大促活动表现往往用数据说话，但很多人认为看数据是运营和销售的事。对于运营活动的设计师，我们为什么也需要学会数据分析？设计师应该怎么去用数据帮助自己的设计？
在运营活动当中，不同角色对于数据有不同需求。譬如运营和销售会关注业务指标的表现，规划资源投放、监控活动、评估投入产出和项目价值等；而产品经理则更偏重查看使用数据，判断页面功能是否有异常……而对于设计师，数据又能对他们起到什么作用呢？
我们认识到，设计和创作不一样，设计往往存在目的和理性部分。虽然也有人没有做过数据分析，也一样能做出方案。但数据作为一个定量的维度，能拓宽设计判断的渠道，以一种客观方式反映某些现象或问题。虽然数据并不能决定设计，但数据分析可作为一项定量标准，支持设计方案的推导和决策，以及对方案效果进行验证。
此外，一些团队中设计师会苦于无法体现设计价值。譬如在一次运营活动中，从采销到玩法策略到营销推广等都会对销售与活动效果产生影响，如何体现设计在活动中的价值，提升设计与用户体验在活动策划中的话语权，也需要一种客观且可度量的反馈，而数据分析则提供了一种反馈手段。
二、运营活动的数据分析有什么不同？
运营活动是一种相对特殊的产品形态，这些特殊性也让数据分析工作与一般产品有所差异。
首先，运营活动通常是有时效性的，且上线时间短（有些活动页面甚至只有一两天）。相比于一般产品会进行的长期数据检测，运营活动的数据分析更偏向关注实时监测和总结性数据。
其次，运营活动是分批上线的。与一般产品可以持续进行小规模迭代验证不同，不同活动之间由于活动主题、业务目标、商品品类、利益点等条件的不同，设计会有巨大差异，往往不能单纯以小规模迭代方式去设计方案，且紧张的资源也不一能支持非常完善的方案试验。
我们还要注意到，活动表现数据影响因素更多，不同活动在资源投放、流量渠道、选品、促销力度、甚至活动本身的群众认知（如：11.11）都会不同，使得控制变量、排除影响因素的难度增加。而且运营活动页面只是用户使用全流程中的一环，在对自己设计的页面分析时，还需要考虑前后流程，譬如用户如何进入页面、后续又是有哪些行为最终产生订单的。
无论对于哪个角色或哪类产品，数据分析的思想与方法是通常都是相似的，但是我们要结合运营活动类产品的特点，以及设计师数据分析的目的，来考虑如何进行分析。
1. GSM流程分析方法
对于设计师来说，相比于只看业务数据表现，我们需要把数据结合到设计方案上，从而进行设计决策或设计验证的目的。我们应该避免拿到数据之后才开始数据分析，根据数据结果反推结论。
一方面是避免所需要的数据在活动结束后才发现被遗漏而没有记录，另一方面，我们应根据目标指标变化验证设计，而不是从事后的结果中寻找表现好的数据来反推证明自己的设计是正确的。
因此，结合设计方案的设立指标，并以合理方式检验这些指标，是运营活动设计师数据分析的主要思路。其中GSM流程，目标（Goal）-信号（Signal）-度量（Metric），则是一种较为常用的方法。
通过GSM流程寻找指标、验证设计
目标的设立是具体、清晰、明确的，不能单纯地说我要提升活动效果或者我要GMV提高。对于运营活动设计师而言，确定设计目标往往需要结合产品目标和业务目标，即在保证使用体验的前提下满足某个业务诉求。
譬如：一个需要用于分流的活动页面设计，目标可以是通过提升用户浏览效率，使用户更快到达后续页面并形成订单；一个活动入口坑位的设计目标，则可能是将业务要求的优惠信息清晰呈现，从而使用户更想进行点击。
信号指的是方案的反馈信号。在设立指标的过程中，我们需要基于设计目标，预估应该需要得到的反馈。通常一个目标会有多个可能用于检测的信号，譬如：页面浏览时长减少、整体点击次数减少、甚至坑位点击转化率的提升，都可以反映用户使用效率提高。至于具体选择哪个信号，应结合设计方案进行考虑，即我修改或设计了什么地方、这种调整预期改变的是什么数据。
运营活动设计一个方案中设计点和信号可能会有多个，但仍可通过分析互不干涉的信号一定程度上得出结论（譬如点击分布和点击率两个信号是相对独立的）。但像增加活动说明和弱化进入会场按钮可能都会影响点击率，可能需要后续细化迭代中验证各自所起到的作用
度量则是如何在技术上去测量信号、通过什么方法去评估这些信号反馈，以验证目标的达成情况。度量方法通常是对比，而变量的控制则是让对比具有说服力。因此AB测试是常见的产品数据验证方式，因为它能最大限度地控制除了AB方案本身差异外的其他变量。
但对运营活动页面，对所有设计点进行AB测试往往是不可能的。我们前面提到活动是分批上线的，一次活动的页面和设计点数量很多，在资源紧张的情况下，对所有页面设计方案中的每一个变动地方分别设计AB测试方案，无论设计与开发成本都将很大。
因此，对于相对独立单一，但应用广的单元功能，譬如商品坑位利益点展示的样式，可以通过AB测试验证和迭代，但对于一些整体页面策略、或者相对不通用的定制化组件等情况，AB测试可能就不一定是个可行的办法了。
2. “不那么精准”的度量方法
对于这些情况，我们不能说就不去进行数据分析了，我们需要依靠一些“不那么精准”的去进行度量，也能得出一定的结论。常用的方式是与往期项目中相似页面或模块进行同比与环比，但这种对比需要注意一些事情：
首先，控制变量的概念依然是需要的，在进行对比前应梳理对比页面的条件差异，除了本身方案差异外，还需要外部的页面资源差异，并了解这些差异是否同样影响到度量的信号。点击率的下降与样式有关，但也可能因为页面投放对象与商品品类不匹配导致的。
这些变量的排除，一方面需要通过结合业务情况了解出设计外可能对信号产生影响的其他因素，以及这些因素的变化情况与可能起到的作用。另一方面，通过一些计算方法也可以让部分变量得到抵消。
由于不同时期活动资源投放、促销氛围、活动商品等都有不同，直接对比不同期不同玩法的优惠券参与和使用效果难以排除这些因素的影响。可考虑通过分别选取两个时期相近条件的普通优惠券，先进行同期对比，再对数据差异进行对比，可以一定程度上抵消了环境条件变化的影响（注意这并不代表能绝对消除影响因素）
此外，通过标尺的方式，可以排除一些环境变量，并判断信号差异是否足够支撑设计的验证。
一个运营活动页面的数据上涨，可能是设计方案起到作用，但也可能是正常的波动，或者是大盘环境本身的提升，标尺则帮助我们在这些影响中更客观的判断数据变化情况。
一个方式是以上级数据表现来作为标尺，譬如某个页面的数据变化，我们可以以整个活动的整体表现作为基础标尺。而分析一个活动的数据变化，则可以以整个产品同期数据变化作为标尺。通过标尺，我们可以更真实地从数据变化波动中推断数据表现情况。
与活动整体大盘数据比较时，数据增长实际是低于大盘表现的，因此无法直接得出数据增长的结论，需要结合更多维度判断页面是否达成目标或存在问题，譬如：用于提升转化的模块表现、用户后续使用路径等
最后，由于这种度量永远无法“精准”，我们在做数据对比的同时应该考虑通过其他方面信息进行补充支持，如结合其他模块和页面数据、结合其他维度信息（如流量、人群、商品采销情况）进行交叉分析、通过其他用户调研手段进行定性分析验证等。
数据分析是一个具体问题具体处理的工作，因此这次只是提供一些针对运营活动的数据分析思路，在面对不同问题时，或对于不同类型活动时，可能会有更适合的分析方法。况且，对于设计师来说，数据是我们发现问题、分析与验证设计的其中一个手段，我们应该避免完全依靠数据去进行设计、决定设计。
数据可以用于指导设计，但它只是我们在设计过程中思考的其中一个维度。完全依赖数据去进行一切设计决策，或只通过数据去判断一个设计是成功还是拍死一个设计，往往结果都是片面的。
