03
设计的理性之光—
数据在互联网产品设计中的应用
文/ 戴均开、余代军
很多设计师从来不看数据，有可能没有数据可看，也可能根本不想看数据，或者看了数据却发现对设计没什么作用，但也一样能把设计做得很好啊！设计本来就有感性的一面，为什么非得和数据扯上关系呢？
商业产品需要更理性的设计，数据是理性化的一种途径。
设计师是感性的，数据可以帮助设计师提升设计的正确率。
设计需要了解用户，数据是了解用户的一种方式。
数据虽然不是做好设计的充分条件，但是善用数据的设计师更有可能把设计做到极致。
在过去的几年里，1688UED团队在数据辅助设计方面做了很多尝试，建立了用户体验质评价的“5度”模型，沉淀了数据在设计中的一些应用经验，总结了数据应用的一些技巧，未来我们希望在用户体验的商业价值方面有更多的探索，仅以本文献给那些正在探索设计理性之光的小伙伴。
1.设计师看什么数据
用什么数据来衡量用户体验质量呢？这是所有同行都在关心和探索的话题。从哪些维度来评价产品体验质量呢？不同的思路和应用场景下可能会产生不同答案。本文我们将介绍一种基于用户体验周期的多维度指标体系，从吸引度、完成度、满意度、忠诚度和推荐度这五个维度来评价用户体验质量，简称“5度”模型。
用户体验质量评价的“5度”模型
“5度”用户体验质量评价模型是一个普适性的数据指标集合，这些数据指标综合考虑了用户体验的通用设计目标，能用于一般产品的用户体验质量的评价。不同产品的用户体验设计目标有共性，但也存在差异，“5度”模型是用户体验评价的宏观指标，用户体验细节评价的微观指标应当根据产品特性、具体目标来设定。
接下来，我们从两个方面来具体介绍“5度”用户体验质量评价模型的由来与过程：
评价用户体验质量的具体数据指标有哪些，即用户体验数据指标的定义；
具体数据指标的结构化过程，综合用户体验评价的“四象”、用户体验周期的5个阶段，提出用户体验质量评价的“5度”模型。
用户体验数据指标的定义
我们平时经常看到UV、PV、转化率、蹦失率、退出率、停留时间等数据指标，这些数据指标代表什么意思？能说明什么问题？设计要看什么数据？这些都是设计师存在的疑问。
用什么数据评价产品的用户体验质量，这是由产品的设计目标决定的，设计目标决定用户体验质量的数据指标。
从设计目标如何推导数据指标，Google的用户体验团队提出了一种简单的方法：目标（Goal）→信号（Signal）→指标（Metric），简称GSM模型。
目标是指设计关系最为直接的设计目标，是通过设计能够实现的目标，既不是用户体验目标也不是产品目标，因为在用户体验目标和产品目标中，有很多目标通过设计是无法实现的。
信号是指设计目标实现后，会产生什么样的现象，这个现象一定是因为设计目标的实现而产生的。
指标是对用户现象的量化，将用户现象数据化。
从设计目标到数据指标的GSM模型
举个例子，假如我们要设计一张能提升睡眠质量的床，那么目标、信号和指标分别是什么？
目标：通过床的设计，提升用户的睡眠质量。
信号：假如我们设计的床能够提升用户的睡眠质量，那么用户会发生什么现象？这里为了说明问题举了几个典型的现象（并不包括全部）：
在床上比以前更容易入睡；
进入睡眠前的翻转次数比以前少了；
用户自己觉得很好，然后推荐给他人使用。
指标：包括但是不局限于如下几点（具体的数值依据实际情况确定）：
从开始睡觉到进入睡眠的时间；
入睡前身体的翻转次数；
在所有购买者中，通过他人推荐购买的用户比例。
从目标到指标的推导过程中，目标是指标的充分条件，只要达到这个目标，在其他因素没有变化的情况下，这个指标的数据将产生变化，假如提升商品list页面对买家的吸引力这个设计目标实现了，那么必然会有更多的买家在这个页面产生购买转化。但目标不是指标的必要条件，其他设计目标的实现或设计手段也可以实现这个指标数值的提升，购买此页面商品的买家比例上升了，可优化支付流程操作体验，提升支付流程的转化率。
用户体验评价的“四象”
根据“目标→信号→指标”的推导过程，总结了评价产品用户体验质量的所有指标，我们发现都可以从用户当前和长远、行为和态度来评价，而且这两个维度是对产品是非常重要的。对于一个产品只关注当前的用户行为、态度是不够的，用户再次回访或推荐新用户，对产品来说也非常重要，再次回访与推荐新用户可为产品带来免费的流量，降低网站的流量成本。从行为与态度角度来说，不仅要关注用户的操作行为，也要关注用户的态度，因为行为只是过程，主观感受（即态度）是影响用户会不会再次回访或推荐新用户的关键因素之一。
因此，根据当前/长远、行为/态度这两个维度，形成了当前态度、当前行为、长远态度、长远行为这4个象限，简称“四象”。
用户体验周期的5个阶段
用户体验周期是指用户与产品的关系差异性而形成的不同阶段。从总体上来说，用户体验周期可以分为“当前”“长远”这两个阶段，每个阶段可以细分为不同过程或表现。
“当前”阶段中，用户与产品的关系可分为3个过程：
触达：用户带着自己的目标来访问网站，既可以是新用户的第一次访问，也可以是老用户的再次访问；
行动：找自己感兴趣的内容并进行相关操作；
感知：操作完成后对产品形成的主观感受。
“长远”阶段，用户与产品的关系有2种表现：
回访：用户自己再次使用该产品；
传播：推荐其他人使用该产品。
根据“当前”阶段的3个过程与“长远”阶段的两种表现，构成了产品用户体验周期，分别为触达、行动、感知、回访、传播。再次访问时是老用户触达网站，推荐过来的新用户也触达网站，形成用户体验的闭环周期。
用户体验质量的“5度”模型
对于用户体验周期的5个不同阶段，每个阶段的目标是不一样的，触达、行动、感知、回访、传播这5个过程对应的核心目标分别是吸引度、完成度、满意度、忠诚度和推荐度。
吸引度：是指在操作前，产品能不能吸引用户过来使用、能不能吸引用户产生相应行为；相关的用户体验数据指标有（但不局限于）知晓率、到达率、点击率、退出率等。
完成度：是指在操作过程中，用户能不能完成产品目标对应的操作，以及完成目标过程中的操作效率，主要用户体验数据指标有（但不局限于）首次点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率、操作出错率等。
满意度：是指完成操作后，用户产生的主观感受和满意度，主要用户体验数据指标有（但不局限于）操作容易度、布局合理性、界面美观度、表达内容易读性等各个方面的主观评价。
忠诚度：是指完成一次使用后，用户会不会再次使用此产品，主要用户体验数据指标有（但不局限于）30天/7天回访率、不同平台的使用重合率等。
推荐度：是指用户会不会将此产品推荐给其他人，主要用户体验数据指标：净推荐值（NPS）。
用户体验质量评价的“5度”模型中，态度与行为是相对的，吸引度、满意度、推荐度主要受用户主观感受的影响，因此将这三个因素归属为态度，但这在吸引度、推荐度的具体数据指标中，可能也会有一些行为数据，如吸引度中的点击率、退出率等。
“5度”模型提供了较为适用于一般互联网产品的基础模型，为产品的用户体验质量提供一个方向，不同产品根据自己目标的差异进行具体的用户体验数据指标定义。以电商网站的导购页面为例子，列举了导购页面的用户体验质量数据指标：
导购页面的用户体验质量数据指标
Goal（目标） Signal（信号） Metric（指标）
吸引度
（用户知不知道此页面、会不会来此页面、能不能找到想要的产品、会不会点击此页面） 更多用户知道此页面的品牌/特色 品牌知晓率
更多用户访问了此页面 页面UV到达率
更多用户在页面上找到自己的内容/商品 能够找到想要的内容或商品的主观评分
用户购买了更多的商品 页面引导支付订单的UV客单价
更多用户在页面上有点击 点击UV转化率
用户在页面上有更多的点击 点击PV转化率
完成度
（找到想要产品的效率、会不会对产品或旺铺产生意向行为） 用户能够更快速找到自己的内容 首次点击时间（点击产品）
找到目标商品的时间更短 创建订单前查找产品消耗的时间/订单产品数
下单前查看的产品数更少 创建订单前产品浏览量/订单产品数
操作点击数少了 创建订单前此页面的点击PV数/订单产品数
更多的用户引导收藏了商品 收藏商品UV转化率
更多的用户引导收藏了旺铺 收藏旺铺UV转化率
更多的用户引导加入进货单 加入进货单UV转化率
更多的用户产生了下单意愿 创建订单UV转化率
引导更多新用户产生下单意愿 页面新用户30天内引导创建订单UV转化率
新用户首次购买时间更短了 页面新用户首次访问到首次引导创建订单的中间天数
满意度 用户主观满意度提高了 满意度主观评分
忠诚度
（会不会再次回访、会不会再次购买） 更多用户回访 30天内页面UV回访率
用户的购买频率增加了 页面老买家30天内引导支付UV重复购买率
页面老买家30天内引导支付人均订单数
推荐度
（会不会向其他人推荐此页面） 用户会向其他人推荐此频道/页面 NPS值
搜索来源页面新用户UV比例
在具体项目中，一个改版设计不会考核所有数据指标，而是根据改版设计目标选择适当的数据指标，有时可能就只有一个数据指标。
我们上面介绍了用户体验质量评价的“5度”模型，从吸引度、完成度、满意度、忠诚度和推荐度这5个方面来衡量用户体验质量。除了用于评价用户体验质量之外，数据在设计中还能怎么使用呢？接下来我们介绍数据在设计中的使用方法和经验。
2.设计师怎么使用数据
在设计中怎么使用数据首先要看设计师的设计过程，不同设计师的设计过程可能会不同，不同公司的设计流程也可能不同，但一个成熟的、较广泛被认同的设计流程往往有着非常大的共同点。在1688UED团队中，经过多年的经验总结与实践，形成了一套Think-flow（设计思考过程），我们称之为五导家（详情见本书中五导家部分，本节不作具体说明）。使用五导家进行设计时，可能会遇到以下问题：
通过业务诉求、用户诉求推导设计目标时，有没有充分了解用户诉求？
通过设计目标形成设计方案时，一般会有多个设计方案，哪个设计方案更加合理？
设计方案上线后，设计方案达成设计目标的程度如何？
五导家设计过程会遇到的疑问
针对设计过程中存在的这3个疑问，数据能够起到相应的作用。因此，数据在设计过程中有3个作用：
设计前用于发现问题：通过数据的横向对比（和同类比，看相对大小）、纵向对比（和自己的过往比，看变化趋势）、人群对比（把用户群细分之后作比较，看群体差异），从数据角度了解用户诉求，发现产品存在的问题，为产品设计优化提供启发和突破口。
设计中用于判断思路：通过分析多个设计方案的核心差异所对应的数据，来判断哪个设计方案更加合理。
设计后用于验证设计：通过计算上线后的产品数据，对比设计前设定的指标数据，判断设计目标的实现程度。
数据在设计过程中的作用
设计前发现问题
设计分为体验优化和全新产品的设计。体验优化指的是已经上线一段时间的产品在现有基础上做优化，这一类需求在一个成熟的商业化公司里，往往是主流需求，数据所能发挥的作用也是最大的，甚至可以从数据分析中找到优化的方向。但是对于全新产品的设计，因为没有任何历史数据的积累，通常也就比较难从数据着手，假如能拿到类似产品的数据，或者类似用户群体的数据，也能有一定的辅助作用。
总之，设计前期可以用数据来发现问题。先确定要分析的数据指标；再进行各个角度的数据对比发现问题；然后通过寻源找到问题背后的原因，即用户的痛点或潜在需求，进而明确问题的核心，为设计找到好的突破点。
（1）定义指标
要看什么数据主要由设计目标决定，或者根据定性研究/分析决定需要关注的数据。查看数据的顺序是先看重要性高的数据指标，再看重要性低的数据指标。
（2）对比
数据没有对比就没有价值，对我们设计也没有启发和指导。例如：某个页面昨天的UV转化率为60%，这个页面的UV转化率为60%是高还是低？对我们有什么启发？单看这个数据，看不出任何有价值的信息。如果对比历史走势，此页面之前的UV转化率为50%，那就值得庆祝，因为这个页面的转化效果变好了；如果此页面之前的UV转化率为70%，那就值得反思，因为这个页面的转化效果变差了，需要分析转化效果变差的原因。
我们通常用到的数据对比有三种类型：横向对比（和同类比，看相对大小）、纵向对比（和自己的过往比，看变化趋势）、人群对比（把用户群细分之后作比较，看群体差异）。
数据对比类型
横向对比：主要和同类或近似的对象进行对比，分析当前对象的数据表现。在横向对比中，要注意对比对象与数据指标的可对比性。
示例：我们通过数据发现，服装频道首页本周的CTR（点击PV/PV）平均值是160%，而女装频道首页本周CTR平均值是200%，通过数据对比，得出结论，女装首页本周的CTR平均值比服装首页高，说明女装首页来访用户相对于服装首页来访用户有更好的点击转化。
纵向对比：是指对比同一对象不同时期的数据，分析当前对象的数据表现。根据对比时间点的不同，主要有三种日期对比形式。
基比：与某一固定时期水平比较，表明在较长时期内总的发展趋势。
环比：与上一周期整体水平比较，表明逐期的发展趋势，主要有周环比、月环比。
同比：与上周/上月/上年同一时期的水平比较，表明同比周期内的发展趋势，主要有周同比、月同比、年同比。
示例：通过数据发现1688首页全年有几个典型的数据波动，3月21日这一天页面的UV数剧增，这说明当天有不同寻常的事情发生，实际上这一天是网站的大促日，因为BD引流（即推广广告）导致突然间增加UV量。
人群对比：是指将同一对象的用户进行细分，分析不同细分人群的数据表现。
示例：淘货源首页近几日点击UV转化率非常低，比平常要低20%以上，为什么数据会突然降低，我们可以通过人群细分来发现问题，常用的细分维度有来源、行业、会员等级等，从来源细分我们发现，原来是百度来源的用户点击UV转化率比较低，拉低了整体数据。
（3）寻因/溯源
对比的意义在于锁定问题的范围，通过对比我们能够知道哪里的数据不同，但是产生这个不同的原因是什么，我们通过数据对比本身无法得出结论。寻因是数据分析中最关键的一步，在这个环节首先我们需要根据自身的经验和现有数据规律做出大胆的假设，然后通过分析论证，确认问题的根源。
示例：下图是某频道页面中的一个楼层，目的是帮助用户找产地。我们通过调研得知用户希望能通过地图找产地，于是设计了这张地图找产地的楼层，但是上线后发现实际数据非常差，几乎没有人使用该楼层。为什么呢？难道用户之前的反馈是违心的说辞吗？单靠图中的数据我们观察了近一周，也没有发现问题的根源，于是再去查看点击热力图，如下图所示：
通过地图找产地的数据表现
通过热力图我们无法得知具体有多少人在使用这个楼层，但是能够直观看出这个区块的用户行为非常多并且是集中的。为什么呢？通过这两个数据的对比，我们大胆假设，用户在这个区块的操作是非常低效的！ 这两张图的数据统计算法不同，前一张图统计的是通过这个区块点击到新页面的用户数，而后一张热力图统计的是所有的有效点击。通过对比可以看出，用户点击行为很多，但是点出去的很少。
结合上面的结论，我们又做了小范围的测试，给一个产地，让用户通过地图来查找，观察发现，查找的确耗时较长，用户平均要点击很多次才能点出去，过程中失败率很高。地图找产地是用户的需求，但核心是找产地而不是通过地图找产地，于是我们设计了新的方案，保留了地图找产地的入口，但是默认推荐了产地，上线后效果比老版本好很多！
设计中判断思路
不纠结的设计师很难做出极致的设计方案，问题是纠结之后怎么办，有些情况下数据可以帮你做判断。一般步骤是先锁定问题的本质，各个方案之间的本质区别是什么；然后根据这个关键差异所对应的数据指标；最后就是提取数据及分析数据了。
（1）定义指标
数据用于判断设计思路时，可以帮助设计师从多个设计思路中找出更优的一个，也可以帮助设计师论证当前思路的可行性。要通过什么数据来辅助设计师判断哪个思路更优，取决于多个设计思路之间的核心差异点；对于单个思路论证可行性，要看这个思路的关键因素是什么。
示例：某频道首页的改版过程中我们有两种设计思路难以决断，每个思路都有其利弊，但是我们最关心的是用户的转化率，希望找到用户转化更好的一个。
同旧版的思路，在一个页面里展示全行业的内容，用户自行获取感兴趣的内容；
新思路，依赖个性化算法默认展示用户所属行业的内容，用户可切换到其他行业。
所以评价新思路和旧思路下那个更好的数据指标是：点击UV转化率。
（2）论证思路
线上的版本就是按照旧版思路设计的，所以我们猜想及时对页面内容、信息层次和视觉效果做了优化，其数据应该不会有大的变化，预计点击UV转化率还是会停留在50%左右。所以现在的核心是看新思路能否把点击UV转化率提升到50%以上！
因此做了数据分析，最后结合对典型用户的访谈结论，锁定问题根源，这个频道的首页入口主要是来源于整个网站的首页，而整个网站的首页是一个全行业品类的页面，用户如果是女装行业的买家，她从一个全品类的首页点击一个链接进入另一个全品类的页面，再艰难地找到女装这个类目，再点击进入List页面查看商品，这个路径是非常深的！个性化能够优化一部分有明确偏好的用户的导购路径。
通过行业偏好的个性化算法，我们追踪了一段时间来访这个频道首页的用户数据，我们发现接近70%的用户是有着非常明确的行业偏好的，这个数据远远高于目前的点击UV转化率！新思路中的用户有一个显著的特征就是在一段较长的时间里，行业的偏好相对比较稳定，如果是一个主营女装的买家，那么其偏好一般会以女装为主，不会超出服装的范围，最多会有少量的服装周边配套的采购。于是，我们假设推荐的内容都是和用户相关的，那么用户点击这个内容的概率就非常高，那么新版的思路下这70%有偏好的用户点击UV转化率一定会相对于旧版有提升。
个性化算法结果
这基本说明了个性化有可能提升点击UV转化率，但是剩下30%的用户愿意去定制行业偏好吗？我们无法直接从这30%无明确偏好的用户中去判断他们是否愿意定制偏好，但是通过整个用户群的问卷抽样调查发现，用户明确表示愿意定制行业偏好的比例还是很高的。通过上述论证，我们最终采用了个性化的思路设计了方案，最终上线数据点击UV转化率从50%左右提升到近80%，远远超过预期！
设计后验证设计
产品上线后，我最关心的就是产品有没有达到设计目标，数据可以用于验证我们的设计方案达成设计目标的程度。对于互联网产品，可以拿到的数据有很多，那要用什么数据指标来验证设计呢？
（1）定义指标
数据用于验证设计时，可判断设计有没有达到设计目标。用什么数据指标主要由设计目标决定，再由设计目标推导出数据指标。如果设计方案上线后，某个与设计目标无关的数据有了提升，这个数据的提升对验证设计目标是没有价值的。
示例：我的阿里是1688买家与卖家的管理中心，方便用户找到目标功能是我的阿里最主要的设计目标，但由于我的阿里功能不断丰富，原先的功能架构已经不能方便用户找到功能，因此我的阿里的信息架构要进行优化设计。优化设计的目标是用户可以方便地找到想要的功能，对应的数据指标是：进入我的阿里，用户找到功能所花费的时间。
（2）验证设计
针对我的阿里信息架构问题，我们进行了信息功能的卡片分类、功能查找任务测试等多方法的用户研究。根据用户研究结果，我的阿里按买家、卖家的交易过程对主要管理功能进行分类组织，另外在功能列表中，增加最近使用的功能，以及对其他相关的体验细节进行优化设计。
我的阿里信息架构优化结果
我的阿里信息架构优化设计上线后，对改版前后的用户找到功能所需要时间进行统计。改版前用户找到功能的平均时间为129秒，改版后用户找到功能的平均时间为112秒，通过优化设计，用户查找功能的效率提升了13.2%，本次我的阿里优化设计达到较好的效果，提升了用户查找目标功能的效率。
我们上面介绍了数据在设计中的使用方法和经验，接下来介绍数据在设计使用中的一些经验与技巧。
3.一些经验与技巧
从用户视角来看数据
以用户为中心的设计，根据用户的需求进行设计，不同用户有着不同需求和操作行为，因此不同的用户群有着不同的数据表现，从不同用户群的数据差异可以了解到不同用户的需求和操作行为。
以用户为中心的角度看数据，可以从身份属性、行为属性细分用户。常见的身份属性有性别、年龄、省份、行业、是否会员等；常见的行为属性有新/老用户、是否有交易、回访频率、用户来源、会员等级等。
除了从单一维度查看不同身份用户的数据外，我们还需要从不同用户维度组合来看数据，使结论更精准。
没有数据该怎么办
在实际工作过程中，不是所有数据都能从后台数据库中直接获取到，此时我们需要通过其他替代方式来获取数据。
（1）使用近似或同类数据替代
使用近似或同类数据替代是指使用其他可接受来源的非精确数据来替代目标数据。例如：我们设计天猫首页的页面宽度时，需要知道用户电脑的分辨率数据，但后台中无法获取用户的电脑分辨率数据。那么淘宝首页的数据应当也有很强的参考性，如果淘宝首页用户数据也没有，那么权威机构近期发布的中国电商用户群或者整个中国网民的显示器分辨率分布情况，也可以拿来做个参考，不会出现特别大的偏差。
（2）通过用户调查获得数据
用户调研是获取数据的有效途径之一，不仅可以获得后台数据库无法获取到的用户行为数据，也可以了解用户的主观态度、用户观点。同时，这是最常见的、最易于操作的把用户主观感受数据化的方法。
（3）数据也可以作为设计元素
数据不仅仅可以作为设计依据，在某些情境下，数据本身也是很好的设计元素。比如，我们在做优质商家推荐的时候，怎么提升说服力，我们说某个商家在当地非常有竞争力，单纯地给个标题说这个商家很厉害，远远比不上把真实数据呈现给用户，如该商家的工厂规模大于当地89.50%的厂家、销量高于当地90%的厂家、买家满意度高于当地88%的商家等数据，那么用户看到这些必将对其产生更大的信任。
（4）灵活使用统计方法
平时常用平均值、频次、比率这些描述性统计值来了解概况，我们还可以使用相关分析、线性回归分析、因子分析、聚类分析这些统计方法来获得更多有意义的结论。
4.一些感想与思考
用户体验质量的整体观
在使用后台日志数据计算用户体验质量的指标数据（如点击UV转化率、创建订单UV转化率、30天UV回访率等。这些是基于某个对象（页面或多个页面组合）的不同指标数据）时，如何衡量某个对象的综合用户体验质量、如何衡量由多个对象组成的产品或流程的用户体验质量，从而来监测某个监测目标的用户体验质量走势？这个就需要对同一对象的不同指标、不同对象的同一指标进行加权计算。
用户体验质量的“价值观”
对于商业产品来说，用户体验质量本身不是最终目标，通过提升体验的质量，进而促进产品达成商业目标才是终极目标。那用户体验对产品目标的价值从哪些方面来评价呢？
商业价值衡量的是结果，而不是过程。完成度、忠诚度、推荐度对商业价值来说是结果，为产品带来了商业价值；吸引度、满意度对商业价值来说是过程因素，没有带来直接的商业价值。
商业价值体现为开源和节流两个方面，开源是为产品带来更多流量，节流指节省引流成本，提升流量的转化效果。提升用户忠诚度，为网站带来更多的老用户流量；提升推荐度，为网站带来更多的新用户流量。因此提升忠诚度、推荐度是开源。提升完成度，更多用户完成产品目标，就节省了引流平均成本，因此提升完成度是节流。因此，用户体验的商业价值体现在完成度、忠诚度和推荐度这3个方面。
本文主要介绍了互联网产品的用户体验质量“5度”模型，以及在设计过程中用于发现问题、判断思路、验证设计的方法和经验。数据应用于设计的理念和方法不仅适用于互联网产品的设计，从岗位上来看，也适用于互联网产品、运营、客服等岗位工作的用户体验质量评价；从范围上来看，也适合家电、数码、汽车等所有行业。
本文提供了数据应用于设计的理念和方法，这是设计理性化的一种思路。但数据不是万能的，也不是设计目标；数据是手段，需要设计师灵活利用数据，从而助力设计师成长，帮助产品成功。
