设计数据分析：先拆问题，再读数字。

浅谈设计数据分析

这一页聊什么

这次分享围绕一个设计工作中的具体问题：面对业务数据，怎样提取与设计有关的信息，并让这些信息影响下一次判断？读者不必先成为数据分析师，但需要能解释自己想观察什么、为什么观察，以及观察之后准备做什么。

设计师面对数据的三个困惑

这一页聊什么

原稿列出三种常见困惑：方案如何影响总指标、报表与自己的设计有什么关系、多维数据为什么最后仍只是在比大小。它们指向同一个缺口：业务结果与具体设计行为之间缺少可检查的连接。

拆解可以把这个缺口变小。先找到设计可能影响的环节，再定义可观察的行为与指标。参与人数、整体留存等总量依然有用，但通常还需要过程数据，才能讨论一次入口调整或反馈改动发挥了什么作用。

拆解、埋点与分析

这一页聊什么

分享用三个步骤组织方法：拆解业务、产品与设计目标；通过行为、画像、体验质量和留存转化数据收集信号；再从大小、趋势与分布中寻找解释。三个步骤共同决定一份数据能否回答最初的问题。

这条路径也可以反向检查：如果最后无法解释结果，可能是指标选错，也可能是埋点定义不完整，甚至是最开始没有说清楚目标。分析中的疑问，应当带回前面的环节修正。

目标、原则与策略的区分

这一页聊什么

“优化框架”“统一规范”“视觉升级”描述了准备采取的行动；“专业”“年轻化”“简洁”更接近表达边界。它们还需要连接到用户或产品希望发生的改变，才能形成可以讨论的设计目标。

原稿将目标解释为最终要达到的状态，原则解释为过程中的边界，策略解释为具体执行方式。把这三层分开，评审时才能辨认：我们是在讨论是否选对问题，还是在比较解决同一问题的不同做法。

个人主页改版的业务追问

这一页聊什么

以个人主页 Tabs 改版为例，先追问用户为什么需要这组分类、它为产品创造什么价值，再进入布局和样式。业务背景可以从愿景、战略、目标用户、核心价值与变现方式梳理，避免只对眼前控件作局部判断。

随后用场景故事、用户体验地图和数据寻找直接问题、潜在诉求与间接影响。例如分类是否帮助别人理解这个人、是否让常用内容更容易被找到，都比“Tabs 看起来不够新”更接近需要验证的问题。

VSM 与 SKS：目标怎样落到方案

这一页聊什么

原稿用 VSM 串联价值、信号和指标：先说清楚用户获得什么，再找能观察到的行为，最后定义如何计算。指标需要明确人群、统计窗口、分子与分母，避免把“使用更多”当作已经足够清楚的目标。

SKS 则从策略出发，寻找影响策略的关键因素，再衍生方案。信息结构、交互、视觉和社交认同都可能是手段。原稿列举的可用性原则与设计系统用于约束判断，协作任务列表则把方案带到实际交付。

业务目标、产品目标与设计目标

这一页聊什么

业务目标提供方向与约束，产品目标组织需要建设的能力，设计目标把体验问题与可衡量的变化连接起来。三者相互支持：功能建设需要可用体验，体验优化也需要理解它服务的业务任务。

这页最值得保留的方法，是将终点数据拆成过程数据与细节数据。总转化率有变化时，可以继续检查入口曝光、点击、完成和失败等环节，判断变化出现在哪里。

简单场景中的指标口径

这一页聊什么

观察房间内 music 功能时，可以从功能曝光、点击、使用人数、使用次数与持续时长入手。不同指标回答不同问题：多少人发现它、多少人尝试、同一个人是否重复使用，以及一次任务是否顺利完成。

时长尤其依赖任务。内容消费的停留可能代表投入，也可能是无效播放；发布或填表的耗时可能反映操作负担，也可能来自内容创作。需要结合完成率、退出和错误解释，不能单看时长方向。

复杂场景中的 OSM 与用户旅程

这一页聊什么

多个因素共同影响结果时，原稿引入 OSM 构成拆分与 UJM 行为路径。前者把总指标拆成组成部分，后者沿着用户完成任务的先后关系，寻找前置条件和中断位置。

选择模型的依据是问题本身：交易总额适合检查组成因素，留存则需要回看新用户进入、参与和再次返回的经历。模型帮助组织收集计划，但每个指标仍要对应到能采取行动的位置。

电商活动：GMV 与 SKU 点击路径

这一页聊什么

活动案例先把 GMV 拆成点击 UV、转化率与平均客单价，再关注活动入口、商品橱窗和具体 SKU。由此产生入口点击率、模块曝光与 SKU 点击等过程指标，设计才知道自己可能影响哪一步。

模块位置、尺寸、动效和活动信息外露，成为可以比较的方案因素。评估时需要同时检查曝光条件和后续购买行为，防止只放大入口点击，却把低意愿用户带进一个更难完成的流程。

社交消费：把 OSM 放回具体界面

这一页聊什么

这页把提升消费总额拆为用户基数、转化率与客单价三个方向，结合游客登录、首次充值赠礼和附加价值的实际设计稿。它展示设计方案如何挂靠某一段行为，而不是用一张最终界面代替全部推导。

将社群消息、授权登录、商品详情、领取优惠和确认订单逐步列出后，可以分别选择曝光、点击或完成等指标。需要保留跨环节的联系：单个模块的数据更好，不必然说明整条消费体验改善。

AARRR 与用户生命周期

这一页聊什么

获客、激活、留存、变现与推荐，将指标分布到不同阶段。注册转化率、关键功能使用、次日留存、付费率和邀请接受率各自观察不同的任务，避免所有讨论最终只剩 DAU 或总收入。

生命周期需要随产品调整。一次首次使用体验可以同时影响激活与后续留存；NPS、CSAT 或 CES 则提供态度与体验线索，不能直接替代行为数据。模型是选指标的地图，实际定义仍由任务决定。

自定义分析：结构化与公式化

这一页聊什么

全流程改版后结果下降，现成模型未必能直接找到原因。原稿提出两种展开方式：按内部与外部因素建立结构，或把销量等结果拆成购买人数、单价、折扣与地区等组成因素。

每个分支需要能被观察或检验，尽量减少重复与遗漏。这样的树用于组织假设和补数计划；真正确认某次改动的影响，还需要实验、控制其他变化或额外证据。

社区互动案例的目标与已知条件

这一页聊什么

应用练习设定：希望发动态用户在发布后的 24 小时内更愿意参与社区。主目标是互动用户比例从 20% 到 35%，同时观察平均停留从 25 到 35 分钟、重复互动从 18% 到 25%，以及新增发布用户次日留存从 30% 到 40%。

案例还给出两个分析线索：首次互动多集中在发布后一小时，未互动人群中存在大量只浏览行为。它们可以帮助区分没有机会、没有动机和操作成本过高等解释，再决定需要补充哪些数据。

互动目标的四条策略分支

这一页聊什么

拆解围绕互动意愿、互动效率、留存回访和社区氛围展开。表达方式、用户分层、入口路径、即时反馈、关系体系和激励，是可以继续组合与排序的方案方向。

内容管理、UGC/PGC 供给和社群维护也在图中，说明问题不能全交给一个按钮解决。实际推进时，可先选一个可控分支，写清楚预期行为与观察指标，再逐步扩大，而不是同时上线所有功能。

第一类数据：用户行为与路径

这一页聊什么

行为埋点覆盖活跃度、功能使用、互动与操作路径。注册礼包、上麦和送礼引导，可以从有效曝光、开始操作、成功完成和中断位置连接起来，检查用户在哪一步失去上下文或动力。

原页将多组界面与注册、上麦、送礼数据并列，用于说明设计节点和指标如何对应。解释这类变化时，还应记录版本、渠道、人群与时间窗口，并关注是否存在同期运营或供给变化。

第二类数据：画像与行为偏好

这一页聊什么

原稿将核心、次核心与种子用户作为讨论分层的例子。区别不只来自付费，还涉及活跃、内容参与和成长阶段。分层应当帮助选择合适的引导与服务，不能让一个标签覆盖同一个人的所有需求。

画像需要与行为相互校验。例如新用户可能缺少参与入口，活跃用户可能更需要关系与内容。属性数据只能在明确目的与获得授权的范围内收集，优先采用完成任务确实需要的最少信息。

第三类数据：体验质量与技术表现

这一页聊什么

延迟、卡顿、断线、丢包与清晰度，会直接改变多人房间的参与体验。检查这些指标时，需要同时保留设备、网络和使用场景，避免把技术失败误判成用户对玩法没有兴趣。

降噪、回声消除、空间音频和场景音效，是技术侧的可能手段；连麦、PK 和共同活动则构成体验侧的任务。两侧需要用同一次任务来对齐：用户能否进入、听清、参与并理解反馈。

第四类数据：留存与付费转化

这一页聊什么

这页将次日、7 日、30 日留存，与注册到活跃、活跃到付费、再次付费等转化分开。这样才能区分：新用户没有建立使用习惯、活跃用户没有购买动机，还是已经购买的人没有再次回来。

支付路径还可以拆成浏览、试用、充值页面和完成支付。观察收入时应同时关注参与质量与退款等反馈，避免只追逐短期支付，忽略长期使用体验。

大小、趋势与分布的分析角度

这一页聊什么

单纯比较大小只能描述表象。原稿建议继续按人群、时间、渠道和事件分层，再观察趋势的转折与规律、分布的占比与极值。一次均值变化可能来自少数用户，也可能来自整体人群结构改变。

实际分析可以把问题写成可反驳的解释，再寻找支持与反例：哪个群体变化更大，变化从哪一天开始，与哪次发布或活动同期发生，排除它之后结论是否仍成立。

留存表的横读、竖读与斜读

这一页聊什么

原表以新增日期划分 cohort：横向看同一批用户随时间的留存，纵向比较不同批次在相同生命周期的表现，斜向则对齐同一个自然日期，观察是否有跨批次共同波动。读表方向对应了不同的问题。

斜向人数相加只能覆盖表里列出的批次。要把它当作某天完整的 DAU，还需要覆盖更早用户、回流用户，并确认去重与活跃定义。原稿引用的 4:2:1 和 40% 仅作为经验讨论，不应当用作所有产品必须达到的门槛。

留存率、绝对人数与待验证的解释

这一页聊什么

沿用上一页虚构样本，4 月 7 日次留为 30.08%，4 月 12 日为 25.92%，相差 4.16 个百分点；对应留存人数却分别为 12,260 与 16,662。比例更低与人数更多可以同时发生，因为新增人群规模不同。

原稿继续提出周末差异、活动召回与第 6–7 天回升等解释。这些值得追问，但需要进一步对齐活动暴露、渠道与用户类型。短信和红包例子属于分析假设，不能据此宣布一种召回策略已经有效。

整次分享最终回到设计协作：把比例与人数、终点与过程、观察与解释分开，才能把一张报表变成下一轮需要验证的问题，以及可以继续执行的改动。