干货:常见数据指标的内在联系和应用【入门篇】(配抖音案例解析)

运营有数为您推荐本文:

编辑导语:数据如何用?用的好不好?最关键的是“用户意识”,也就是从数据使用者的角度去做分析。你一定知道,一个产品的成功,取决于它在多大程度上满足了用户的需求,解决了用户的问题。但是,在数据应用的过程中,很多人却往往会忽略掉“用户意识”。下面跟着作者一起去思考一下关于数据指标的问题吧!

一、数据指标是什么?

说到数据指标,大家联想到的肯定是一大堆花花绿绿,波动起伏的线和柱状图。往大了说,这些花花绿绿的柱子也算是数据的一部分,只不过是直观展现后的数据结果。那对于设计师来说,是看这些花花绿绿的结果还是原始数据呢?

如果你是会数据分析的设计师,那么原始数据对你的帮助会更大,因为你能在一堆杂乱无章、复杂无序的数字中抓住要点。如果你不懂数据分析,那还是好好地看结果吧,毕竟结果是专业的数据分析师或是软件计算之后得出的,相信配合设计师的工作是绰绰有余了。

数据结果的图表展示

关于数据其实有很多内容可以讲,不过本节的重点不在这,而在于和设计师相关的数据指标。那什么又是数据指标呢?

所谓数据指标用官话讲就是:在企业运营过程中,对已记录历史信息进行处理,转化成为数字。根据特定商业目的,对相关数字按一定的业务逻辑,使用一定的技术手段进行加工处理后,成为描述、衡量、分析、预测业务结果的工具。简单理解就是一种标准参照值,能够对当前业务有参考价值的数据才可被称为“数据指标”。咱们姑且换个词:数据衡量参数,这样就可以理解指标是什么意思了。

那为什么设计师需要掌握数据指标的分析能力呢?它对实际工作具有又有什么帮助呢?笔者举个案例来解释一下:

看看下面三辆车。相信了解或买车的读者都知道,车的销量不仅是依靠内部的硬件配置,比如驱动、功率和风阻等因素,还需要考虑车的外形设计和内饰搭配等,比如流线型设计、车灯设计、内饰装潢等,当然还会考虑一些外部环境和市场趋势,比如新能源、品牌和口碑等。以上种种都是能够影响市场销量的重要因素。

特斯拉、保时捷和凯迪拉克的参数对比

现在我们转换下思路:硬件是不是产品经理需要解决的问题?而口碑和市场推广是不是运营需要解决的问题?最后只剩下设计内容,这得归设计师管了吧?

所以车的销量,即销量数据,不仅使硬件和市场的事情,设计的好丑与否同样也可以影响到整车的销量,通过特斯拉Model X 的“鹰翼门”、保时捷的“四点式前灯”和凯迪拉克的“直列式车灯”可以略知一二——车主选择这些车型(或品牌)的其中一大原因,主要是设计得有特点,能够彰显车主身份、地位和个性,设计师在其中的力量贡献不可谓不大。

这样看下来,你还会觉得设计师不需要掌握数据分析能力么?只有得到市场数据的反馈,设计师才能知道市场需要怎么样的车型,这样才能对症下药。

俗话说得好:“设计是理性的科学,而非感性的艺术”,设计师掌握数据分析能力可以让设计方案在解决问题的过程中更有针对性,方便设计师围绕数据问题利用设计手法去修复和完善它。

所以,掌握数据分析能力其实是为了让设计师少做无用功,把更多的精力投入到更有针对性的优化上,产生更多的既得价值。

可用、易用、好用和好看

二、常见的数据指标

实际工作中需要接触的数据指标有很多很多,甚至一些和设计不相关的指标也会遇到,比如经济指标、商业指标等。为了便于读者们理解和记忆,下面的数据笔者主观、人为地将其拆分成两大类型,即功能型指标业务型指标

  • 功能型指标特指那些可以直接反映产品情况的指标,比如页面浏览量、访问量、点击次数等,这些指标可以算是复杂数据中的基础指标,就好比26个英文字母可以构成千千万的不同单词和句子;
  • 而业务型指标主要是通过对功能型指标的深入分析,反映产品生命力的指标,比如新增用户、活跃用户、总成交等,是一种可以指导业务发展方向的指标。

那这两类指标中又有哪些具体的细分指标呢?

1. 功能型指标

首先是功能型指标。(温馨提示:阅读以下内容时,一定要留意网站和网页(页面)的名词区分。)

(1)页面浏览量(Page View,简称PV)

是指网页浏览量或点击量。如果一个用户在前一秒访问了这个网页则会被记录1个PV,下一秒刷新之后又会被记录1个PV,这是一个累积的过程,用以衡量网站用户访问某一网页的具体数量。

(2)国际互联协议(Internet Protocol,简称IP)

是指访问某站点(网站)的IP数据,以独立用户的IP地址作为统计依据,比如00:00-24:00点之间相同IP地址访问同一站点只被计算(记录)一次(大型网站可能同时存在多个站点,比如百度、Google)。

(3)独立访问量(Unique visitor,简称UV)

和IP有点类似,是指00:00-24:00点之间使用相同的账号浏览网页只被计算1次访问,所以一天内同一账号多次访问同一网页仅计算1个UV。比如你和朋友用同一台电脑在同一天内,通过各自账号访问了某个页面,那么对于这个页面来说就是IP+1,UV+2,PV+2。

对比PV而言UV可以称作是“真实的访问量”。

(4)用户访问次数(Visit View,简称VV)

是指所有访客1天内访问网站的次数,当访客完成所有浏览(页面)并最终关闭该网站的所有页面时便完成了1个VV。比如访客今早打开了站酷进行浏览,五分钟后全部关闭,间隔半小时又打开了,这时候VV+2。

在视频播放领域,VV又是Video View的简称,是视频播放数据的一项重要参考指标。

补充:PV、IP、UV和VV的区别。

假如今早李明09:00打开了百度(网站和站点时一一对应的前提下),浏览了5个不同页面,随后全部关闭;

13:00李明又打开了百度,浏览了3个页面(其中2个页面上午浏览过),随后全部关闭。那么最后的数据结果是:PV+8、IP+1、UV+6、VV+2。

讲到这里也许有些读者已经绕晕了,不怕。笔者再举个接地气的例子:

  • IP就是拿着身份证去商场实名登记,领取一个胸牌,然后今天内你就可以随意进出;
  • VV就是疫情期间为了安全起见,你进出几次商场就要出示几次健康码;
  • UV就是你一共在这家商场访问过多少家服装店(一般人逛过这家后就不会再回头重新逛一遍了);
  • PV就是你在一家服装店总共翻过多少件衣服(重复的也算)。

那么一个网页的浏览量到底该用UV还是PV呢?这个就需要根据产品要宣传的点作选择了,比如早期产品的用户量低,那么PV数据会好看点;到了后期,用户体量大了,那么对于页面而言UV会更真实。

(5)跳出(失)率(Bounce Rate,简称BR)

指仅浏览了一个页面就离开的用户占一组页面或一个页面访问次数的百分比,计算公式是:

跳出率=(浏览单页即退出的次数/总访问次数)*100%

和下面要介绍的“退出率”相比,跳出率的重点是作为“着陆页”而言的,即用户访问了第一个页面后就走了,这个时候就可以判定是跳出结果。如果用户在第一个页面基础上点击其他链接进行了跳转,那么第一个页面就不能作为跳出页。

BR图解

如上图所示,页面A的跳出率是50%,因为李明将页面A作为着陆页,并且在该页面上直接跳出。而王皓虽然也落在了页面A上,但是他通过页面上的链接跳转到了页面B,所以对于王皓来说页面A只能算是过渡页,不是着陆。

最终,页面A的总访问次数是2,浏览单页即退出的次数是1。而页面B的跳出率是0,因为它不存在着陆页,但是退出率却是100%。

通过跳出率,我们可以看出一个网站的用户粘性如何。比如跳出率高,说明用户体验不好,或者网页本身的内容并不能帮助用户解决某些问题,产生某些价值;反之,如果跳出率低,则在一定程度上说明网页对于用户来说是有益的,用户愿意更深入地去探索网站的其他功能。

(6)退出率(Exit Rate,简称ER)

是指用户退出网站的次数除以用户进入浏览网站的次数的百分比。正所谓有出必有进,有进必有出,用户不可能一辈子只看一个网页或网站,所以有浏览就必然会有退出。计算公式是:

退出率=(从该页退出的的页面访问数/进入该页的页面访问数)*100%

相对于跳出率而言,退出率的重要程度对于设计师来说反倒没有前者那么重要——因为退出率是必然会发生的,站在用户体验角度来看,无论网站的体验设计是否优劣,都会产生退出率。

所以关于跳出率和退出率,设计师更应关注的是“用户为什么会在该页面跳出?”而不是“用户为什么会在该页面退出?”

下面举个复杂的案例,方便诸位读者理解跳出率和退出率之间具体的关系和区别:

  • 李明(橙):A>B>C>D;
  • 王皓(蓝色):C>B;
  • 孙宇(绿色):D>A>C>B;
  • 何凯(紫色):A;

跳出率和退出率图解

(观察上图)对于这个网站而言,总的访问次数(VV)是4——因为只有四个用户;总的页面浏览量(PV)是11。

其中页面A的跳出率为50%,退出率为33%;页面B的跳出率为0,退出率为66.7%;页面C的跳出率为0,退出率为0;页面D的跳出率为0,退出率为50%。

实际工作中碰到的数据或许会比这个更复杂,比如李明A>B>C>D>B,王皓D>A>C>B>D等情况,所以很多时候还是要要具体问题具体分析。

如果将跳出率和退出率相对比的话,这两种类型的数据其实并没有谁大谁小的问题。在实际的数据分析中,还是需要根据工作需要来使用合适的数据进行分析。

(7)完成率

是指完成某项任务的用户数占全体用户总数的百分比,比如100位用户在操作任务A,其中只有80位成功完成,那么完成率就是80%。

(8)和完成率相对的就是失败率

完成率和失败率都可以帮助设计师衡量一段任务流程的易用性和可用性问题,比如失败率高,则说明用户在利用此段任务流程时遇到了阻碍;反之成功也不能骄傲,更需要保持谦卑的态度去分析未完成的那20%是发生了什么问题,让完成率得到进一步提升——在很多时候错误或失败数据或许意味着有更多的机会点可以发掘。

(9)点击率(Click-through Tate,简称CTR)

这个数据可以用来衡量某模块是否被用户接受的程度,一般会和之后要讲到的CVR产生横向对比。计算公式为:

点击率=(模块点击人数/页面访问人数)*100%

单看CTR和设计的关系可以折射出一部分的设计价值,比如CTR高,则说明设计能够有效吸引和引导用户眼球,聚焦注意力;反之则设计可能有失偏颇,需要考虑更合适的引导方案。

如果综合地看CTR,它主要是帮助运营验证内容或信息是否与用户感兴趣的点相匹配。

(10)转化率(Conversion Rates ,另称CVR)

是衡量产品最终价值的重要指标之一,和点击率一样,它也是不同数据项综合计算而得出的一个百分比。可以直接反应产品在某些地方的价值——这个某些地方则需要根据不同的关注点进行定义。计算公式为:

转化率=(最终结果/初始的全部数量)×100%

比如电商网站的商家会更关注收藏和付费人数的转化、平台会更关注注册的转化,举个例子:

1000位访问用户中,有800位完成了注册,那么注册转化率就是80%;

其中这800位浏览了商铺A,有500位收藏了这家店铺,那么收藏转化率就是50%(对于全局而言);

最后有100位完成了付费行为,那么消费转化率就是10%(对于全局而言)。

会发现,转化率其实就是一个漏斗,随着层级越深,转化的数量只会比前者更低。

访问、注册、收藏和付费呈漏斗状

那么是否有办法来提高这个转化率呢?甚至有没有可能让这个漏斗模型最后的消费转化率超越收藏转化率呢?这也是有办法的。

转化率最大的特点就是可以帮助需要的人有针对性地分析产品在哪些方面的不足之处,比如设计师在观察漏斗的时候发现某个节点出现了关键漏损,就可以快速定位相关节点进行优化,这回答了第一个问题。

现在回答第二个问题:还是上面电商网站的例子:

对于全局而言,最终实际付费的用户其实只占据了总数的10%,那么如果可以在用户浏览的第一页就提供一个快速下单的入口,那是不是这1000位的用户就可以不需要经过注册和收藏,然后直接消费呢?

通过某些技术和方法,这个方案也是可以被实现的,比如京东或者淘宝的快捷购买、一键加入购物车等——少了中途的详情页,只需一次点击就可以直接购物,这不仅减少(前置)了操作路径,还提升了消费的转化率。

这样的方法针对那些无需选择配置的商品尤其有效,比如水果零食这种可以直接下单(或按照规格下单)的产品。

电商平台的直接下单操作

2. 业务型指标

接着就是业务型指标。

(1)新增用户(New Users,简称NU)

从时间跨度上来看,新增用户可以分为日新增(DNU)、周新增(WAU)和月新增(MAU)。

新增用户的判定标准是以设备的独立IP或者根据成功注册的用户作为计算依据的,比如用户在使用一段时间(活跃用户(DAU)+1)后卸载了应用(未注册),后续又重新下载回来,那么这个用户就不算新用户(以独立IP计)。假设用户新注册账号之后,退出又重新注册了一个,那么此时DNU+2。

新增用户可以衡量一款产品的健康程度。如果新增用户是有序增长,那么说明产品处于自然增长模式;如果是爆发式增长则说明推广在起作用,同时这也是运营(营销)衡量绩效的重要指标之一。而对于设计师来说,新增用户的数据没有留存率那么重要,因为新增用户大部分是靠对外的推广得来,而设计师的职责更多的是将这些推广所得的新用户使用某些设计方法或方案将他们承接起来,也就是提升留存率,而不是只做“一次性用户”。

如果把一款产品比作是一个鱼塘,那么新增用户就是鱼塘里的全部小鱼。推广和获取则是在想鱼塘补充新鲜血液,保证鱼苗的充足供给。

新增用户池

(2)活跃用户(Active Users,简称AU)

活跃用户的判定标准是在一定时间周期内,成功启动过或使用过产品的用户,当然也可以将判定条件定义为是使用核心功能的用户。这个定义范围和目标需要根据产品需要进行选择。

活跃用户是在新增用户的前提下才会产生的,比如第一天注册的是新增用户,然后第二天依然使用产品的,就可以定义成是日活,将“第二天活跃数量/第一天新增数量”就是次日活跃率。所以,活跃用户以时间跨度来分可以分为日活(DAU)、周活(WAU)和月活(MAU)。

对比新增用户,活跃用户的判定条件略微有些复杂:

  • 日活(DAU):某个自然日内成功启动过产品的用户,并且该日内同一个设备多次启动只记一个DAU。比如社交产品、咨询产品,如抖音、微信、腾讯新闻等产品,对于运营同学来说, DAU占了绩效考核指标中的大头;
  • 周活(WAU):某个自然周内成功启动过产品的用户,并且该周内同一个设备多次启动只记一个WAU。对比DAU来说,WAU更能分析出用户的结构类型和偏好程度,一般偏工具型产品对WAU的考核会多一点;
  • 月活(MAU):某个自然月内成功启动过产品的用户,并且该月内同一个设备多次启动只记一个MAU。由于周期设定比较长,一个月的时间是可以衡量出用户对产品的粘性和忠诚度的,所以一般这样的指标会在工具型,尤其是偏中长期的产品中会比较重视,比如马蜂窝、携程等。这个指标还可以用来衡量被服务的用户粘性以及服务的衰退周期。

除了可衡量粘性和忠诚度以外,MAU还可以通过侧面来衡量一款产品的生命衰退周期,比如月活的数量在走下坡路,则说明产品出现了某些问题,需要去进行改进和优化。

还是鱼塘的例子。有了新鲜鱼苗后,有些鱼苗不适应环境最终死了,而有一些则活了下来,并长成大鱼。其中死了的鱼指的就是流失用户(一部分也会成为一次性用户),而生存下来的就是活跃用户。

活跃用户池

(3)一次性用户

既然有活跃用户,那么必然有非活跃用户,所以一次性用户是指第一次使用产品(即新增首日)之后就再也没有使用过的用户,一般特指那些无效用户,是区分有效和无效的一项重要参考指标。

常规来说,直接按照第二天是否活跃过于武断,所以一般会把判定的界限定位在“七天内都无活跃”的用户。

(4)流失率(Turnover Rate)

流失率一词最早被应用于企业人员管理,亦有“跳槽率”、“主动离职率”一说,是员工离开组织的两种形式之一(另一种是被辞退,即“被动离职率”)。后被指代用户在使用产品后由于各种原因而不使用产品所占新增用户的比例。

和产品主动丢失用户,即“被动流失率”相比,该流失率是一种积极主动的行为,是用户处于自身的原因而产生的流失,比如认为产品不好用等理由而离开产品的那些用户。

不过对于产品来说,流失率需要根据产品的性质来定义是否严重,比如微信属于社交类软件,如果次日或一周后用户都不再启动产品则可以判定为流失用户;而对于邮箱或其他工具类,少则两周、多则一个月才能判定成是流失用户。

和失败率相同,流失率也是错误或失败数据之一,设计师应该多关注用户流失的问题,挖掘出机会点,降低流失率,提升留存率。

用户池中的流失用户和一次性用户

(5)留存率(Retention Rates)

有流失那必然有留存(除非产品实在差劲,连一个用户都留不住),因此留存率是指在某一时间段内新增用户数在经过一段时间仍然启动产品的用户比例,通常这个时间段会以次日(2日)、3日、7日(一周)、14日(两周)和30日(一月)作为衡量区间。

在这个时间递增的过程中,可以观察出产品留存率的衰减情况,以反映用户粘性和忠诚度。时间段的取值越长,留存率也同样高时,那就证明产品的用户粘性和忠诚高。

一般来说,留存率主要关注次日、7、14日和30日的数据:

  • 次日留存率:新增首日内开始计算到第2天仍然成功启动过产品的用户占全部新增用户的比例;
  • 7日留存率:新增首日内开始计算到第7天(一周)仍然成功启动过产品的用户占全部新增用户的比例。一周的时间用户通常已经完整体验过产品的全部内容,能够留存下来的用户说明粘性已经得到了保证。
  • 14日留存率:新增首日内开始计算到第14天(两周)仍然成功启动过产品的用户占全部新增用户的比例。一般互联网产品的迭代周期是2~4周,14日留存率正好是版本迭代(双周迭代)的最低周期;
  • 30日留存率:新增首日内开始计算到第30天(四周,一个月)仍然成功启动过产品的用户占全部新增用户的比例。和14日留存一样,是产品迭代周期的最高周期,用户已经完整地体验了一个版本的绝大多数内容,能够留存一个月的用户可以判定该用户属于粘性和忠诚度较高的人群,可以对其进行更多深入的推广。

具体的时间周期需要根据产品需要的数据进行选择,只有针对性地关注相关数据才能解决相应的问题。

回到池塘养鱼的例子。池塘死了一批鱼苗,但仍还有部分的大鱼活着。到了收获的季节,这些鱼就要捕捞。

目前池塘里所有活着的鱼都是留存用户,而能够捕捞出来的鱼就属于留存用户中能够产生价值的用户(以电商平台为例,就是能够产生消费数据的用户)。

留存用户和价值用户池

(5)人均启动次数

顾名思义,是指用户平均启动应用的具体次数,是衡量用户使用频率的一个重要指标。启动次数越高,说明产品越健康;启动次数越低,则应该综合根据产品性质来判断接下去的发展方向。比如微信的启动次数往往会比爱奇艺要高出很多,前者是日用社交类,而后者只有在需要时才会启动。

(6)使用间隔

使用间隔是需要配合启动次数进行综合判断的一项频率数据。一般来说产品进入后台后30s内被再次启动,是不被判断为再次启动的。只有当超出30秒或关闭之后重新启动才会被判定为1次成功的启动次数,而前后的启动间隔时间就是使用的间隔。

一般会根据启动次数来综合判断用户使用软件的粘性,比如使用频率越高,则说明用户的粘性越大。

根据QuestMobile数据显示(2018年数据):在过去一年中,在线音乐用户使用时长基本不变,但月人均使用次数逐渐增加。由于多数音乐APP是设计成后台运行的,使用次数更能反映出用户的使用粘性。

(7)人均访问时长

人均访问时长是指在一段统计时间内,浏览某个页面或整个网站时用户所逗留的总时间与该页面或整个网站的访问次数的比例。

举个例子:

网页总的PV是1000次,而该网页全部用户的访问时长是3000秒,则该网页的人均访问时长是3000s/1000pv=3秒/次。

人均访问时长并不能单纯地根据时间长短来判断产品内容或体验的优劣,更应该结合其他数据来综合判断,比如学习类产品的平均访问时长越长,则说明产品的内容越能得到用户认可;而工具类产品平均访问时长越长,则说明产品的效率越低。

下面是一些关于销量、金额之类的数据指标,设计师简单理解即可。

(8)总成交(Gross Merchandise Volume ,简称GMV)

总成交是各大电商用来衡量产品总成交金额的一项重要指标!包含但不仅限于所下单的订单金额,有已付款、未付款、取消订单和退货等,一般来说只要是生成了订单编号,那么就会被计算进GMV中。

2019年天猫双十一当天1分36秒的GMV

会发现,GMV还包含了未付款、取消、退货等指标,所以GMV的金额肯定会大于实际的销售金额。那么为什么各大电商还是要对外宣布今年双十一GMV突破xxx亿呢?这是因为GMV可以直观地衡量出该平台的用户规模和消费能力,是对外宣传的一个光彩门面,主要目的是为了彰显平台的价值和体量。

(9)支付UV(Pay UV)

根据前文所知,UV是指真实的访问量,那么相对的支付UV就是真实的支付量,是不包含未付款、退款、取消订单的人数的。(注意,支付UV指代的是人数,而GMV是指代金额)

(10)人均客单价(Average Revenue Per User,简称ARPU)

人均客单价是平台用来测量每个最终消费用户的一个指标。计算公式是:

人均客单价=GMV/支付UV

该公式的分母除了支付UV外,还可以选择平均在线用户数、活跃用户等数据。具体的选择需要根据产品需要而定。

ARPU的值越大,说明单用户所贡献的金额就越大,可以直观反映该业务在近期处于上升阶段。该数值对于奢侈品行业是一项重要的衡量指标!毕竟奢侈品不冲量,赚的是单份的钱——消费数量虽然不多,但是个体用户的消费能力却极为强大。

不过,ARPU并不能衡量企业的盈利情况,毕竟消费行业的最终利润是要和成本挂钩,尤其是边际成本的计算。

(11)复购率(Repurchase Rate)

复购其实就是日常所说的“回头客”,是指消费者对该产品或者服务的重复购买次数占全体购买的百分比。重复购买率越高,说明消费者对产品的忠诚度就越高,反之则越低。

复购率有两种计算方法:

  • 一种是单纯地计算进行重复购买的消费者,比如以独立账号为单位,总共有100个消费者对产品A进行过初次购买。其中有70个用户产生了重复购买,那么复购率就是70%。
  • 另一种则是按照交易的次数计算,比如总数是100人,其中在一个月内有70人进行了第二购买,这70人中又有20人进行了三次购买,那么复购率就是90%。

对比两种方法,第一种方法的数据会更加真实可靠;而第二种方法计算出来的数据则是针对总数的一种参考值,如果作为分析指标来看,价值不会像前者那么大。推荐设计师采取第一种发方法进行分析和评估。

这么多数据综合看下来会发现,有些数据和设计的关联度微乎其微,甚至都无关联。比如DNU、DAU,往往是由推广和运营而导致的数据波动,这些数据指标往往和内容及产品本身的服务质量呈正向联系,设计很难在其中发挥大的价值。除非设计参与到内容运营层面(比如电商设计),否则很难利用这些数据指标来衡量设计所产生的价值。

因此,涉及到数据的问题,尤其是众多数据,设计师自己要梳理清楚其中的利害关系,要多多关注设计能够产生重大影响的数据指标上,把重心花在设计需要产生价值的地方,而不是舍本逐末,捡了芝麻丢了西瓜。当然,笔者这句话也不是在倡导大家不要关注小指标,只是重心倚重不同罢了。

还有一些像CPA、CPS、CPC、CPM等等都是涉及到金钱、业务和商业的复杂数据,这些数据对于设计师而言了解即可。如果想往管理层发展的读者建议可以自行扩展了解,本书不做过多赘述。

三、数据来源

介绍了这么多数据项,那么这些数据的具体来源又有哪些(渠道)呢?

下面笔者将各个渠道大致分成了三类来源:行业洞察、后台日志和调研数据。

1. 行业洞察

行业洞察一般是经过专业数据分析公司过滤过的信息。这些公司会通过某些渠道获得某款产品或该领域的详细数据,然后他们内部会先自行消化一遍。最终通过这些消化后的信息进行分析和重新编译,产出有价值、可供市场借鉴参考的行业趋势报告。

各大数据分析公司对当下市场某些趋势的数据分析和判断报告

在这些报告中,也许某些敏感数据会被处理或抹除,但对于设计师所需要的数据而言,报告中的部分数据依然能够提供给设计师更专业和独特的分析参考,并为方案的下一步迭代和优化提供方向。同时也因为是行业报告,可以为设计师对产品的体验设计方案作出重要的趋势分析和把控。

这些行业报告不仅可以作为设计的数据支撑,同样还可以作为产品的竞品存在。比如某公司正在开发的一款短视频软件,数据公司A正好“出炉”了一份关于抖音短视频的数据分析报告,那么此份报告就可以作为竞品分析的依据存在,帮助该公司了解市场环境,辅助找准产品定位,借此制定差异化策略或其它策略。

市面上比较知名的数据报告企业有百度指数、企鹅智酷、艾瑞咨询等,设计师可以利用闲暇时间多多关注这些公司公布的部分报告,提升对行业的了解程度。

2. 后台日志

后台日志一般都是提前部署好“埋点”才会产生相应的数据。关于后台日志和埋点,简单理解其实就像是商场监控一样,比如:

你在商场某服装店偷了一件衣服,而且还没被抓到(但摄像头捕捉到了)。那么当店员在对销售数据进行复盘的时候发现少了一件,这个时候一翻监控就能轻松地获取到关于“是谁偷了这件衣服”的行为和结果。

这就是“后台日志”,它需要“监控”和“提前埋伏好”才能捕捉到相应的数据,算是一种“隐藏式”的数据获取渠道。

后台数据

至于埋点要埋在哪里,一般会由产品和运营去规划,然后交代给开发来执行。当然设计师也可以根据需要向产品或是开发提出埋点需求。

埋点埋好了,接下去就是谁能获取这些数据的权限问题。一般来说,一款产品的数据都掌握在利益相关者手中,尤其是小公司,产品数据可以直接看出产品命脉,肯定不会轻易透露给不相关或是底层的基础员工。当然,如果你是有能力的设计师或者你尝试采用某些方式说服老板也是可以获得对方案有价值的数据指标的。

不过有些数据并不掌握在利益相关者,甚至连老板都无权过问,比如外包公司。外包公司的数据一般都是在业务方手中,而设计师身为外包人员肯定是无权过问业务方数据的。这个时候就需要设计师发挥职业素养,利用职场技能和沟通技巧与业务方建立良好的合作和信赖关系,相信只要你有能力,是一位有价值的设计师,业务方一般都会将需要的数据提供给你。

3. 调研数据

在所有调研活动中,最常用的获取媒介就是问卷调研,比如通过满意度调研、评分问卷等方式,然后再配合某些计算模型和方法,计算得出有价值的数据指标,比如NPS净推荐值。

调研数据和后台日志不同,调研数据更多的是存在于外部,比如用户本身。说得再直白点,调研数据大部分获取的都是定性数据,至于详细的PV、UV、GMV这些功能型指标和业务型指标,依然需要借助后台日志去获取。所以,一般来说调研数据只是配合这些内部数据进行论证的一种方式,是一种证伪的价值。

四、产品生命周期

如此多的数据又该如何应用呢?或者说该怎么配合PM来赋能产品呢?根据前文我们知道,数据是可以直观体现产品命脉的,所以数据最好还是配合产品不同的生命周期使用,才能让数据发挥最大效益。

根据产品生命周期理论,即PLC(product life cycle)指出,产品生命周期大致可以分为引入期、成长期、成熟期和衰退期。不同的生命周期所关注的权重数据占比会有所不同。

产品生命周期理论最早是由美国哈弗大学教授雷蒙德·弗农(raymond vernon)在1966年的《产品周期中的国际投资与国际贸易》一文中首次提出的。

1. 引入期

顾名思义,引入就是引入用户的时期,也就是常说的产品初创期。如果与人类生命周期相比,引入期算是新生儿时期。

产品初创期的重点在于验证产品目标和价值是否与市面上大众用户所需要的价值相匹配,说白了就是验证产品所提供的服务是不是可以为特定用户解决特定问题。所以,初创期的做法更多的是围绕验证假设而展开,而不是围绕数据而展开。

因此,各种市场分析和用户调研的手段,比如定性和定量的研究、对用户行为态度的掌握等是初创期最需要关注的重点,数据在这个阶段的价值退居次要位置。

那初创期是不是就应该闭门造车,就像造火箭一样,待完成的那一刻才是一飞冲天的光辉时刻呢?并不是。尤其是互联网产品并不适用这种一飞冲天的模式,更应该去尝试“小步快跑,快速迭代”的研发模式,即快速验证痛点和需求的方法,该方法被称为MVP(Miumum Viable Product),是由埃里克.莱斯( Eric Ries )在《精益创业》一书中关于精益创业的核心理念和思想衍生而来。详细具体的MVP方法在本书的7.2.6-精益设计一节中会提到,这里不作过多阐述。

下面将以抖音App作为产品生命周期案例来详细讲解四个时期的抖音分别是如何“成长”的。尤其会讲述在这四个时期中,抖音都是重点关注哪些数据指标的:

2015年前后,短视频在国内已经具备了比较成熟的市场,像快手、秒拍等产品已经成功培养出了用户的体验模式和操作习惯。而抖音就是在这个时期介入的短视频领域。

它只需要分析市场环境,然后结合产品自身特点作出针对性的产品定位策略,就可以轻松地锁定目标用户,抓住其特点和需求,然后引入一部分的种子用户来探索和打磨产品,寻求发展机遇。

短视频市场在不同时期,不同产品的入局时间线

到了2016年9月26日,A.me正式上线(2016年12月22日,A.me更名为抖音短视频),同时也是抖音正式加入短视频争夺战的日子。这个时期的抖音正处于产品的引入期,是对市场需求、价值和方向探索的时期,需要一步步地验证用户需求和产品价值,借此来保全自身能在洪流中稳健成长。

在这个阶段,抖音的市场整体影响力和营销传播暂时可以忽略不计,所有的资源都是为了下一步的成长期做“起跳准备”。

核心功能:打磨基本的视频拍摄功能,定义产品基调;为了考虑后续的市场推广,抖音也开始探索社交渠道的扩展,支持查找通讯录、邀请QQ和微博的功能。不过相对来说,在引入期就开始考虑社交化不免有点为时过早,风险有点大。

引入期,数据起止时间:2016年9月27日~2017年4月01日

总的来说,产品处在引入期更重要的是“精心呵护”产品的各项功能,而不是去分析数据“拔苗助长”,更应该沉淀下来安心做好产品,全心全意为用户服务才是重中之重。

2. 成长期

如果与人类生命周期相比,成长期算是青少年时期,正是青春洋溢、意气风发的时期。

产品经过了引入期的沉淀,对核心功能和场景已经有了相对完善的体系,此时产品开始进入了一个自发成长的阶段。为了让产品拥有更大的用户体量,相关的团队需要开始进行主动推广和传播,即拉新和留存等活动。所以在这个时期,产品重点关注的数据也应该放在拉新和留存上(产品的研发同步继续)。

该阶段是抖音开始对市场进行大幅度推广和传播的阶段。因为产品已经具备了基本的核心功能,已经完全有能力面对广大市场用户的需求了,所以这个时期也是营销和研发团队“双管齐下”的时期。

从2017年五月开始,营销团队不断发力,在短短半年不到的时间,用户量激增了十倍以上!抖音开始像火箭发生一样完全暴露在了大众的视野中,也同时奠定了短视频行业“大佬”的位置。

成长期,数据起止时间:2016年9月27日~2018年1月05日

在这个阶段,对于营销团队而言要重点关注推广数据,如PV、UV、新增用户、活跃用户和留存率等。同时还要关注新老用户对产品的满意度和推荐值等数据,这些数据可以有效传递市场用户不同的情绪和态度,可以为产品后续的研发做出方向上的优化和迭代参考。

至于研发,则需要关注CTR、CVR、跳出率和留存率等数据指标,即对这些新用户的承接能力强弱是需要通过这些数据指标来判断的。

和上述单独描述数据指标有所不同,在这个时期要对各项数据进行综合交叉监测,也就是说要站在全局视角来看待数据,不能孤立,也不能主观。因为不同的数据指向的目标不同,影响的结果也不一致,数据之间甚至有可能还会形成交叉影响,这就要求数据分析师或设计师掌握对多项数据进行并行追踪和分析的能力。

当然,完成承接是设计师最基础的能力体现,如果能够做到进一步提升目标用户在核心场景的承接率,比如人均启动次数的频率、人均访问时长的长度那肯定是再优秀不过了。

核心功能:改进“新鲜”模块,更名为“附近”(这是抖音对社交化的进一步探索);对滤镜和美颜技术的强化是抖音俘获用户芳心的利器之一;同时“视频原声支持他人使用”的功能是抖音在市场推广上的另一大利器。

借助此阶段高速增长的暴利,同时也为了让产品的价值更广、体量更大,抖音也开始了商业化道路的探索。

3. 成熟期

一款产品的青少年期总归有限,他迟早有一天会长大成人,步入社会,历经社会的各种磨难。这个时候产品的各项生命指标就会开始出现问题,就像青少年身体随着年龄增长会迈入壮年一样,身体是会出现大大小小的毛病。

这时候,产品就进入了成熟期。虽说产品迈入成熟期,但上一时期的拉新、获客行为依然会持续下去,并且还会伴随一些复杂的商业化行为,

在这个阶段,部分老用户会开始流失,产品的部分数据会开始出现下滑趋势。所以对这些流失数据,设计师就需要配合相关部门采取相应的措施来进行回流或减缓数据流失的速度,比如游戏领域的“老玩家回归”就是回流的典型案例。

王者荣耀的老玩家回归活动

除了回流这些基础的拉新留存行为外,还要考虑到用户价值大小的问题(这是产品在成熟期需要重视的问题)。产品要开始有选择地进行“保大保小”的决策,尽量提升那些已有用户群中高估值的用户,比如付费用户、忠实用户等,而对于那些低估值的用户就要适当减少精力付出,尽量把力量往一个地方使。

正因为有了这样一个市场趋势,各大电商平台开始陆续推出配套的会员店来进一步挖掘高估值用户的价值。当然,这也不是说要抛弃原先的核心产品以及核心场景,不能“有了新欢就忘了旧爱”。

在这个阶段,设计师的工作可能就不是大幅度地改变产品,更多的工作会围绕单个模块或核心任务流程进行优化。当然也可以将用户群体进行细分,在细分场景下做足功夫实现“精细化设计”。至于如何优化和迭代,实现精细化设计,就需要借助各项数据来支撑迭代的理由,这样设计师才能借助数据把握方向,实现设计价值。

2018年初,直播领域开始盛行,抖音为了扩大市场影响力,上线了“线上直播”功能,同时还推出了答题类的“百万英雄”和“原创音乐人”活动等,这近一步降低了抖音的获客成本。并且配合春节的红包热潮,通过老拉新、抢红包的营销策略对已经流失的用户进行回流营销。再加上产品本身的品牌效应和口碑,这一系列的动作都在不断地巩固抖音在市场中的地位。

成熟期,数据起止时间:2016年9月27日~2018年5月09日

借助国内市场的热度和前期的原始积累,抖音开始迈出了国际化品牌的第一步——TikTok就此诞生。

核心功能:上线直播功能(为后来的直播带货做准备);支持地理位置分享功能,让社交得到进一步场景落地;通过推广各项运营活动来增强品牌影响力和回流老用户;上线原创音乐人,不断完善“视频原声支持他人使用的功能”,同时也减少了音乐版权纠纷问题,增强用户新鲜感。

4. 衰退期

“人终有一死”,这句话放在产品上也是贴切的。如果与人类生命周期相比,衰退期算是年迈时期。

不过,一款成熟的产品想要衰退也不是件易事,毕竟原始的积累是巨大的,就像成功人士就算退休了依然手握众多资源,同样也比新生儿和青少年要强悍。俗话说得好:瘦死的骆驼比马大就是这个道理!

不过也有一些特例,像人人网、虎扑、蘑菇街这些产品就是随着时间推移和时代发展,同时再加上企业本身所固有的问题,开始逐渐淡出了大众的视线。

这些产品的没落,相信企业内部的问题固然重要,但核心的问题还是受到了市场冲击——用户被其它更好用的产品所吸引。在这个阶段,产品想要谋求发展就必须改变相应的策略和定位,尝试通过不同的角度去扩展产品边界,寻求新的发展机遇和产品的第二生命曲线,比如抖音都在海外市场创造了TikTok作为第二生命曲线。

抖音自2016年9月上线以来,截止目前五年多的时间,就已经长期霸占着国内App Store“摄影与录像类”应排名第一的宝座。同时也在不断地突破日活和日均播放量的前高,朝着更崭新的市场发展。而且还衍生了更多的第二生命曲线,比如TikTok、剪映等产品。

就目前来看,抖音还是一个朝气蓬勃的“壮年”,依然老当益彰,完全没有衰退没落的影子。

全局地看这四个时期,不同的时期设计师不仅要根据不同的数据进行针对性优化,还要配合相应的定位策略和市场战略来辅助产品打赢这场长期的攻坚战。像最后的衰退期,不就可以借助本书定位一节介绍的内容,让产品重新定位,制定不同的策略来寻求新的发展吗?

撇开商业不谈,反观设计师的内卷。随着行业的发展,单纯的用户体验设计师会被后来者逐渐居上,内卷现象只会越来越严重,因此当代设计师需要具备的职业素养和职业技能只会越来越多,单纯的设计执行已经无法满足企业日益复杂的工作需要。

尤其是在互联网时代背景下,数据信息的碎片化和多元化,导致很多人都是在被动地接受信息。设计师只有主动去争取有价值、有需要的数据,同时掌握挖掘和分析数据的技能,才能将自身的能力发挥出来,为产品的价值落地铺路。

 

作者:大圣;公众号:叨叨的设计足迹

本文由 @大圣 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自unsplash,基于 CC0 协议

文章来源于互联网:干货:常见数据指标的内在联系和应用【入门篇】(配抖音案例解析),如有侵权,请邮件联系我们附上版权证明,我们将在24小时内处理!

© 版权声明
THE END
喜欢就支持一下吧
点赞0 分享
评论 抢沙发

请登录后发表评论

    请登录后查看评论内容