干货!设计师需要读懂的数据

正常来说,一个互联网产品上线后一定会不断的迭代,在迭代的过程中,我们需要依据某个反馈而决定我们如何迭代。

数据是最客观的,前面一直强调的,交互和UI设计,其实是一种很理性的设计,而这种理性,最好的便是通过数据来促进设计。

随着行业的发展,对于设计师能看懂数据的能力的要求也在不断提升,希望通过本节内容,我们可以对常见的数据指标有个彻底的了解,同时,在阅读数据报表时,不再感到为难。

数据是怎么产生的

数据是如何产生的,理论上不应该是我们设计师需要关心的问题,但既然是了解数据有关的知识,我们也应该简单了解下数据的产生,一个数据要产生,首先我们需要在我们关注的产品上“埋点”,埋点需要提供两个关键信息:1、需要埋点的内容——即具体的某个界面或者具体的某个链接;2、埋点的名称——方面后续快速的找到相关的数据。

干货!设计师需要读懂的数据

当埋点完成,且产品上线后,就会检测用户的行为,当用户进入到该界面或者点击该链接,就会在统计系统中,上报一个数据,这样,我们便也得倒了一个数据。

真实的数据统计远比上面说的复杂,但我们需要注意任何数据都是可被统计的,即所有的数据都应该是基于某个埋点而产生的即可。

所以,当我们拿到某个数据之前,得清楚该数据是基于哪个内容而产生的。

常见的数据指标

理论上一个产品可以有无数多个数据,但能称上数据指标的,这里专门指对当前业务有参考价值的统计数据。

所以当我们在进行数据分析的时候,一定要结合业务本身,脱离业务去谈数据并没有太大的实际意义,也正因为如此,我们可以把常见的数据指标,分成三大类:

与用户相关的数据指标、与行为相关的数据指标和与业务相关的数据指标。

与用户相关的数据指标

与用户相关的数据,常见的有:DAU、MAU、新增、留存等等。

干货!设计师需要读懂的数据

DAU/MAU

DAU和MAU,分别称为日活和月活,主要用来观察某个产品以日或者以月为单位用户的活跃量。

下表是某产品A和产品B的DAU数据(单位:万),从表中可以看到产品A(蓝色线)和产品B(红色线)的具体每天的日活数,但除此之外,我们还可以看到有意思的现象:周一到周五,产品A的日活大于产品B的日活,但是周六和周日,产品B的日活比产品A高。

干货!设计师需要读懂的数据

对数据敏感的同学,就可以通过这个数据,猜测产品A可能是一款针对工作场景使用的APP,当然,把产品A和产品B放一起比较,可能是两者之间存在某种相关性。

需要注意的是,即便大家都知道日活或者月活是什么意思,但每个人所理解的可能也不一样。

就拿DAU来说,DAU全称为日活跃用户数量(Daily Active User),那么日,这个单位,计算的周期是24小时,还是一个自然日?然后是活跃,什么样的行为可以被称之为活跃?是打开过一次就算,还是停留了多长时间才算?最后是用户,什么样的用户可以被称为用户?是登录了的用户还是按照不同的设备来算?

上面所提到的所有的疑问,都没有唯一标准的选择,但是在一个团队中,对于某一个数据指标的得出方法,一定要有完全相同的认知,否则就会产生偏差。

新增

新增,即产品的新增用户,同样的,对于新增的新,不同的团队也有着不同的计算方法。这个数据一般是我们在描述拉新的时候时所用的,所以这里的新可能包括:新增注册用户;新增下载量;新增设备数等等,我们需要根据业务本身,去衡量这个新是哪个新。

下表是某个产品在某天的新增数据,可以看到,这些都是针对这款产品同一天的新增数据,但不同维度,有很大的差异。

干货!设计师需要读懂的数据

留存

留存是最能反映产品对用户是否产生吸引的一个数据指标。

说到留存一定是基于某个时间段而得出,比如次日留存、7日留存等等。

一般来说,留存的计算方式是用某个事件的用户数量/第一天的用户数量的出,如次日留存=第二天的用户量/第一天的用户量,得出的百分比即次日留存量。

下表是当我们针对某产品进行数据去重后,得到下面的DAU数据,然后我们可以看到该产品的次日留存为DAY2/DAY1=300/500=60%;该产品的7日留存为DAY7/DAY1=60/500=12%。

干货!设计师需要读懂的数据

很多朋友可能就会有疑问了——你怎么能保证第二天的300,一定是第一天500用户中的呢?(虽然我们上面强调了,这是去重后的数据,但实际中经常会容易被忽略这一点。)

能思考到这里,证明已经非常有数据思维了。确实,留存的留与存,一定是基于某类用户,其目的地就是看这类用户在第一天使用了产品后,次日、或者是某个时间点之后,是否还会来使用该产品。

所以如果某个产品,第一天用户量为100,第二天新增用户100,但是第一天的用户访问量为0,那么这个产品的留存则应该是0,而非100%。所以,在计算留存的时候,一定是需要去重的数据。

除了对数据的去重,在同一个团队中,我们还需要对于留存算法的统一。比如7日留存,我们究竟是说第7日的留存,还是7天平均用户量相对于第一天用户量的留存?虽然绝大部分情况下,我们都认为7日留存是指第7日的用户量/第1日的用户量,但还是那句话,算法并没有任何对错,我们只需要统一认知即可。

有关留存,大家可以发现,一方面我们需要去重数据,另一方面,我们还需要在团队中统一我们的算法。

有关7日留存,最常见的是用第7天的数据/第1天的数据,也就是一共7天数据。在某些情况下,我们也会把第1天当成第0天,然后是第1天到第7天,一共会有8天的数据,在这种情况下,我们会用第7天(实际上是第8天)的数据,除以第0天的数据,来计算留存。

用第0天这样来算,有个很大的好处,就是第0天,和第8天,一定是相同的星期几,也就是说,假如第0天是周一,那么第8天也会是周一,这样对于那些周期性产品,比如我们上面讲DAU举例的那类产品来说,这样计算会更客观也更准确。

与行为相关的数据指标

与用户行为相关的数据指标,常见的有:PV、UV、访问深度、转化率、时长、弹出率等等。

干货!设计师需要读懂的数据

PV/UV

PV和UV很多朋友会分不太清楚,其实PV的全称为Page Views,记录的是访问某个页面的次数;而UV的全称是Unique Visitors,记录的是访问某个页面的独立用户数,正常情况下,一个页面的UV数一定小于等于这个页面的PV数。这两个指标是我们最常用的数据指标,用来衡量产品的用户访问量。

访问深度

访问深度用于来衡量用户对产品感兴趣程度。

用户对某个产品越感兴趣,那么访问深度一般会越深。我们知道,任何产品都应该有一定的层级结构,一个用户从首页进入后,点击进入了多少层,就可以认为该用户的访问深度是几。

转化率

转化率用来描述用户从某个页面到执行某个操作的比率。

比如一个电商产品,要记录用户商品列表页到详情页的转化率,则只需用点击了列表中的商品的PV数/列表的PV数。

需要注意的是,对于转化率,一般是PV/PV,UV/UV,但是当我们希望计算人均某个行为时,则可以用PV/UV,比如一个界面的PV是10000,UV是5000,那么PV/UV=2,则可以说,这个界面人均访问量为2。

时长

时长是我们很容易忽略,但是又很有参考价值的一个指标,尤其是对于一些内容型产品来说,用来衡量用户对内容的感兴趣程度很有用。

但是比较难的是,在记录这个数据时,数据的准确性是很难保证的——你怎么去判断用户是把产品打开放在那做别的事情去了,还是一直在使用这个产品?好在不同于PC时代,在移动互联网时代,用户把手机打开然后去干其他事情的情况变少了很多,即便有,我们也可以在进行数据分析时,把那些大大超出平均使用时长的数据剔除出去再单独分析。

弹出率

弹出率是使用比较少的一个数据指标,很多朋友对于弹出率的认知是有所偏差的,以为弹出率简单的是指用户的跳出的比率。实际上,弹出率是指这个用户来到这个界面,什么都没做,就走掉的比率。比如用户A,访问一个产品,在第一个界面点击进入到了第二个界面,然后在第二个界面关闭了APP。这时候,我们假设这个产品只有这一个用户,那么这个产品在第一个界面的弹出率为0,第二个界面的弹出率为100%。

与业务相关的数据指标

在谈到与业务相关的数据指标时,一定离不开的,就是要针对业务本身去了解相关的数据指标。

谈到业务,我们实际上可以把所有的产品简单分成两类——免费的产品和付费的产品。有关免费的产品,我们可能考察更多的就是用户的访问时长和访问深度等数据,而对于付费产品,则观察更多的是产品的GMV、ARPU等数据。

对于免费的产品,我们关注的时长、深度、留存率等数据指标,实际上和上面说到的关于用户行为的数据指标就是相同的内容,这是分类不同,但含义相同,所以在此不再重复说明。

下图是有关付费产品,我们常见的数据指标。

干货!设计师需要读懂的数据

GMV

GMV一般用于电商类产品进行数据统计或者制定KPI时所用,GMV全称为Gross Merchandise Volume,指一段时间内的成交总额。

GMV是一个有关总量的数据指标,我们在拿到GMV数据后,可以了解一下这个数据是怎么得出来的,然后应如何拆分。

下表是假设一家店,一共只有两款商品,我们拿到该店一周内两款商品的数据如下。

干货!设计师需要读懂的数据

这时我们可以很快计算出:

  1. 该店铺在这周的GMV=商品A本周的GMV+商品B本周的GMV;
  2. 商品A/商品B本周的GMV=周一到周日每天的GMV之和;
  3. 每天的GMV=该产品的销量*售价。

我们拿到该数据最大的意义通常情况下,就是看我们是否达到了预期目标,比如该店铺这周的预期销售目标是70000,那么意味着没有达到目标。

那么我们接下来要做的,就是思考如何达成目标。而最好的办法,就是去拆分。因为篇幅关系,并且加上本书面对的读者群体是设计师们而非营销人员,所以不展开详述。

最简单的办法,通常我们会试图对某个产品进行降价,看看销量的变化,比如产品A,在周一20元的时候,卖出200个,周一的GMV为4000,那么如果我们将该产品降价到18,销量达到了300的话,那么18*300=5400,这样一来,我们就找到了提升GMV的方法之一。

当然实际情况会远比这个复杂,但对于这类有关总量的数据指标,学会拆分,是这类指标对我们设计师来说,最大的意义所在。

ARPU

ARPU的全称是Average Revenue Per User,即每用户平均收入,我们又称之为单用户价值。

这个数值用来描述,产品运营的一段时间内,从单个用户身上可以得到的利润或收益。很明显,用户质量越好,ARPU值越高。

一般来说,这个数值的计算方式,是用某段时期的总收入/某段时期的付费用户数。

不同的行业会有一个相近的ARPU值,过高或者过低的ARPU值都可能不是一件好事,过低的ARPU值,尤其是远低于行业平均的ARPU值,可能会导致你的产品最终的盈利能力很差;过高的ARPU值,也可能是因为付费用户过少导致。

付费率

付费率是用来衡量用户转化行为的指标,表示所有用户和付费用户的一个转化比率。

前面提到的ARPU值是用付费用户人数来计算的,所以很多情况下,我们会把付费率和ARPU值放在一起去分析。

一般来说,产品的付费率越高越好,这意味着用户对产品的认可。

以上是一些常见的数据指标的介绍,了解这些数据指标的意义,对我们来说非常重要,这是一切数据分析的基础。

经过上面的内容,我们应该能感觉到,在阅读一份数据报表的之前,各项指标的含义和计算方式,非常有必要跟团队所有成员达成统一认知。


爱读微课(iread360.com) | 色技手稿

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据