设计师必须掌握数据分析要点

数据分析对于设计师来说也是需要掌握的一项技能 ，本知识点从数据分析框架、数据获取、数据处理、数据分析、撰写报告等几个流程详细的讲解了如何做数据分析。

设计师必须掌握数据分析要点

• 前言
  • 交互设计师通常会有一个苦恼，不知道如何去衡量自己的方案是否有效
    • 定性法：
      • 很多B端的用户界面，很难收集完整的数据或用户反馈，只能通过专家走查或者收集用户意见来判断产品是否好用。常用的方法有：Google的HEART模型、阿里的TECH模型、支付宝UES模型
    • 定量法：
      • 如果你的产品是很成熟的C端产品，可以收集大量用户数据，并将这些数据可视化，去分析用户如何使用产品，设计师也可以很好的去量化设计的效果。
        • DAU涨了5%、人均VV降了0.4、CTR提高了10%等等，可以很客观的衡量设计方案的效果
    • 都是数据收集的过程，第一种更感性，第二种更理性客观。
• 一、数据分析要解决什么问题？
  • 研究历史
    • 每次到了寒暑假的周期，视频行业某个产品的DAU有一段时间突然迅猛增长
  • 解释现状
    • DAU、PV、用户停留时长，它们时刻都在变化，需要每天监测。帮助检查线上是否出现设计事故，也可以用来评估设计方案上线后的效果如何。
  • 预测未来
    • 在了解问题发生原因的基础上，设计师也可以根据曲线预测业务的发展趋势和影响程度。
  • 洞察商机
    • 你寻找到一定的规律，就能挖掘更多未被满足的需求。
  • 寻求最佳方案
    • 这个也是设计师经常会用到的，ABCD哪一个最好？如何验证？
• 二、数据分析师的工作
  • 80%的价值，20%的时间
    • 用户
    • 价值
    • 行动
    • 决策
    • 洞察
    • AI
    • DM
    • BI
  • 20%的价值，80%的时间
    • EDW/HDP/ODS
    • ETL/ELT/EL
    • 数据采集平台
    • ERP/CRM/OA/SCM
    • 用户
• 三、数据分析流程
  • 数据分析框架
    • 确定分析的目标
    • 确定要分析数据的指标
      • 指标就是设备登录率
    • 数据公式
      • 公式是登录UV除以DAU
    • 确定数据时间
      • 通常会取新版本发布后前两个周的数据，因为2周的用户量本足够了，且用户行为特征也基本形成了。
    • 预测
      • 提高或者下降
    • 型号版本
      • 因为同时在线的可能有很多版本，需要分析的这个功能在哪个版本上线，需要与哪个版本对比，这些都是需要考虑的。
    • 查询方式
      • 一看BI报表
        • 就是简单的输入需要的版本号、日期和筛选维度，就可以拉出数据了。
      • pingback就是一种数据埋点的方式，当用户发生某种行为时，我们向后台发起请求，记录下这个行为的发生，就是一种统计的方式。比如：制定全屏播放的时候t=1，小窗口播放是t=0，然后输入简单的类似代码的运算符，就可以跑出需要的数据了。
    • 优先级
      • 埋点是需要向后台产品或技术提需求，他们需要根据优先级进行排序埋点、生成报表的。通常P1是必须要做的，P2是要做但是可以分期做，P3是可做可不做的。
    • 备注
      • 备注可以增加一些额外的需求，比如小渠道期间就要观察数据，那么小渠道期间埋点就要做好。
  • 数据获取
    • 线上收集
      • 线上收集的数据指的是利用互联网技术自动采集的数据
        • 利用爬虫技术
        • 第三方工具获取
        • 效率很高且错误率很低
    • 线下收集
      • 线下收集的数据相对比较传统，对技术要求不高
        • 市场调查问卷获取数据
        • 手工录入获取数据
        • 其他人提供的电子表格获取数据
        • 效率低且容易出现偏差
    • 内部收集
      • 企业内部数据库
      • 日常财务数据
      • 销售业务数据
      • 客户投诉数据
      • 运营活动数据
      • 获取相对较为方便，数据分析员可以根据实际业务需求对内部收集的数据进行处理分析
    • 外部收集
      • 是数据不是企业内部产生的，而是通过其他手段从外部获取的
        • 数据分析师需要对这些数据进行清洗和整合，然后再去进行分析。
  • 数据处理
    • 数据清洗
      • 将多余的重复数据筛选清除，将缺失的数据补充完整，将错误的数据纠正或删除。
    • 数据抽取
      • 保留、抽取原数据表中某些字段、记录的部分信息
    • 数据合并
      • 综合数据表中某几个字段的信息或不同的记录数据，组合成一个新字段、新记录数据
    • 数据计算
      • 将获取的数据按公式进行 处理和计算
    • 数据可视化
      • 将计算后的数据做成图标，作为依据辅助说明数据分析的结论
  • 数据分析
    • 对比分析法
      • 通过指标的对比来反映事物数量上的差异和变化，属于统计分析中最常用的方法。
        • 纵向对比指的是同一事物在时间维度上的对比
        • 横向对比指的是不同事物在固定时间上的对比
        • 产品设计中对比分析法，通常是时间周期固定，新旧版本的对比。
    • 分组分析法
      • 分组分析法与对比分析法很相似，不同的是分组分析法可以按照多个维度将数据拆分为各种组合，并比较各组合之间的差异。
    • 预测分析法
      • 预测分析法主要用于未知数据的判断和预测，这个方法在大数据时代显得尤为突出和重要。
    • 漏斗分析法
      • 漏斗分析法通常也称为流程分析法，其目的是关注某事件在重要环节上的转化率，这个方法在互联网行业的用的非常多。
    • AB test分析法
      • AB测试分析法也是一种对比分析法，该方法侧重于对比AB两组结构相似的样本（如用户属性和行为相似、产品特征相似等），并基于两组样本的指标值挖掘各自的差异。
  • 撰写报告
    • 结论先行
      • 金字塔原则—— 先说重点，感兴趣的同学再深入研究，所以通常需要把核心的数据结论和表现放在目录里。
    • 分析目的
      • 通常每期一定会分析核心的3个KPI数据，与核心指标相关的就归于一类，比如说新增用户的次日留存，那么所有跟新增用户次日留存相关的需求按优先级进行排列。
    • 分析要点
      • 每个详细的需求分析时，需要列出每个需求的描述，就是我们理解的需求背景、功能介绍、分析思路。要说清楚跟上一个版本的改动点，最好有界面配图。
    • 结论和建议
      • 每个需求需要单独列出分析的小结，结论中要包含主要数据和分析结论——这个是一个目录的要求。
• 四、注意事项
  • 要有一个好的框架，像盖房子一样，好的分析肯定是有基础有层次，基础坚实，并且层次明了才能让阅读者一目了然，架构清晰、主次分明才能让别人容易读懂，这样才让人有读下去的欲望；
  • 好的分析要有很强的可读性，这里是指易读性，每个人都有自己的阅读习惯和思维方式，写东西时你总会按照自己的思维逻辑来写，自己觉得很明白，别人不一定如此了解，要知道阅读者往往只会花10分钟以内的时间来阅读，所以要考虑分析阅读者是谁?他们最关心什么?必须站在读者的角度去写分析报告；
  • 数据分析报告尽量图表化，用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从；
  • 不要害怕或回避“不良结论”，分析就是为了发现问题，并为解决问题提供决策依据，发现产品问题，在产品缺陷和问题造成重大失误前解决它也是分析的价值所在；
  • 不要创造太多难懂的名词，如果老板在看分析报告10分钟内让你三次解释名词，那么你写出来的价值又在哪里呢，当然如果无可避免地要写一些名词，最好要有让人易懂的“名词解释”。