2021-3-15 資深UI設計者
2015年之后的中國互聯網，人口紅利、流量紅利逐漸退場。2019年遭遇第一場資本寒冬，上半年投資總金額同比下降了58.5%。也在2019年，“精益創業”、“精益數據分析”、“增長黑客”等一系列數據思潮開始流行。而UX設計師作為半個產品經理，我們很容易將這股“數據熱”遷移到自己身上：每個UX設計師都要學數據分析了嗎？數據和設計是什么關系？天天盯數據會限制設計師的想象力嗎？數據到底要怎么用？……
過往，設計師一般不會把“數據”掛在嘴邊。我們提倡“以用戶為中心，打磨極致用戶體驗”，較少考慮成本和商業效益。
通俗來說，就是產品經理負責“生意”，設計師負責“體驗”。以“造鞋”為例子，產品經理做了市場調研，決定要生產兒童運動鞋，設計師負責設計“適合4-11歲的兒童在城市公園玩鬧”的鞋子應該長什么樣、穿著它跑跑跳跳是不是舒服的。但是設計師不需要擔心運動鞋的銷量，產品經理則要跟老板匯報銷量業績。
在紅利消退、產品同質化嚴重和快速迭代的多重壓力下，UX設計迎來了更高的挑戰：僅憑主觀判斷“好不好用、好不好看”來打磨產品內在體驗，不考慮產品的生存、增長和盈利，很難在行業立足。與此同時，隨著數據采集工具的日漸成熟，數據以“客觀”和“便捷”兩大特點，幫助我們更快獲得“設計的依據”。精益化設計是必然趨勢，而“數據分析”是精益化設計的手段之一。
沿用“設計鞋”的案例，UX設計師要在自己所在領域思考：在設計調研的過程中，我們用什么數據指標來衡量這個兒童鞋好穿、好賣？在鞋進行批量生產前，我們有沒有數據資源支持我們研究父母/小孩對鞋子外觀的偏好、小孩運動時容易受到哪些物理傷害等等？如果有條件進行小范圍的數據實驗，我們如何設計數據實驗來評估好穿好賣？
“理解任何事物都需要先對它進行定義，這樣才能夠在頭腦中清楚地知道正在討論的是這個東西，而不是其他東西。”非常喜歡美國經濟學家Thomas Sowell在《經濟學的思維方式》里說的這句話。
如果我們對“數據”下定義，那么產品設計語境中的“數據”具體是什么？數據是怎么產生的？
從數據采集手段來看，互聯網產品的數據來源主要有3個：二手資料數據、問卷調研數據和應用埋點數據。
行業數據和競品數據一般通過二手資料獲得，包括商業交易數據、用戶群的態度和意愿、用戶輿論指數、競品的用戶規模和盈利狀況等宏觀數據。常用的搜索渠道有：百度指數、企鵝智酷、艾瑞、尼爾森、各大科技資訊平臺等。
我們可以將這些理解為“市場數據”，在立項期對產品方向有一定指導意義，能快速了解市場概況，也能幫助產品思考差異化定位的問題。
以“騰訊文檔為”項目為例，我們想提高騰訊文檔用戶創建文檔的成功率，通過模板創建文檔是關鍵路徑之一。研究用戶通過模板創建的路徑時，想大概了解用戶找模板時可能會在意什么。于是我們嘗試使用百度指數搜索“模板”、“文檔模板”、“PPT模板”、“Word模板”、“Excel模板”，從搜索量得知：PPT模板搜索量最高，符合我們的推測；Word模板內容中，簡歷、合同需求量較大，而部分用戶只是想要好看的Word背景等等。雖然我們得到的有效信息不多，但我們能夠通過二手資料的方式，快速了解用戶需求的基本面。
問卷調研數據是通過向目標用戶發放問卷獲得的，側重于收集人口學信息、用戶自述的歷史行為、主觀態度或意愿，比如用戶滿意度調查、流失用戶原因調查等。本質上是通過建立假設、再進行抽樣統計的方法來得到用戶口述的答案。也就是，問卷傾向于聽用戶說了什么、而看不見用戶真正做了什么。嚴謹的問卷分析也會比對后臺數據，校驗用戶說的和做的是否一致，以清洗無效數據。
較之于問卷調研數據，我們想看“用戶做了什么”，則通過分析應用埋點數據獲得。
“應用埋點數據”也叫“埋點數據”、“前端頁面數據”，我們可以簡單理解為“通過技術手段獲得用戶在應用內（網站、客戶端、小程序等）的操作行為數據”。其背后原理是：用戶和界面發生交互，系統需要向服務器發送請求和返回請求，把這些請求預埋一段計數代碼，就能得到頁面的曝光數據和用戶的操作數據。
埋點需要產品經理或設計師做好數據指標的定義，跟開發工程師提前溝通，讓開發工程師在代碼中嵌入埋點。一個埋點由多個字段組成，規范地定義字段，有利于我們在數據平臺搜索埋點更方便。當我們懷疑數據有效性時，也更方便排查埋點問題。
埋點類型可分為曝光埋點、操作埋點和時長埋點：
1. 曝光埋點可以捕捉頁面被展示的次數，可以是針對整個頁面，也可以是頁面中的某個區域。即我們常說的PV、UV。
2. 操作埋點則是在用戶對頁面某個區域（按鈕、卡片、提示條等）進行手勢操作（點擊、雙擊、長按、滑動等）時，進行打點記錄。對應的，也稱之為某個操作的PV、UV。
3. 時長埋點是通過標記以上兩類埋點、并計算時間差獲得的。比如，我們記錄用戶選取模板耗費的時長，可以通過離開頁面的時間（t2）-進入頁面的時間（t1）計算。而離開頁面則用點擊左上角返回按鈕、點擊具體模板等“離開”操作來核算。
基于以上3種原始數據，我們可以運算得出點擊率、功能滲透率、人均點擊次數、人均使用時長等具有對比價值的數據。
較之于二手資料和調研數據，埋點數據更加貼近用戶的真實表現，作為反饋指標的靈敏度更高，可挖掘性更強，也能作為客觀衡量指標引入到每一次產品迭代中。
設計師理解埋點的原理，有助于在數據采集環節跟數據開發更好地溝通，并提出合理的數據需求。另外，當我們拿到一組數據，也需要從根本原理上去判斷數據的信度和效度，確保數據沒有質量問題再進行下一步分析。
數據分析能力會在UX設計師的崗位招聘要求中被提及，但除了電商和廣告行業的數據化設計知識體系較為成熟，其他領域還在探索。另外，相比于市場營銷、產品經理、產品運營等職能，設計師的分析框架是相對晚熟的。
實際上，我們很難從招聘廣告中歸納“具備數據分析能力的設計師”長什么樣，但我們期望這樣的設計師對數據的感知力強、分析邏輯清晰、數據經驗豐富，對某個垂直領域的數據儀表盤了如指掌等等。
數據對UX設計有什么用？或者說，在設計鏈路的哪一個環節，數據和設計才能發生化學反應？
UX設計日常流程為：得到一個需求（需求評審/需求挖掘）——輸出設計方案（設計決策）——驗證設計方案（設計實驗）。順著這個流程，我們來看看數據在UX設計各階段的作用。
肖恩·凱利斯在《增長黑客》開篇就提到“倉筒組織”這個概念：職能組織有各自的KPI，但未必對最終的業務目標都有利。比如開發人力有限的情況下，產品經理想上線新功能，市場運營想搞推廣活動，設計想做UI大改版做炫酷的動畫——就像N匹馬有N個方向，馬車跑不快。
尤其是當產品進入成長期，我們會發現“能做的事情真的太多了”！不僅僅是來自老板和產品經理的需求，每天都有用戶想教你做產品，剛剛競爭對手又上線了N個新功能等等。另外，當多個產品經理分管不同業務線，每個產品經理都會認為自己提的需求優先級最高。那么，ABCD這幾個需求，哪個更值得即刻實現？
有目標導向和成本意識的設計師，不會拿到PRD就開始畫稿，而是做需求評審。下次產品經理給你提需求，或者自己想要主動提案，不妨從下面幾個問題開始思考效益。
如果這個新功能上線或對已有功能做這些優化點：
｜正向評估：如果做，能使哪些用戶在什么場景受益？用戶會因此使用、消費、甚至推薦我們的產品嗎？
｜負向評估：如果不做，是否會造成用戶口碑變差，甚至棄用我們的產品？
｜數據導向：預估這個需求對大盤數據（AARRR）有何貢獻？如果無法在短期看到對大盤數據的直接提升，應該取什么樣的數據指標來評估其價值（GSM模型）？
｜比對優先級：目前有ABCD四個需求，而人力資源有限，當下最應該解決哪個數據環節的問題？
我們以騰訊文檔的Excel按行填寫功能為例，闡述如何在需求評審階段就思考數據效益。
一開始，我們只是從用戶吐槽中了解到在手機端使用Excel錄入信息的困擾：協作人之間容易竄行誤刪誤改別人填寫的行，甚至把創建人輸入的表頭信息都給刪掉了。
我們模擬信息收集場景，摘出Excel移動端輸入的體驗節點，發現“在有限的屏幕內去處理表格信息，需要來回滾動/縮放表格，再回到自己的行再輸入”這一點最容易發生錯誤，尤其在沒有凍結首行的情況下。
我們有收集表功能，也支持表格轉收集表，但是都依賴創建人主動去使用這個品類/這個功能。我們是否可以在創建人不干預的情況下，直接把來回滾動的表格輸入變成縱向的表單輸入？
以上都是從“感知”角度發現和分析問題，確認了“存在這么一個問題”，然后提出了一個可行的想法。往往這個時候，我們容易為之興奮。
但是如果我們堅持更精益的投入產出比，我們應當評估“這是不是一個要優先解決的問題”，即評估收益：改變Excel移動端的輸入體驗，能帶來什么收益？
首先，我們做正負向評估。
｜正向評估：如果做，用戶可以在手機端更順暢地錄入信息，避免串行刪改的錯誤。雖然這不足以吸引新用戶使用我們的產品，但這個體驗未在競品實現，能形成差異化的記憶點，也許能帶來好的口碑。
｜負向評估：如果不做，手機端的Excel輸入體驗跟其他競品無差，用戶倒不會因此流失，但是創建人會因為協作者的犯錯苦惱，也許會因此轉為采用“IM一對一溝通”來避免出錯。
然后是設定數據目標：如果這個功能落到數據板上，能作何貢獻？
｜數據導向：我們預期這個功能能夠通過提升手機端的輸入體驗，來避免用戶出錯，降低創建人整理數據的負擔，以提高用戶留存（而非預期這是一個拉新功能）。并且，設計假設正確，應該能通過一些數據指標看到用戶的行為變化。
最后，對比同期提出的幾個產品需求，評估優先級。
｜比對優先級：假設Excel按行填寫的需求是A（圖中黃色點），同期有一個影響文檔安全分享的需求B。如果我們按照正負向評估去考量優先級，將AB兩個需求都放在象限圖里，越外層越應該優先處理，那么我們就應該優先處理需求B。
以上是為了將思維可視化呈現給讀者，實操時更重要的是數據意識和敏感度。圖示僅供參考，用何種形式表達不重要。
掌握一套清晰的需求評審思路，才有話語權去討論這個需求是做還是不做、即刻要做還是延后再做。這不僅僅是UX設計師需要具備的目標導向思維和需求分析能力，而是整個團隊都應該建立的數據意識和工作流。這也適用于對設計師提案的自我審查，避免自娛自樂。
產品在不同的成長階段關注的短期效益會有所不同。初創期，產品先要驗證其假設的需求是不是用戶真實需求、商業模式是否可行。當產品發展到一定的用戶規模，我們可以通過對比關鍵數據指標，去判斷現階段是否符合預期。這就像我們去醫院抽血做體檢，血樣指標可以反映我們當前是否健康。
如何檢驗產品健康度呢？我們首先關注宏觀的數據轉化是否符合預期，即AARRR。海盜指標這一套，想必大家耳熟能詳。但對設計師來說，難點在于如何將宏觀數據轉化與具體的用戶使用場景進行關聯，進而落實到具體的設計任務。
以騰訊文檔為例，在線文檔的核心用戶價值是“從創作到協作的多人多端無縫同步”，因此我們定義用戶的關鍵路徑是“創作→分享→協作”，即：
基于關鍵路徑，我們繼續下鉆分析每一個環節，建立用于監控“轉化質量”的行為漏斗。比如在“分享”這一步，落到APP里，這個行為漏斗是：
我們發現僅30%的創建人在分享文檔前設置了非私密權限——這個數據并不符合我們的預期，因為這會導致創建人分享文檔后，協作人無法直接查看或編輯文檔。協作人需要進行權限申請，創建人則需要處理相應的權限申請通知或更改權限，從“申請權限”到“審批通過”的時間差降低了協作效率。
我們進一步去找關聯的數據指標，來確認“這給用戶造成了困擾”——“有多少用戶在文檔分享出去之后再返回來設置權限”‘、“一個創建者平均要處理多少次權限申請”等等。
通過小范圍的用戶測試，我們了解到“權限設置”是一個視覺盲區。于是，我們優化分享頁的信息展示，來改善“用戶看不見權限設置”這個問題。另外，當創建人在處理權限申請的通知時，提供修改權限的入口，以避免重復處理同一個文檔的申請消息。
最終，我們將“分享前進行權限設置”的轉化提高到80%——吹牛的，業務數據太敏感，無法以真實數據跟大家分享，本文的數字皆為脫敏數據。
這就像一個剝洋蔥的過程。先找到產品的核心價值和對應的主路徑，再拆解到對應的多個用戶任務流，關注微觀的某個環節轉化是否有問題。利用數據診斷產品健康度，然后繼續用數據或其他研究方法下鉆，下鉆到可以落地到設計點的層面。
2016年聽了白木彰老師在杭州的一次現場分享，他對“Design”的理解非常透徹。“Sign”是“標志”，應該是大家最共通的常識，就像國旗是這個國家的sign。那“De”是什么？臺下有人回答“重新定義”，而白木彰很自信地說：“不，這是一個否定詞”。
對于UX來說，同理。每一次的設計都是一次否定，否定現有體驗的合理性，否定現有的產品、服務或某一功能完全滿足需求。反過來想，則是審問自己的設計方案：每一次的“否定”，真的更好嗎？
這里舉一個“小需求”為例：騰訊文檔Excel的PC端右鍵菜單高度優化。筆者目前負責騰訊文檔編輯模塊的UX工作，日常就是很多這樣的“小優化”，其實這更加考驗數據敏感度和對“嚴謹”的堅持。
需求背景就是用戶反饋“右鍵菜單太長了，小屏幕看不到菜單底部的內容”。
“展示問題”的解法有很多：
解法1/ 用UI手段，降低單個menu item的高度。
解法2/ 重新歸類，通過折疊來縮短菜單。
解法3/ 當菜單無法完整展示，重新錨定其在屏幕的坐標。
對比競品，確實有表格產品通過（2）去解決這個問題，但是我們撈數據發現：右鍵菜單中，插入行列是高頻操作（紅色部分），點擊次數比其他功能高5～130倍，且人均點擊量分別是3次和2次。我們決定不去對增加行列進行菜單折疊，因為這樣做雖然我們解決了“菜單太高”的問題，但降低了點擊效率。
接到某個需求的“A問題”，我們容易一葉障目。但是，會不會因為我們解決了A問題而引發B問題呢？數據幫助我們快速決策，避免B問題的出現。謹慎對待每一次小設計，因為每一次小設計都是一次否定。
大家對數據實驗應該不陌生，常用的方法有AB測試和灰度測試，是一種控制變量的抽樣實驗方法。
AB測試是指通過抽取抽取等量用戶樣本進行AB兩個設計方案的投放，對比兩組數據，進行方案擇優。這兩個方案的差異要嚴格控制在“僅有一個因素的差異”。這跟我們初中做生物實驗論證“一棵小樹的生長需要陽光”的思路一樣：兩組等量的小樹，一組有陽光，一組沒有陽光，經歷相同的時間后對比生長的平均高度差。水、空氣、養分等其他條件要嚴格一致。因此大改版等“多變量”的設計并不適用于AB測試去印證。
大改版則通過灰度測試或拆分變量去做AB測試來確保效果。灰度測試是指如果軟件要在不久的將來推出一個全新的功能，或者做一次比較重大的改版的話，要先進行一個小范圍的嘗試工作，然后再慢慢放量，直到這個全新的功能覆蓋到所有用戶。也就是說在全量發布的黑白之間有一個灰，所以這種方法也通常被稱為灰度測試。
設計師需要觀察綜合的數據指標，以騰訊文檔為例常規的指標有：PV、UV、人均點擊次數、功能滲透率、使用該功能的留存率等等。另外是多渠道收集用戶反饋，包括騰訊文檔的“吐個槽”社區、微博搜索關鍵詞、隨訪身邊的用戶朋友等。
數據化設計不是對“精心打磨體驗”的否定。恰恰相反，對設計工匠來說，數據分析能力是一種新的“打磨工具”，提倡在設計實施和決策過程中更科學和客觀。UX和數據的關系，就像我們期望鞋子被量產之前能夠有數據佐證“這款鞋好看好穿好賣”，而不是否定“好看又好穿的鞋子能帶來更好的銷量”。
文章來源：站酷 作者：騰訊ISUX
藍藍設計( ssll180.com )是一家專注而深入的界面設計公司，為期望卓越的國內外企業提供卓越的UI界面設計、BS界面設計 、 cs界面設計 、 ipad界面設計 、 包裝設計 、 圖標定制 、 用戶體驗 、交互設計、 網站建設 、平面設計服務