快好知 kuaihz

走近设计中的数据:数据在产品设计中的运用

文章从三个方面带我们走近设计中的数据,帮助大家理解数据是怎样对设计师、对设计成果产生价值的,并且有理有据的说明了,设计项目中改如何建立数据指标,以及有哪些切实可用的分析方法。

数据价值

数据的价值在于驱动产品优化。这里的优化体现在两点,辅助设计决策和量化设计效果。项目前期,了解数据发现问题关键点;后期,量化数据,有助于产品迭代,空口无凭,那就用事实说话。小胖老师举了一个58APP中IM有效会话漏斗的例子,一步步的来看到底是怎么驱动优化的。

怎样的过程称之为一次“有效会话”?C端用户进入详情页,点击IM入口,发送会话内容,B端用户给出回复并被C端成功看到,才为一次有效会话。从上图可以看出,这个过程涉及4个页面,页面跳转也就自然存在流失,由此可得到一个会话漏斗。

数据漏斗直观反应出3个主要问题:

C端用户发起会话路径流失大;

B端用户回复率低;

C端用户活跃度远高于B端用户

推测问题可能原因(以二手房业务线使用场景为例):

C端用户发出会话前需要组织语言,如询问哪些问题,此过程对于购房意愿不够强或不明确的用户成本较高;

C端用户不了解中介的服务情况,难以对回复产生预期;

B端用户同样不了解询问者的情况和需求,没有强烈的回复意愿,且其所处环境较复杂,大概率处于户外活动状态,难以及时回复等。

这时我们通过头脑风暴可以获得很多猜测,根据这些靠谱或不靠谱的猜测就能够推导出多个产品设计点、优化点,再评估优先级、可行性进行筛选,即达到了针对性优化的目的。真实项目中,优先进行尝试的是购房意愿单和经纪人服务评价功能(暂未上线)。

数据指标建立

设计方案确定后,如果设计师想通过数据来验证设计效果,如何梳理较为系统的量化指标呢?小胖老师介绍了一个数据指标建立的模型-Google的GSM(Goal-Sign-Metric)模型。

梳理思路:设计目标决定衡量的数据指标,从设计目标出发,推导相关可量化指标。

还是以IM “购房意愿单”为例,结合该项目,我们来看一下运用gsm模型为此功能搭建数据指标框架。

Goal  设计目标

前面提到说设计目标决定衡量的数据指标,所以第一步要明确我们设计的目标是什么,或者说是为了解决什么问题。那么,购房意愿单的提出,有两个主要目标:提高C端用户发起会话的意愿度;提高 B端经纪人回复意愿度。

Sign  现象信号

确定了目标,我们再假设,如果能够达到这些设计目标,用户会产生怎样的态度和行为。假设购房意愿单真是切中了用户的需求,他们会有怎样的反应呢?我们猜想:

C端用户觉得有用,填写意愿单的人多,填写完后发送的人也多;

C端用户很爱用,主动将已有意愿单发送给经纪人或者修改后发送给经纪人;

经纪人看到信息后,主动回复信息。这是正常目标达成情况下,用户可能会发生的反应。

Metric  衡量指标

现象信号中,有哪些是可以转化为数据指标的信息,这些就可能会成为衡量设计效果衡量的指标。还是对应之前的现象信号来看,可用的指标有:

1.1 填写入口功能的点击率;

1.2 填写后发送的转化率;

2.1 已有意愿单的点击率;

2.2 已有意愿单的修改率;

2.3 已有意愿单的再次发送率及发送次数;

3.1 C端用户发起会话转化率;

3.2 首次发起会话后B端回复率。

这样,我们就得出了一系列较为系统的功衡量指标,一定程度上验证功能优化的效果。

运用此模型要注意的是,不一定所有现象信号都能被量化。在建立数据指标过程中强调两点,首先重要项目中,设计师最好也独立进行数据指标的梳理,去和产品的关键数据指标相结合。形成一套完善的量化指标;其次不要只关注核心指标,最终上线效果会受很多因素影响,整体的体验很难通过单一功能优化获得明显提升。但是可以通过较为详细的数据指标,验证功能是否满足用户需求。例如,购房意愿单的用户使用频率、意愿单内容维护度,都可以验证此功能的需求满足度。

分析方法

以上的套路可以帮我们明确要看哪些数据,那么数据收集到之后呢,分析过程同样至关重要,小胖老师给出了一些常用、实用的数据分析方法,一起来学习吧。

相关性模型

多年不学数学的小编,看到公式时是颤抖的

我们可以代入运营活动场景来理解,A为任务完成页,B为分享邀请页,交集T是完成了任务并且分享的用户,想要了解这两个页面的相关性可以这样计算;P=任务完成页到邀请页的转化率=T/A,R=通过所有场景到达邀请页中来自于任务页的占比=T/B,两页相关性系数F-score=2*PR/(P+R)。

热力图

热力图是大家都相对熟悉的一种数据可视化方法,能够直观展示一个页面各模块的点击量,适用于PC端页面和APP中导流类页面的分析。以58APP首页为例,热力图可以表达用户来到首页后往下游的转化情况,以及每屏的转化比较,然后我们发现,仅此而已,这样的数据带来的帮助可能并不足以支撑优化需求。

小胖老师推荐,如果结合用户细分来看呢?我们知道58面向的用户分布在各个业务线,以招聘、租房、二手车业务线的用户来横向对比,可以明显看到不同需求的用户在首页的走向是有较大差异的,有些功能使用频率相似,有些则相差很多。这样的横向比较,会比单纯看热力分布有更多收获。

除了用户细分,还可以与用户轨迹分析搭配使用。在58M端首页改版的项目中,新版上线后,数据并没有明显变化,这时很难判断改版的效果,如果结合用户轨迹再研究,会发现其实效果是显著的,下面我们跟随小胖老师逐一了解。

M端首页的行为轨迹有这样三个项目,用户步长、页面流向和列表往详情转化质量。用户步长是指,用户进入网站内第一次到达详情页经过的步数;从如下图中可以看出,步长为2-4步的用户占比有明显提升,增长了5.72%,需要更多步长的用户占比减少,由此可看出首页改版让用户能够更快到达目标页。

我们还可以对比不同路径的页面流向,如新版中首页进入大类页(路径A)和首页直接进入列表页(路径B)两种路径的后续流向。新版首页采用大类 icon样式,相比于旧版更强调大类入口,而数据显示:①B路径会额外增加无用操作;②B路径返回率为A路径的2倍;③A路径进行筛选的概率更高;这些都能体现出首页改版突出大类入口的效果。

再看转化质量的比较,还是依据上文中的A、B两种路径,A路径中列表往详情转化更高,且筛选使用率更高,说明路径A的“List-Detail”转化质量更高。那么根据以上种种验证,PC端的首页也随之改版上线大类icon样式。

趋势图

大家对于趋势图就更不陌生了,是一种能够直观表达数据升降的线图,邵倩老师依然要叮嘱两句。第一,不要只关注均值,还要关注连续趋势;上涨不能完全说明什么,但持续稳定的上涨就是有意义的。第二,坐标区间很重要;现在很多人在项目汇报时,为了数据好看,会在区间坐标上做“手脚”,来放大数据的涨幅波动(如下图),所以我们在看别人的数据报表时要留意一下坐标。第三,±3%的浮动很正常,不要因为-3%气馁,也不要因为+3%过分欣喜。

转化漏斗

文章开始举过漏斗的例子,相信大家已经有了直观感受,这种分析方法,可以帮助设计师从宏观上定位问题及关键节点,除了指导功能优化,还可以指导用户定性研究,为问卷、访谈提供方向。

最后的最后,小胖老师留给我们的经验之谈,数据并非评估设计的唯一标准,设计师没必要太功利,应该更多的专注于设计本身,数据只是一种参考,若是真的想要验证成果,也要尽量参与到指标建立过程中,尽可能全面的进行评估。

本站资源来自互联网,仅供学习,如有侵权,请通知删除,敬请谅解!
搜索建议:数据  数据词条  产品设计  产品设计词条  走近  走近词条  运用  运用词条  设计  设计词条  
设计

 如何面对产品的定性与定量分析?

因为工作需要,经常做风险性分析与效能评估,对于用户研究同学可能更专业的知道定性分析与定量分析,同样的,产品经理、交互设计、用户研究三个同学对这个话题也都应该敏感...(展开)