淺析數據化設計思維

　　1、做設計為什麼還需要看數據?

　　很多設計師從來不看數據，要麼是因為沒有數據可看，要麼是根本不想看，但是也一樣把設計做的很好啊!設計本來就是有感性的一面，為什麼非得要和數據扯上關系呢?我們不妨先看看設計的本質是什麼。設計不同於純粹的藝術，藝術源於藝術家對現實的觀察和思考，以及對這種觀察和思考的自我表達;設計天生就是為別人在做事情，縱然同樣需要觀察和思考，但是這種觀察和思考不是為了表現設計師的自我，而是為了更好地服務於某個用戶群，因而設計師了解用戶就變得非常重要。尤其是要了解用戶的目標、行為、態度等相關的情況，我們這裡說的數據其實也就是對用戶的目標、行為、態度等情況的量化，因此，通過對這些數據的分析，我們可以更好地挖掘用戶的需求，進而為用戶提供更好地體驗。

　　簡單點說，設計是服務於用戶的，了解用戶才能更好地做設計，數據是了解用戶的一種途徑。

　　2、數據在項目中的作用有哪些?

　　要了解這個作用，我們先回到設計師看數據的主要場景，總結起來無外乎兩類：一個是因為項目的需求，通過數據的論證，讓設計走得更從容，有理有據，而不是設計師自己的YY;另外一個是日常監測的需求，自己做的產品，總要知道大概有多少人在用，使用的情況如何，用戶的行為和預期是否一致。也就是說要了解你的設計被使用的情況，否則你怎麼知道設計的好不好，是不是達到了設計目標，是不是真的幫助用戶解決了問題。

　　先來分析下項目中看數據的場景。幾乎整個設計的過程都可能會用到數據，概括起來可以把這個過程切分成三部分：

　　設計前數據幫你發現問題： 所有設計開始之前的研究和分析，都是為了更明確用戶的需求，明確為什麼要做這個設計?從業務的角度來看，這個產品對公司有何價值，此次設計要達到什麼目的;從用戶的角度來看，這個產品對用戶有何價值，此次設計要為用戶解決什麼問題;在了解業務訴求和用戶訴求的過程中，我們難免要用到數據，這個階段，數據的作用就是為了“發現問題”，看看設計可以解決什麼問題，從而更佳明確設計的目標。

　　當然具體的工作中，多數設計師都比較糾結，既要考慮業務訴求，又要考慮用戶訴求，如果這兩者不能完全匹配的時候，我們該咋辦，是兩者的相加嗎?還是我們就只考慮用戶訴求，對業務訴求看看就行了。我個人的理解是，現實工作中我們都不是在追求最完美的設計，更多的是在做平衡，如果是一個用戶型的產品，比如偏向於為用戶提供某個功能的平台，本身就是完全從用戶的角度出發，通過為用戶提供功能幫助用戶解決問題的，應該向用戶訴求靠攏多一些;如果是一個商業型的產品，比如偏向於為用戶提供某些內容的平台，那麼在為用戶提供主動查找的入口的同時，可以適度的向著業務發展需求傾斜，做適度的業務層面的引導;當然這個也不是絕對的，往往同一個平台，同一個產品，在不同的發展階段也有不同的需求，如果是一個全新的產品，業務的生存就變得格外重要，這個時候設計應該多一些考慮業務訴求，先幫助業務生存，否則，這個產品都要掛了，還怎麼為用戶提供服務呢?

　　當然，好的設計師總是能在業務和用戶之間找到巧妙的平衡，找到二者的交集，舉個例子，假如這個產品這個階段就是要做用戶規模，而用戶訴求是享受個性化的服務，看似完全不關的兩個訴求，實際上我們完全可以通過更好的個性化服務提升用戶滿意度，獲得好的用戶口碑，再間接地借助用戶口碑提升產品的用戶規模，這二者之間並不是完全的不相干，更多的時候看能否找到他們的關聯性，抓住階段性的設計目標。

　　通過一個具體的例子看看如何利用數據來發現問題?數據代表的是用戶的目標、行為和態度，但是單獨看一個數字是沒辦法發現問題的，數據的對比是最簡單有效地手段。我們知道交易關系買家所產生的交易對1688網站有著非常重要的意義，我們想提升交易關系型買家的交易體驗，但是不知道從何入手，因此做了大量的數據分析。交易關系買家是通過什麼方式找到老賣家?不同路徑的轉化率如何?不同用戶查找方式與轉化率有什麼差異?

　　首先，通過用戶群的細分，我們發現，交易關系買家通過搜索支付訂單轉化率是搜索整體支付訂單轉化率的2倍。因此,在搜索結果中增加老買 家標簽,方便找到老賣家。

　　此外，我們還發現，普通會員、1-2星會員等級,是提升交易關系交易的關鍵用戶。

　　通過以上的數據分析，我們找到了目前主要的一些問題，圍繞著這些問題，後續做了優化方案。

　　設計中數據幫你判斷思路： 因為設計師的個人經驗不同，創造性思維不同，因此不同的設計師面對同一個問題，解決方案也很可能差別較大，即便是同一個設計師也會想到不同的解決方案，到底哪個方案更合適，有些情況下數據可以給你參考意見，為你提供“判斷思路”，協助你做決策;條條大路通羅馬，但是哪一條路才是當前最合適的呢?

　　通過一個具體的例子看看如何利用數據來判斷思路?有一個批發類的電商網站(1688.com)的頻道首頁(ye.1688.com)，我們發現用戶的轉化率很低，就去研究了數據，然後結合了對典型用戶做的用戶訪談的結論，最後發現轉化率底的原因其實很簡單，這個頻道的首頁入口主要是來源於整個網站的首頁，而整個網站的首頁是一個全行業品類的頁面，用戶如果是女裝行業的買家，她從一個全品類的首頁點擊一個鏈接進入另一個全品類的頁面，再艱難的找到女裝這個類目，再點擊進入List頁面查看商品，這個路徑是非常深的，那麼怎麼解決這個問題呢?那就是要避免做女裝的用戶從網站首頁進入這個頻道之後還要再次選擇女裝類目，才能看到女裝的商品!

　　解決這個問題的思路有哪些?可以在網站首頁增加入口，讓用戶直接點擊女裝類目進入頻道首頁，給用戶展示女裝商品;可以在用戶進入頻道首頁之後，根據行業偏好的個性化數據來推薦商品，推薦的不准確，用戶也可以去定制;到底哪個更靠譜?兩個思路各有利弊，鑒於前一個思路需要有外部依賴，要改動網站首頁，所以我們內心都很期望後一個思路能跑通，但是怎麼知道這個思路行不行?首先我們需要知道行業的個性化推薦能覆蓋多大的人群，又有多少的人願意去定制行業偏好?

　　對於普通的網站來說這個可能是一個不夠明確的問題，但是1688.com是一個會員用戶早就過億的B類電商網站，有著如此龐大的用戶規模，較高的用戶覆蓋率，這就意味著對用戶行為數據的積累，再者B類的用戶有一個顯著地特征就是在一個較長的時間裡，行業的偏好相對比較穩定，如果是一個主營女裝的買家，那麼她的偏好一般會以女裝為主，不會超出服裝的范圍，最多會有少量的服裝周邊配套的采購。

　　如上圖，通過行業偏好的個性化算法，我們追蹤了一段時間來訪這個頻道首頁(ye.1688.com)的用戶數據，我們發現大約2/3的用戶是有著非常明確的行業偏好的，那麼這基本可以斷定做行業偏好的個性化推薦是靠譜的!但是剩下的1/3用戶願意去定制行業偏好嗎?我們當時因為時間原因，無法直接從這1/3無明確偏好的用戶中去判斷他們是否願意定制偏好，但是通過整個用戶群的問卷抽樣調查發現，大約3成的用戶表示定制行業偏好是很好的服務，基於這些情況，我們判定基於行業偏好的個性化推薦能夠解決絕大部分用戶的行業偏好問題，提升了內容的相關性。這個方案最終上線後，實際上有大約10%的人真正找到定制入口並且產生了定制行為，70%的人不用定制，實現了默認的精准推薦。

　　設計後數據幫你驗證方案： 我們的設計方案到底做的好不好呢?衡量標准就是看設計方案是否能夠達成設計目標?這也需要數據來量化，通常會用GSM的模型來支撐設計的驗證。G(Goal)設計目標、S(Signal)現象信號、M(Metric)衡量指標，所謂的設計目標，就是要確定設計要達成什麼結果，要解決什麼問題;衡量指標，我們不能憑空猜想，必須建立在設計目標的基礎上，先假設設計目標會實現，那麼會出現什麼現象或信號呢?列舉出所有的現象或信號，選擇我們可以監控的到的，然後對這個現象或信號產品進行量化，自然就得到了衡量指標，但是指標的波動幅度往往要依賴經驗來定。

　　比如說，某個產品的設計目標是通過設計的引導，讓更多的買家產生購買，想象一下，如果設計目標實現了，會有什麼現象呢?可能會有更多的人有購買意願，看了商品詳情頁，點擊了購買按鈕等等，最終也產生了購買，那麼，衡量指標是哪個?設計只是改變了商品信息的呈現方式，並不能改變商品本身的質量或背後的服務，所以我們應該重點考察設計是否強化了引導，提升了購買意願，是否激發了用戶進一步了解的行為，主要是指浏覽行為，最典型的就是到達了商品列表頁或者商品詳情頁等，量化的結果就是看又進一步行為的用戶的比例;

　　通過一個具體的例子看看如何利用數據來驗證你的設計方案是否達成設計目標。曾經有一個找產地的功能模塊，我們在設計前進行了調研，用戶告訴我們他們需要找產地，而且比較習慣於用地圖來找產地，我們欣喜若狂，照著這個方向做了個產地直達的樓層，我們堅信用戶告訴我們的肯定是對的!但是這樣的設計真的能達到幫助用戶高效找產地的需求嗎?來看下面的數據分析。