工业设计师进阶学习——数据分析与度量

本文作者：欧若兰（赫兹工业设计）｜ 专注产品设计10年

数据分析与度量

核心目标转变：

• 从： 依赖用户访谈和直觉来判断设计好坏，说“我觉得你会喜欢...”

• 到： 结合定量数据与定性洞察，用确凿的证据说“数据显示，这个设计使关键指标提升了X%。”

3.1 产品数据指标

理解并跟踪关键指标，能让你从宏观上把握产品的健康状况和用户体验，并使设计目标与商业目标对齐。

• a. 用户增长与留存指标：

• 日/月活跃用户数： 了解产品的用户基础和粘性。

• 用户留存率： 衡量产品的长期价值。设计的目标往往是提升次日、7日、30日留存。低留存率通常意味着产品存在核心体验问题。

• 用户流失率： 留存率的另一面，重点关注你在哪个环节流失。

• b. 转化与参与度指标：

• 转化率： 这是衡量设计有效性的核心指标。例如：注册转化率、购买转化率、功能发现率。

• 平均你会话时长/访问深度： 衡量用户参与的深度。

• 核心功能使用率： 了解你设计的关键功能有多少你在实际使用。

• c. 业务与忠诚度指标：

• 客户生命周期价值： 一个用户在整个使用周期内为公司带来的总价值。优秀的设计能显著提升此价值。

• 净推荐值： 衡量用户忠诚度和向他人推荐你产品的意愿。

设计师的思考： 在设计方案提出之初，就应明确：“这个设计旨在提升哪个核心指标？” 这使你的工作具有明确的可衡量性。

3.2 A/B测试与多变量测试

这是用科学方法验证设计决策的“黄金标准”，尤其适用于优化数字界面和转化流程。

• a. A/B测试基础：

• 假设： 在测试前，必须先有清晰的假设。例如：“我们假设将按钮从蓝色改为红色，会因其更醒目而提升5%的点击率。”

• 样本量与统计显著性： 理解需要多少用户参与测试，结果才可信，避免被随机波动误导。

• 首要指标与护栏指标： 明确要优化的核心指标（如点击率），同时监控其他重要指标确保没有负面影响（如用户停留时间）。

• 是什么： 将用户随机分为两组（或多组），在同一时间维度，分别展示不同的设计方案（A版本和B版本），然后通过数据判断哪个版本能更好地实现预定目标。

• 测试内容： 可以测试按钮颜色、文案、图片、布局、流程步骤等任何设计元素。

• 关键概念：

• b. 运行与解读测试：

• 与数据/产品团队协作： 设计师负责提出假设和设计变体，数据科学家或产品经理通常负责配置测试和分析结果。

• 解读结果： 学会看懂测试报告。不仅是看哪个版本“赢了”，更要尝试理解“为什么赢”，将定量结果与定性研究结合，形成更深刻的洞察。

• 避免误区： 不要同时测试多个不相关的改动，否则你将不知道是哪个改动导致了结果变化（这需要更复杂的“多变量测试”）。

3.3 将数据转化为设计洞察

数据本身没有价值，洞察才有价值。进阶设计师是连接数据与设计的桥梁。

• a. 建立“数据-洞察-方案”的闭环：

1. 发现问题： 通过数据看板发现异常（如“支付页流失率异常高”）。

2. 提出假设： 结合用户研究，提出可能的原因（如“用户可能对隐藏的运费感到不满”或“表单字段太多让用户感到畏缩”）。

3. 设计实验： 针对假设设计解决方案并启动A/B测试。

4. 验证与学习： 根据测试结果验证假设，无论成功与否，都获得了认知，并指导下一步行动。

• b. 数据叙事：

• 背景： 我们发现了什么业务问题？（支付成功率下降）

• 洞察： 数据和我们调研发现了什么？（75%的用户在地址填写页放弃，访谈发现他们觉得过程太繁琐）

• 解决方案： 因此我们设计了什么？（一个简化地址输入的方案，并附上设计稿）

• 结果/预期： 这个方案通过A/B测试，将支付成功率提升了X%。

• 单独的数据点是枯燥的。你需要将数据编织成一个有说服力的故事。

• 故事结构：