2015-1-26 藍藍設計的小編
藍藍設計( m.ocunn.cn )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有效的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
每一個扁平化界面設計，都是我們的心靈碰撞致力于最棒的 metro ui 設計
來源：http://www.shejidaren.com/shu-ju-hua-she-ji-si-wei.html
如果您想訂閱本博客內容，每天自動發到您的郵箱中， 請點這里
很多設計師從來不看數據，要么是因為沒有數據可看，要么是根本不想看，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，為什么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么。設計不同于純粹的藝術，藝術源于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于某個用戶群，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，我們這里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，設計是服務于用戶的，了解用戶才能更好地做設計，數據是了解用戶的一種途徑。
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，否則你怎么知道設計的好不好，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，明確為什么要做這個設計？從業務的角度來看，這個產品對公司有何價值，此次設計要達到什么目的；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么問題；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么問題，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，比如偏向于為用戶提供某個功能的平臺，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，比如偏向于為用戶提供某些內容的平臺，那么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，往往同一個平臺，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，還怎么為用戶提供服務呢？
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，這二者之間并不是完全的不相干，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么方式找到老賣家?不同路徑的轉化率如何?不同用戶查找方式與轉化率有什么差異?
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。
然后，通過對用戶路徑以及頁面的點擊轉化數據來看，我們發現，訂單快照頁面的退出率高達56.3%，相對于同類型的頁面來說，退出率較高，因此這個頁面有著較大的提升空間！
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，后續做了優化方案。
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，然后結合了對典型用戶做的用戶訪談的結論，最后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于整個網站的首頁，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，那么怎么解決這個問題呢？那就是要避免做女裝的用戶從網站首頁進入這個頻道之后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后，根據行業偏好的個性化數據來推薦商品，推薦的不準確，用戶也可以去定制；到底哪個更靠譜？兩個思路各有利弊，鑒于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后一個思路能跑通，但是怎么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，又有多少的人愿意去定制行業偏好？
對于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里，行業的偏好相對比較穩定，如果是一個主營女裝的買家，那么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，那么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用戶愿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愿意定制偏好，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，基于這些情況，我們判定基于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。這個方案最終上線后，實際上有大約10%的人真正找到定制入口并且產生了定制行為，70%的人不用定制，實現了默認的精準推薦。
設計后數據幫你驗證方案：我們的設計方案到底做的好不好呢？衡量標準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么結果，要解決什么問題；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，那么會出現什么現象或信號呢？列舉出所有的現象或信號，選擇我們可以監控的到的，然后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，會有什么現象呢？可能會有更多的人有購買意愿，看了商品詳情頁，點擊了購買按鈕等等，最終也產生了購買，那么，衡量指標是哪個？設計只是改變了商品信息的呈現方式，并不能改變商品本身的質量或背后的服務，所以我們應該重點考察設計是否強化了引導，提升了購買意愿，是否激發了用戶進一步了解的行為，主要是指瀏覽行為，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，而且比較習慣于用地圖來找產地，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找產地的需求嗎？來看下面的數據分析。
用戶的目標不是要找產地嗎？還告訴我們用地圖找產地很符合他們的習慣呢？為什么上線后，用戶卻不怎么使用這個版塊？？？我看到這個數據非常的意外，一時之間根本摸不著頭腦，后來再去看了看這個板塊的熱力圖，一下子恍然大悟。通過數據分析得出，地圖縱然符合用戶習慣，但是才這么狹小的地圖上進行如此復雜的操作，其效率是非常底下的，因此將地圖找產地的功能保留下來，只是不作為默認的方式，采用了按照熱門的、區域的、附近的、可搜索的、地圖的方式綜合承載，最后取得了較好的效果！
作為一個設計師，你的作品上線后，有多少人用？這些用戶是誰？有什么特征？用戶具體是怎么在使用你的產品的？你的設計是否還有優化的空間？如何才能為用戶打造更好的使用體驗？怎么才能知道這些數據好不好，有沒有問題呢？主要是靠比較、靠經驗，靠對這個產品長期跟進產生的直覺，只有在對這個產品非常熟悉的前提下，你才有可能對數據的變化給予比較靠譜的解讀。
日常監控中用于發現問題的主要手段就是做數據的對比，但是如何具體的作對比呢？主要有三種最常用的最簡單的對比方式：a、橫向比較，和類似的產品去比較，看相對的狀況，進而推測出自身是否存在問題；b、縱向比較，和自己的過去比較，看看從歷史的發展規律中是否能得到某些啟發，主要是看自身的變化趨勢；c、用戶細分，這個就是把用戶按照不同的分析需要，拆分來之后來看數據，看看各個群體之間的差異在哪里，有沒有一部分用戶和其他用戶表現出不同的行為，進而找到問題所在。當然除了這三種常用的對比之外，我們還可以做一些配套的定性研究，進而把問題搞得更透徹。一些統計學的工具有時候也能起到作用，比如說用SPSS做數據的因子分析、聚類分析等等，也可以有一些意想不到的收獲。
說了這么多，我并不是要強調數據有多么的萬能，但是在互聯網領域，任何一個具有一定用戶量的的產品，你都不得不去了解數據，這些數據中有一些是宏觀的，作為設計師我們可以當做是背景知識，應該去了解了解，但是設計師更多的是應該關注用戶的目標、行為和態度等相關的數據，關注那些微觀的、和用戶、和設計方案息息相關的數據，這樣才能更好的了解我們的用戶，了解用戶對我們的設計方案的反饋，以幫助我們更好的發揮自身的價值！
掃一掃，案例分享帶回家（藍藍設計微信公眾平臺）