本文内容为如何建立以数据为导向的设计体系. 大纲如下:
以数据为导向的意义
数据指标
数据分析方法
模型建立
数据验证
以数据为导向的意义
1. 可视化
用户行为可视化, 可清晰的了解整体 / 个体用户的行为.
如下图所示, 通过 Google Aanalytic 网站可清晰的掌握平台整体流量的来源, 用户群体路径行为轨迹, 这可以让设计师 / 产品经理清晰地了解到平台的用户行为轨迹和用户人群的操作习惯.
也可以清晰地了解每个用户的操作行为路径. 如下图所示:
2. 可追踪
可追踪产品任何一个时间段的数据, 了解整体数据的变化.
如下图所示: 通过曲线变化, 可看出产品日活跃的变化, 通过变化前后的节点可得到产品发生大变化的时间节点.
3. 可验证
前期提供数据支持和后期方案的验证.
例如下图, 通过优化产品界面的购买按钮, 通过对比前后数据, 看设计改版是否成功.
下图的固定产品的购买按钮点击率从 6.4% 提升到了 9.8%, 涨幅 53.1%, 由于涨幅大于 0, 同时没有外部其他因素影响数据变化, 所以可得出结论, 这次设计改版是成功的.
4. 可预测
通过数据变化, 可预测产品的走向和趋势.
如下图所示, 通过日活曲线, 可预测未来产品的日活增长速度.
从图可以看出, 经历过第一次增长后, 第二次增长的增长率低于第一次. 未来产品如果想维持高增长, 则需要投入更多的人力和费用.
数据指标
掌握数据指标有助于我们入门数据分析.
我将数据指标分为三类, 分别为: 综合性指标, 流程性指标和业务性指标.
1. 综合性指标
综合性指标: 指的是能综合体现产品整体情况的指标.
对于非交易类型的产品, 那么这个平台的综合性指标可以包含 DAU, 留存用户数, 留存率和人均使用时长等等.
DAU
DAU:Daily Active User. 衡量产品使用的活跃度. 明确产品的用户体量, 方便产品设计了解产品的每日用户情况和用户增减趋势.
如下图所示, 通过 DAU 可以很直观的了解产品的所处在的生命周期. 和用户增长情况.
数据用途是方便产品设计人员了解产品的每日用户情况, 了解产品的用户增长或者减少趋势.
留存率
留存率: 某周期内留存用户数 / 某周期内访问用户数. 用来衡量用户使用粘性, 也是衡量产品引流成本的一个重要参考
数据用途是用来衡量用户使用粘性, 也可以用来作为产品改版后的重要指标, 留存率提升了, 在不改变功能的情况下, 说明设计改版成功.
产品的留存率越来越高, 这说明他们的产品用户粘性越来越好.
当然不同行业的产品, 留存率也是不一样的. 社交产品, 关系链越庞大越深度, 粘性越好, 用户迁移成本就越高, 留存率也高.
人均使用时长
人均使用时长: 用来衡量用户使用产品的深度, 判断用户使用产品的粘性和依赖度.
单位用户的使用 App 的时长是一定的, 当在一个 App 上花费的时间多, 那么意味着在其他的 App 上就花费的时间少.
对于交易类型的产品, 那么这个平台的综合性指标可能就包含 GMV, 支付 UV, 人均订单数, 人均客单价等等.
GMV: 用户的下单总金额. 下单产生的总金额, 包括销售额 + 取消订单金额 + 退款订单金额. 举个例子: 一个电商平台, 所有用户一共下单了 100 万的商品, 其中取消订单 2 万, 退款 10 万, 那么 GMV 就是 100 万.
数据用途是体现电商平台的交易规模, GMV 越高说明这个电商平台的交易规模越大, 平台体量越大.
支付 UV: 指下单并成功支付的用户数. 举个例子: 一个电商平台, 有 3000 人点击购买, 其中 2000 人, 成功完成支付, 则支付 uv 为 2000 人.
数据用途是了解平台整体用户支付购买人数规模.
人均订单数: 支付 PV / 支付 UV, 人均订单数大于 1. 举个例子: 一个电商平台, 支付 pv 为 3000, 其中支付人数为 2000 人, 那么人均订单数为 1.5.
数据用途是用于衡量产品 / 页面 / 功能的导购能力.
人均客单价: ARPU,GMV / 支付 UV. 举个例子: 一个电商平台昨天 GMV 有 100 万, 其中支付 UV1 万人, 那么人均客单价为 100 元.
数据用途是一段时间内每个用户平均收入, 用来衡量产品效益.
2. 流程性指标
流程性指标和用户操作流程中产品的指标有关.
常见的有: 点击率, 转化率, 流失率和完成率.
点击率
点击率: 点击率分为 pv 点击率和 uv 点击率. 在实际工作中, 使用 pv 点击率的情况比较多. 这个要根据具体需求而定.
举个例子: 如果当天知乎的首页展现 PV 是 400 万, 5 万人点击提问按钮有 10 万次, 那么点击率就是 10/400=2.5%
转化率
转化率: 下一步用户数 / 上一步用户数.
如下图所示, 可以看到整个注册流程, 每个节点的转化率数据.
流失率
流失率:(上一步用户数 - 下一步用户数)/ 上一步用户数.
通过流失率, 可全局看出所有的流失情况, 找到流失异常数据, 可追踪之前是什么情况导致流失数据情况, 并修复产品问题.
完成率
完成率: 完成率相对于转化率而言, 是最终的结果数值. 转化率是过程值, 完成率是结果值.
3. 业务性指标
区别于基础通用型指标, 业务性指标主要强调其业务属性, 例如社交社区, 则可能需要的业务指标为: 人均发文数, 人均评论数, 人均点赞数, 分享率等.
数据分析方法
数据分析和设计的方法这里简单介绍以下 5 种, 分别为: 行为事件分析, 漏斗分析, 留存分析, 分步分析和对比分析.
1. 行为事件分析
通过分析特定类型的用户行为, 找到这种特定类型的用户行为的对产品带来的影响. 也可以推算出这种特定的行为给产品带来的意义.
行为事件分析法一般经过事件定义, 下钻分析, 解释与结论等环节.
2. 漏斗分析
流量在各个节点流转过程中, 会存在一级级的流失. 最终形成了漏斗形态, 漏斗分析适用于一些列完整流程操作的用户行为.
找到设计过程中流失比较多的数据, 通过数据找到流失的原因.
3. 留存分析
通过找到整体留存情况, 找到用户留存的关键性因素指标.
留存分为两种情况:
产品整体留存, 整个产品的留存率, 对象是整个产品.
功能模块流程, 各个模块的留存, 这里是针对于单个功能模块.
产品留存要分开看待. 既要看整个产品留存率也要看所负责设计的各个功能模块留存率.
4. 分布分析
用户在特定指标的各种占比的归类展现.
如下图谷歌数据分析网站所示, 可以根据不同分布类型占比, 进行分析.
5. 对比分析
对比前后数据, 通过对比数据的差值, 验证设计.
自身产品比, 对比产品其他模块相似场景的数据差异. 通过对比找到问题点并做分析优化.
行业产品比, 和同行业产品的数据对比分析, 找出数据差异的问题所在, 并给出对应的优化方案.
模型建立
目前市面上常用的模型有 Google's HEART,AARRR 和 RARRA.
1. Google's HEART
HEART 是一个用来评估以及提升用户体验的模型, 它由五个维度组成: Engagement(参与度),Adoption(接受度),Retention(留存度),Task Success(任务完成度)和 Happiness(愉悦度)
Engagement(参与度): 通常指的是用户的使用行为, 这里面包含用户的活跃度, uv,pv, 人均访问次数等, 通过这些数据可以很好的反应整个产品的用户参与意愿度.
Adoption(接受度): 用户在特定 (短) 时间内开始 "真正" 开始使用某个新功能 / 模块. 接受度主要体现在用户访问和操作等行为
Retention(留存度): 留存度即对于一个功能或者产品, 一段长时间内从开始参与到现在连续活跃的用户, 留存率是互联网产品的主要获利因素.
Task Success(任务完成度): 任务完成度主要指核心任务的完成率, 在该纬度下包括三个基础用户行为指标: 转化率, 跳失率, 成功率.
Happiness(愉悦度): 愉悦度是一个产品用户体验的最直观的评价感觉.
基于 HEART 五大维度可制作业务的数据模型, 如下图所示:
2. AAARR
AARRR 增长模型出自于增长黑客, 即获客, 激活, 留存, 变现, 传播推荐.
AARRR 是 Acquisition,Activation,Retention,Revenue,Referral, 五个单词的缩写, 分别对应用户生命周期中的 5 个.
获取用户(Acquisition): 本阶段最主要的目的是将潜在的目标用户转化成我们产品的用户, 并且开始使用产品. 提高用户注册转化率的关键在于, 调优产品的着陆页, 要准确传达产品的核心价值.
需要的数据指标: 流量来源, CAC(用户获取成本),CPC(每次点击付费) ,CPT(按时长付费),CPM(千人成本) ,CPS(按提成收费) ,CPA(按点击计费) ,Campaign(塑造品牌)
提高活跃度(Activation): 对于移动应用产品, 用户活跃度还有另外两个关键数据指标: 每次启动平均使用时长和每个用户每日的平均启动次数.
需要的数据指标: DNU(日新增用户) ,DAU/WAU/MAU,ACU(平均同时在线人数),PCU(最高同时在线人数),PV,UV, 意向 UV(进入意向页面的用户数),PV/UV,CTR(点击率), 意向 UV-CTR (点击 UV / 意向 UV),VV(视频播放次数), 访问时长, 停留时长, 滚动屏数, 人均停留时长, 人均操作次数, N 次操作占比, 行为路径, 访问频次, 跳出率, 用户来源, 用户去向.
提高留存率(Retention): 用户留存率是非常重要的一个数据指标, 留存率衡量着一个产品是否健康成长.
需要的数据指标: 留存率, 次日留存率, 7 日留存率, 30 日留存率, 回流率, 召回 CTR(提取出的正确信息条数 / 样本中的信息条数), 用户生命周期 (周期 /(1 - 周期内新增留存率))
获取收入(Revenue): 即用户给产品贡献的收入价值, 公司从用户所有的活动中所得到的全部经济收益的总和.
需要的数据指标: GMV,ARPU(每用户平均收入),ARPPU(平均每付费用户收入),LTV(生命周期价值),PBP(回收期),ROI(投资回报率 ), 收入地图 , 客单价, 消费次数 , 消费频率, 订单量, 利润, 购买偏好, 直接引导成交, 间接引导成交, 购买间隔
用户推荐(Refer): 通过用户推荐再次获取新用户, 应用运营形成了一个螺旋式上升的轨道. 而优秀的应用就很好地利用了这个轨道, 不断扩大自己的用户群体.
需要的数据指标: 分享率, 分享次数, K-Factor (病毒传播指标),NPS
AARRR 模型对应的数据指标如下图所示:
3. RARRA
RARRA 的数据模型, 本质上是在 AARRR 的基础上进行顺序调整得到, 以满足日益获客成本所带来的压力成本. RARRA 模型相比与 AARRR 可以使得获客成本更低.
用户留存 Retention: 为用户提供价值, 让用户回访.
用户激活 Activation: 确保新用户在首次启动时看到你的产品价值.
用户推荐 Referral: 让用户分享, 讨论你的产品.
商业变现 Revenue: 一个好的商业模式是可以赚钱的.
用户拉新 Acquisition: 鼓励老用户带来新用户.
RARRA 通过最重要的指标来关注增长: 用户留存.
RARRA 与 AARRR 的区别是, RARRA 模型里面用户的留存重要性远高于获客.
在数据模型中, 我们可以学到数据模型的分类思路, 以及如何创造出适用自己团队的数据模型.
基于这个目的, 我们可以将市面上常见的数据模型找出来并进行整理并分析. 通过熟悉主流的数据模型的产出逻辑, 并从中找到规律, 创造出适用于自己团队的数据模型.
数据验证
通过核心指标判断设计方案是否符合预期, 以此验证设计方案是否成功, 并为后续产品的迭代优化做依据.
1. 关注设计的核心指标
设计过程中, 要关注设计的核心指标, 针对于核心指标, 进行针对性的设计.
如果改版的最重要 (核心) 的指标是任务流程完成率, 先查看用户操作流失率, 然后分析找出流失原因, 给出对应的优化方案. 等到优化方案的产品版本上线后, 对比完成率数据变化.
如果改版的最重要 (核心) 指标是人均观看次数, 则要思考可通过哪些设计策略可提升产品的人均播放次数.
举个例子, 新浪微博, 以前版本用户看完视频后, 视频会有重播按钮和推荐视频, 用户只有进行下一步点击才能播放下一个视频. 改版后看完视频会自动切换到下一个视频. 这样的设计策略虽然绑架了用户的行为, 用户从一个主动接受者, 变成了一个被动接受者, 但是这种策略能有效的提升人均播放次数.
2. 核心指标带来的价值 / 收益
当验证了核心指标往好的方向发展, 这时候, 就需要总结核心指标带来的价值和收益, 这样的话设计价值才可以直接被量化.
举个例子: 一个 banner 的点击率达到 3% 的时候, 每天 GMV 约 200 万, 当重新设计了这个 banner, 同时其他条件保持不变, 点击率提升到了 6%, 这时候通过数据查看每天的 GMV 是多少, 如果达到了 400 万, 那么这增加的 200 万则是通过设计优化所带来的.
数据验证总结后有四步:
关注改版的核心指标
核心指标带来的价值 / 收益
确定上线时间
对比上线前后数据变化, 进行验证
官方出品! 揭秘「支付宝集五福」这个超级营销背后的设计体系
不知道大家有没有发现最近两年互联网发生了很大的变化, 过去移动互联网时代我们主要是以做「工具」为主, 也就是一个具体的 App 或者具体流程页面的设计, 我们积累了很多关于用户体验设计的方法论和知识. 但是现在的互联网慢慢线上线下融合, 已经不仅仅是一个工具了, 在产品同质化的今天我们越来越多的比拼服务的运营能力和营销能力, 这个时候就衍生出来了很多超级营销活动.
来源: https://www.uisdc.com/design-system-3