阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

浅析数据化设计思维在阿里系产品的应用

于2017-04-01由小牛君创建

分享到:


数据化思维

1、做设计为什么还需要看数据?

很多设计师从来不看数据,要么是因为没有数据可看,要么是根本不想看,但是也一样把设计做的很好啊!设计本来就是有感性的一面,为什么非得要和数据扯上关系呢?我们不妨先看看设计的本质是什么。设计不同于纯粹的艺术,艺术源于艺术家对现实的观察和思考,以及对这种观察和思考的自我表达;设计天生就是为别人在做事情,纵然同样需要观察和思考,但是这种观察和思考不是为了表现设计师的自我,而是为了更好地服务于某个用户群,因而设计师了解用户就变得非常重要。尤其是要了解用户的目标、行为、态度等相关的情况,我们这里说的数据其实也就是对用户的目标、行为、态度等情况的量化,因此,通过对这些数据的分析,我们可以更好地挖掘用户的需求,进而为用户提供更好地体验。

简单点说,设计是服务于用户的,了解用户才能更好地做设计,数据是了解用户的一种途径。

2、数据在项目中的作用有哪些?

要了解这个作用,我们先回到设计师看数据的主要场景,总结起来无外乎两类:一个是因为项目的需求,通过数据的论证,让设计走得更从容,有理有据,而不是设计师自己的YY;另外一个是日常监测的需求,自己做的产品,总要知道大概有多少人在用,使用的情况如何,用户的行为和预期是否一致。也就是说要了解你的设计被使用的情况,否则你怎么知道设计的好不好,是不是达到了设计目标,是不是真的帮助用户解决了问题。

先来分析下项目中看数据的场景。几乎整个设计的过程都可能会用到数据,概括起来可以把这个过程切分成三部分:

大数据

点击可放大

 

设计前数据帮你发现问题:所有设计开始之前的研究和分析,都是为了更明确用户的需求,明确为什么要做这个设计?从业务的角度来看,这个产品对公司有何价值,此次设计要达到什么目的;从用户的角度来看,这个产品对用户有何价值,此次设计要为用户解决什么问题;在了解业务诉求和用户诉求的过程中,我们难免要用到数据,这个阶段,数据的作用就是为了“发现问题”,看看设计可以解决什么问题,从而更佳明确设计的目标。

当然具体的工作中,多数设计师都比较纠结,既要考虑业务诉求,又要考虑用户诉求,如果这两者不能完全匹配的时候,我们该咋办,是两者的相加吗?还是我们就只考虑用户诉求,对业务诉求看看就行了。我个人的理解是,现实工作中我们都不是在追求最完美的设计,更多的是在做平衡,如果是一个用户型的产品,比如偏向于为用户提供某个功能的平台,本身就是完全从用户的角度出发,通过为用户提供功能帮助用户解决问题的,应该向用户诉求靠拢多一些;如果是一个商业型的产品,比如偏向于为用户提供某些内容的平台,那么在为用户提供主动查找的入口的同时,可以适度的向着业务发展需求倾斜,做适度的业务层面的引导;当然这个也不是绝对的,往往同一个平台,同一个产品,在不同的发展阶段也有不同的需求,如果是一个全新的产品,业务的生存就变得格外重要,这个时候设计应该多一些考虑业务诉求,先帮助业务生存,否则,这个产品都要挂了,还怎么为用户提供服务呢?

当然,好的设计师总是能在业务和用户之间找到巧妙的平衡,找到二者的交集,举个例子,假如这个产品这个阶段就是要做用户规模,而用户诉求是享受个性化的服务,看似完全不关的两个诉求,实际上我们完全可以通过更好的个性化服务提升用户满意度,获得好的用户口碑,再间接地借助用户口碑提升产品的用户规模,这二者之间并不是完全的不相干,更多的时候看能否找到他们的关联性,抓住阶段性的设计目标。

通过一个具体的例子看看如何利用数据来发现问题?数据代表的是用户的目标、行为和态度,但是单独看一个数字是没办法发现问题的,数据的对比是最简单有效地手段。我们知道交易关系买家所产生的交易对1688网站有着非常重要的意义,我们想提升交易关系型买家的交易体验,但是不知道从何入手,因此做了大量的数据分析。交易关系买家是通过什么方式找到老卖家?不同路径的转化率如何?不同用户查找方式与转化率有什么差异?

首先,通过用户群的细分,我们发现,交易关系买家通过搜索支付订单转化率是搜索整体支付订单转化率的2倍。因此,在搜索结果中增加老买 家标签,方便找到老卖家。
数据化思维
此外,我们还发现,普通会员、1-2星会员等级,是提升交易关系交易的关键用户。 通过以上的数据分析,我们找到了目前主要的一些问题,围绕着这些问题,后续做了优化方案。

数据化思维

设计中数据帮你判断思路:因为设计师的个人经验不同,创造性思维不同,因此不同的设计师面对同一个问题,解决方案也很可能差别较大,即便是同一个设计师也会想到不同的解决方案,到底哪个方案更合适,有些情况下数据可以给你参考意见,为你提供“判断思路”,协助你做决策;条条大路通罗马,但是哪一条路才是当前最合适的呢?

通过一个具体的例子看看如何利用数据来判断思路?有一个批发类的电商网站(1688.com)的频道首页(ye.1688.com),我们发现用户的转化率很低,就去研究了数据,然后结合了对典型用户做的用户访谈的结论,最后发现转化率底的原因其实很简单,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,再艰难的找到女装这个类目,再点击进入List页面查看商品,这个路径是非常深的,那么怎么解决这个问题呢?那就是要避免做女装的用户从网站首页进入这个频道之后还要再次选择女装类目,才能看到女装的商品!

解决这个问题的思路有哪些?可以在网站首页增加入口,让用户直接点击女装类目进入频道首页,给用户展示女装商品;可以在用户进入频道首页之后,根据行业偏好的个性化数据来推荐商品,推荐的不准确,用户也可以去定制;到底哪个更靠谱?两个思路各有利弊,鉴于前一个思路需要有外部依赖,要改动网站首页,所以我们内心都很期望后一个思路能跑通,但是怎么知道这个思路行不行?首先我们需要知道行业的个性化推荐能覆盖多大的人群,又有多少的人愿意去定制行业偏好?

对于普通的网站来说这个可能是一个不够明确的问题,但是1688.com是一个会员用户早就过亿的B类电商网站,有着如此庞大的用户规模,较高的用户覆盖率,这就意味着对用户行为数据的积累,再者B类的用户有一个显著地特征就是在一个较长的时间里,行业的偏好相对比较稳定,如果是一个主营女装的买家,那么她的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。

数据化思维

如上图,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(ye.1688.com)的用户数据,我们发现大约2/3的用户是有着非常明确的行业偏好的,那么这基本可以断定做行业偏好的个性化推荐是靠谱的!但是剩下的1/3用户愿意去定制行业偏好吗?我们当时因为时间原因,无法直接从这1/3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,大约3成的用户表示定制行业偏好是很好的服务,基于这些情况,我们判定基于行业偏好的个性化推荐能够解决绝大部分用户的行业偏好问题,提升了内容的相关性。这个方案最终上线后,实际上有大约10%的人真正找到定制入口并且产生了定制行为,70%的人不用定制,实现了默认的精准推荐。

设计后数据帮你验证方案:我们的设计方案到底做的好不好呢?衡量标准就是看设计方案是否能够达成设计目标?这也需要数据来量化,通常会用GSM的模型来支撑设计的验证。G(Goal)设计目标、S(Signal)现象信号、M(Metric)衡量指标,所谓的设计目标,就是要确定设计要达成什么结果,要解决什么问题;衡量指标,我们不能凭空猜想,必须建立在设计目标的基础上,先假设设计目标会实现,那么会出现什么现象或信号呢?列举出所有的现象或信号,选择我们可以监控的到的,然后对这个现象或信号产品进行量化,自然就得到了衡量指标,但是指标的波动幅度往往要依赖经验来定。

比如说,某个产品的设计目标是通过设计的引导,让更多的买家产生购买,想象一下,如果设计目标实现了,会有什么现象呢?可能会有更多的人有购买意愿,看了商品详情页,点击了购买按钮等等,最终也产生了购买,那么,衡量指标是哪个?设计只是改变了商品信息的呈现方式,并不能改变商品本身的质量或背后的服务,所以我们应该重点考察设计是否强化了引导,提升了购买意愿,是否激发了用户进一步了解的行为,主要是指浏览行为,最典型的就是到达了商品列表页或者商品详情页等,量化的结果就是看又进一步行为的用户的比例;

通过一个具体的例子看看如何利用数据来验证你的设计方案是否达成设计目标。曾经有一个找产地的功能模块,我们在设计前进行了调研,用户告诉我们他们需要找产地,而且比较习惯于用地图来找产地,我们欣喜若狂,照着这个方向做了个产地直达的楼层,我们坚信用户告诉我们的肯定是对的!但是这样的设计真的能达到帮助用户高效找产地的需求吗?来看下面的数据分析。

数据分析

用户的目标不是要找产地吗?还告诉我们用地图找产地很符合他们的习惯呢?为什么上线后,用户却不怎么使用这个版块???我看到这个数据非常的意外,一时之间根本摸不着头脑,后来再去看了看这个板块的热力图,一下子恍然大悟。通过数据分析得出,地图纵然符合用户习惯,但是才这么狭小的地图上进行如此复杂的操作,其效率是非常底下的,因此将地图找产地的功能保留下来,只是不作为默认的方式,采用了按照热门的、区域的、附近的、可搜索的、地图的方式综合承载,最后取得了较好的效果!

数据化思维

3、如何利用数据做日常监控?

作为一个设计师,你的作品上线后,有多少人用?这些用户是谁?有什么特征?用户具体是怎么在使用你的产品的?你的设计是否还有优化的空间?如何才能为用户打造更好的使用体验?怎么才能知道这些数据好不好,有没有问题呢?主要是靠比较、靠经验,靠对这个产品长期跟进产生的直觉,只有在对这个产品非常熟悉的前提下,你才有可能对数据的变化给予比较靠谱的解读。

数据化思维

日常监控中用于发现问题的主要手段就是做数据的对比,但是如何具体的作对比呢?主要有三种最常用的最简单的对比方式:a、横向比较,和类似的产品去比较,看相对的状况,进而推测出自身是否存在问题;b、纵向比较,和自己的过去比较,看看从历史的发展规律中是否能得到某些启发,主要是看自身的变化趋势;c、用户细分,这个就是把用户按照不同的分析需要,拆分来之后来看数据,看看各个群体之间的差异在哪里,有没有一部分用户和其他用户表现出不同的行为,进而找到问题所在。当然除了这三种常用的对比之外,我们还可以做一些配套的定性研究,进而把问题搞得更透彻。一些统计学的工具有时候也能起到作用,比如说用SPSS做数据的因子分析、聚类分析等等,也可以有一些意想不到的收获。

数据化思维

4、数据不是核心价值,你才是!

说了这么多,我并不是要强调数据有多么的万能,但是在互联网领域,任何一个具有一定用户量的的产品,你都不得不去了解数据,这些数据中有一些是宏观的,作为设计师我们可以当做是背景知识,应该去了解了解,但是设计师更多的是应该关注用户的目标、行为和态度等相关的数据,关注那些微观的、和用户、和设计方案息息相关的数据,这样才能更好的了解我们的用户,了解用户对我们的设计方案的反馈,以帮助我们更好的发挥自身的价值!