体如何做数据分析可以参考以下分析脉络：

• 确认分析目标;
• 确认与分析目标相关的数据指标;
• 查看并提取相关数据指标，根据分析目标作出相应的计算;
• 将计算出来的数值做横向/纵向/分层的对比，寻找数据与竞品/历史/人群之间差距，并思考如何通过设计的方式，弥补甚至反超这些数据差异。(具体案例可以参考本文第一节)

小结

现在，我们再回顾一下本文的知识要点：

• 明确数据对设计的价值(发现问题、辅助决策、验证设计)，建立数据分析的全局观。
• 了解设计师常用的数据模型(5 度模型和 AARRR 模型)及数据指标，知道数据分析的框架，知道从哪些指标开始入手分析。
• 知道如何进行简单的数据计算和分析，消除数据学习的未知恐惧感。

最后，补充说一句，对于设计师，会不会数据计算其实不重要，(确实很多设计师，一提到数据计算就头大，但依然可以通过与数据分析师/数据产品经理的合作，培养数据设计意识)，重要的是具备数据思维，能够从现有的数据中发现问题、辅助决策，验证方案，从而帮助我们做出更理性的决策。