看到這個題目，也許很多設計師會感到眼前一黑…… 筆者也不希望各位是被老闆們強制要求數據化考核，才來這裏尋找答案的。如果你是基層的設計師和設計主管，本文內容應該可以給你帶來很多啟發；如果你是數十名設計師的主管，並且可以調動更多開發、算法、運營等資源，那麼你可能更應該做的無疑是自主發起業務型產品的創建，並直接獲取業務結果。

好了，言歸正傳。

讓數據的分析和驗證貫穿於整個體驗設計工作過程，可以促進設計師客觀地洞察用戶的行為和需求，全面地審視用戶體驗和業務價值的關係，從而用更加嚴謹的設計方案、推進方案、驗證結果、迭代優化，最終更好地造福用戶、服務公司。

範圍

• 數據驗證主要針對設計工作能起到重要作用的產品/項目。例如有些技術類項目，比如通過算法優化提升推薦精度，如果相關界面的調整較少，並且是同步上線，這種情況下設計能起到的作用就很有限，可以不做設計的數據驗證。
• 對於品牌設計和處在實驗/孵化階段的創新性項目，不適合採用數據來度量。
• 數據只是分析驗證設計結果的工具之一，可以結合其它方法同步進行，核心目的都是為了不斷提升用戶體驗。

流程

設計的數據驗證並不應該僅僅在研發階段進行數據埋點、在項目收尾時回收查看一下數據即可，而是要將數據的收集、整理、分析和運用貫穿於整個項目流程和設計過程，與產品迭代同步，讓數據助力用戶體驗的進化。

1. 項目規劃階段

設計師要在此階段就着手匯總和分析相關歷史數據，如果現有數據不足以輔助當前設計判斷、不足以對比驗證後續設計結果，需要在這個階段進行快速的定性/定量調研。如果設計師的工作與項目其他角色關係綁定得比較緊密，應預先在規劃階段與關鍵角色（通常是產品經理、項目經理、運營）溝通，針對數據指標達成共識。

2. 設計階段

設計師要將產品的用戶體驗目標和公司的業務目標有機結合，而不是只考慮用戶的痛點和需求、忽略業務訴求，在此基礎上，結合前期匯總的數據推導出的設計判斷，產出完整的設計方案。

3. 開發落地階段

跟據資源情況（包括開發、時間成本），推進設計方案落地；如果上一步產出的整體方案能夠全部落地最好，如果受業務優先級和資源所限，就要因地制宜，將方案拆解開、按重要性逐步落地；同時要在開發階段及時給出具體數據埋點需求、跟進埋點。

4. 產品上線階段

及時整理分析數據，驗證設計結果；同時思考優化空間和具體方案，為項目下一期方案的快速產出和推進做準備。

以我們公司內部的研發效能工具首頁改版為例：

設計團隊首先收集首頁的熱力圖數據、對用戶進行問卷調研，然後跟據這些數據分析用戶需求和使用習慣；

因為該產品 面向集團所有崗位，所以設計師邀請了 PD、開發、設計師、前端各崗位的員工和管理者進行焦點小組和共建設計，輔助確定新首頁包含的模塊、產出方案；

開發過程中，設計與前端溝通對新版進行埋點；

新版上線一段時間后，回收埋點數據並進行新的一輪的問卷投放，然後對比數據結果：用戶對新增模塊的滿意度高於舊模塊的滿意度，刪除某些模塊后並未引起用戶反彈，新增的模塊點擊量和點擊率非常理想，新版首頁的訪問量和訪問率有明顯提升。但新增的項目卡片的篩選和排序規則存在較多爭議，後續進行了多輪優化。

注：因為本產品的用戶量較大、用戶群穩定，點擊熱力圖的結果也很穩定，且 CNZZ 不支持多日的匯總熱力圖，因此這裏取了某天的熱力圖。

通用模型和指標

這裏介紹業內通用的數據模型和指標供參考。

結合產品階段和項目情況，通過數據模型來選取考量維度和具體指標，可以確保數據更加專業、全面。在實踐中，可採用業界通用的模型，也可以跟據自身業務的特點，針對性地創建新的數據模型。如果項目規模小、周期短，度量的數據維度通常會比較單一，可以不進行多維度量。

1. HEART模型

來自 Google 的 HEART 模型是設計驗證中最通用的模型，包含五個維度：

愉悅度的數據通常通過問卷調研、輿情分析的方式獲得，其它維度的數據通常需要做數據埋點。另外相關答疑數量、專家走查結果、啟發性評估量表等介於定性定量之間的數據也可以納入參考和驗證。

在實踐中，要跟據業務的具體情況選取，不需要強制 5 個維度全部採用。

例如下錶中，上下兩個項目分別採用了 H、E、A、R、T 和 H、E、A、R 的維度進行結果考核，同時增加了「頁面設計品質得分」的新維度，通過專家評分獲取：

2. AARRR 和 RARRA 模型

AARRR 漏斗模型包含了用戶進入商業平台會經歷的五個環節：

例如文檔工具語雀的數據大盤包含了全部用戶和新用戶的留存數據表，但「新用戶」的定義是首次訪問的用戶而非新註冊的用戶：

AARRR 漏斗模型的五個環節的排序是從用戶從傳統的認知到轉化的時間維度排序的，但從營銷成本和增長策略的角度，留住和盤活現有用戶，比用戶拉新更加重要、ROI 也更高，因此從重要性和優先級的角度衍生出了 RARRA 模型。兩個模型本質上都是圍繞增長的五個環節，這五個方面存在着彼此循環、彼此成就的關係，重視留存並不表示從此放棄變現和拉新，關鍵是跟據實際的產品階段、數據現狀、資源成本，明確工作的重心。

因為涉及商業產品的變現和傳播，這兩個模型涵蓋的崗位角色和數據範圍更廣，其中渠道環節與 BD、運營的工作十分密切，傳播環節與運營、創意設計工作息息相關。體驗設計師的工作主要涉及用戶行為相關數據指標，同時應該加強對於商業邏輯的理解和相關數據的分析，以更好地通過設計輔助產品實現增長。

3. TECH模型

TECH 模型是螞蟻金融科技-體驗技術部為企業級產品設計的體驗度量體系。

TECH 模型衍生自經典的 HEART 模型。對於企業級產品、特別是工具型產品來說，產品的選擇通常由企業/組織的管理層統一決定，而非具體的產品使用者，因此接受度、留存率往往不能客觀衡量這些產品的體驗質量；同時，企業產品通常專業性非常強，為實現提升效率這一核心目標，產品體驗的清晰度至關重要。因此，在 HEART 模型的基礎上去掉了A（接受度）、R（留存率），新增了C（Clarity，清晰度）指標，誕生了 TECH 模型：

4. GSM 模型

如何從數據維度和設計目標推導出具體的數據指標？如果缺少這方面的經驗和思路，可以將維度與 GSM（目標—表現—指標）結合，通過系統的思考過程來篩選合理的數據指標。下錶是一些 HEART 與 GSM 結合的簡單舉例，具體的 GSM 要跟據實際產品和項目情況而定。

5. 數據維度選擇表

下錶幫助你跟據產品的類型和成長階段選擇適合的數據維度，總體分為用戶行為、心理感受兩大類數據類型，其中「清晰度」即用戶對產品的快速認知和理解的程度。

數據相關的工作必須經過思考，蘇格拉底曾經說過：「未經審視的人生不值得一過。」同樣，未經審視的數據經不起推敲。下圖提供的是可選維度和指標，具體取用哪些，需要分析產品和項目的自身情況、以及設計的具體目標和方案。

6. 數據指標縮寫表

閱讀文章 >>

7. 應用舉例：B 類產品增長數據

為輔助設計師展開增長設計實踐，筆者根據上面介紹的通過模型和指標，針對 B 類產品的業務場景，擬定了 RARRA 模型各維度的核心數據指標。項目實踐中，具體指標要跟據產品和項目的設計目標做取捨，可以同時結合上面介紹的 GSM 模型來進一步拆解。

增長設計中數據獲取的難點：初創期的產品度過最初 0 到 1 的階段之後，會存在很多可能性，增長實驗空間較大，但用戶基數少、缺少健全的數據埋點，往往需要通過少量用戶的訪談和測試獲得數據；成熟期的產品、特別是成熟的商業化產品，各維度的數據比較全面，但增長空間和機會很有限，需要不斷從細節或細分領域挖掘。

8. 注意事項

關於數據指標的選擇和運用，需要注意以下兩點：

跟據設計目標推導具體指標的過程中，需要充分考慮客觀情況。

比如「診斷工具」項目中，設計方目標是幫助用戶快速發現功能、查看診斷結果，並建立使用習慣，因此打開率可以作為考核指標；但是用戶打開之後是否採納並不是設計的主要目標，因為這在很大程度上取決於算法精度。如果診斷結果採納后的操作流程非常繁瑣，設計師可以將「讓用戶高效完成操作」作為目標，進而將流程完成度、完成時間納入設計驗證指標。

其它因素的客觀分析。

一個產品的上線，離不開產品經理、設計、運營、前端、開發、算法、測試等各個角色的共同協作，因此即便我們選擇了設計工作影響最大的數據指標來驗證結果，也不能完全排除其他角色的因素。所以設計師需要客觀分析其它因素的影響、解析這些因素所佔的影響比重，而不是大包大攬把所有功勞都算到自己名下。

舉個簡單的例子，設計師準備通過部分界面的改版提高某個模塊的使用率，改版如果選在運營比較平穩的階段上線，獲得的結果中設計占的影響必然比較大，反之如果選在運營進行推廣活動的階段上線，就較難區分結果中設計和運營的影響比例。

數據陷阱

數據分析一旦運用自如之後，更要注意不能自作聰明，切忌拿一些缺乏說服力的數據忽悠同事，這樣只能適得其反。容易出現陷阱包括：

1. 不客觀、不全面

在設計中納入數據分析和驗證，目的是為了讓設計師能深入思考業務和用戶體驗的關係、客觀地驗證設計效果，因此採用的數據本身必須客觀、全面。

舉個例子，某設計師說，我改進了某產品的某功能的體驗，但是我這個產品的用戶基數較小，使用某功能的頻率也有限，設計優化之後，因為基數不大，每天的結果數據波動很大，所以我隨機抽取改進前的某天和改進后的某天的數據進行對比，作為驗證結果的依據。面對這樣的闡述，有人相信他真的是「隨機」抽取某天的數據嗎？即便真的是隨機抽取，同樣沒有說服力。如果因為隨機性較強造成每日數據波動大，可以採用 30 日的平均數，做前後對比。

2. 自說自話

就是自己又是運動員、又是裁判，什麼都是自己說了算。舉個例子，某設計師設計了某個新功能並推進上線，之後評測同事的評測結果是有 35% 的用戶採用了新功能之後，效果有提高…… 也就是 65% 的用戶用了新功能之後效果或者不變、或者反而下降了。這個時候設計師回答得非常巧妙—— 我的目標不是提升數據，而是保證一定的使用率。如果公司的盈利就是來自用戶效果，那麼這位設計師的新產品難道不是適得其反了嗎？

所以，需要如前所述，在項目規劃階段就要和合作方就數據指標達成一致。

3. 忽視客觀條件

舉個例子，某產品在上線了設計師發起和設計的新功能之後，新功能使用量與日俱增，使用率屢創新高（具體數據暫不列出），說明設計師為業務創造了重大價值。這種表述方式在項目戰報中經常出現，它們通常會有意無意的忽略一個客觀條件，就是業務自身的發展情況。在這個案例中，之所以使用量和使用率大大提高，一個客觀條件是此產品正處在新用戶激增的過程中，造成新功能的數據水漲船高，同時運營針對新用戶推廣新功能的工作也起到了重要作用。

再舉個真實案例，某同事為了驗證全行業營銷推廣平台中自動化推廣（通過算法實現自動匹配等功能）的效果，註冊了新用戶之後，在一周之內，同時進行人工操作和自動化操作，結果是一周之後的推廣結果數據對比發現，自動化操作的效果確實高於他人工操作的效果，以此證明自動化是一個成功的功能。

這個案例的漏洞很多，最明顯的就是：這位同事人工操作水平如何？如果他是資深用戶，人工推廣不如自動推廣效果好，只可以部分證明自動化推廣在該行業中的價值（營銷推廣在行業間存在較大差異），但如果他本身就是個菜鳥，就是輸給了機器算法也無法證明什麼。

以上都是真實案例，現在解析起來似乎都是低級錯誤，但是彼時提出時未必會立刻發現問題所在。因此設計師需要在平時加強數據方面的實踐，提升專業性和敏感度。

總結

• 設計的數據分析驗證，不僅僅是在研發階段進行數據埋點、在項目收尾時回收查看即可，而是讓數據的收集、整理、分析和運用貫穿整個項目過程的始終，與產品一起不斷迭代進行。
• 用於驗證結果的數據指標一般不需太多，但前期用於理清情況、輔助判斷的數據往往要更多。
• 所有涉及數據的工作，都必須經過針對性的分析和思考，不存在「一招鮮吃遍天」，也不存在「即插即用」。本文能夠給大家指導和啟發，但不能代替大家思考和行動。
• 所有的數據都存在一定誤差，只有通過不斷自我拷問的數據，才能經得起別人的拷問。
• 數據指標的核心目的不應僅僅是考核工作結果，而是促進設計師深入洞察用戶行為和需求、全面審視業務價值和體驗設計的關係，從而更加客觀、實際、嚴謹地設計和推進方案，最終更好的造福用戶、服務公司。

未经-摩登3注册-摩登3测速官网-允许不得转载：摩登3注册-摩登3测速官网 » 無極5平台_如何用數據考核設計效果？來看阿里的實戰經驗（附獨家模型）