两万五千字！写给设计师的数据可视化指南
Posted UXJOB
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了两万五千字！写给设计师的数据可视化指南相关的知识，希望对你有一定的参考价值。
数据指标一直是未来互联网工作的利器，想要get这个技能，先从基础概念讲起。
很多设计师在刚入门的时候，对于设计的好坏只能从视觉方面去理解，而对现如今互联网环境下的 “数据驱动设计”的概念一无所知。
在真正的工作环境中，我们不仅仅只是把设计总监下放的任务完成即可。更多的时候，我们都需要与产品团队和运营扯需求、与开发谈指标、谈实现成本回报比等等，在这种场景下数据指标就更为常见。
如果我们对于数据指标没有概念，带来的影响不仅是大家想象的在工作中沟通困难、被团队隔离这么简单，而是在面试时被面试官一眼识破工作经验匮乏，从而被拒之门外。
关注数据指标，不仅仅是产品经理或运营的“专利”，作为交互和UI设计师也需要掌握这方面的技能，来帮助我们产出更贴近用户行为的设计。
同时，学会监测并分析数据，可以非常大的帮助设计师推动设计改版向正确的方向前进，也可以发现新的商业机会和产品爆发点，真正做到很多设计师期望的“由设计推动改版、设计助力产品拿结果”。
一、基本概念
想要了解数据指标有哪些，先要了解一些基本概念。
1. 数据指标
1）定义
数据指标是与产品相关的，对产品有参考价值的统计数据。
2）举例
比如对于一个酒店来说，今天酒店总计入住100人，那么100人就是酒店的一个维度的数据指标。统计方法如下：7月23日酒店入住人数：100人。
3）如何获得数据指标
对于互联网产品来说，想要获取一系列的数据指标不可能通过人工计算的方式，需要开发人员针对不同的数据在产品中进行数据埋点拦截数据，并由数据分析人员筛选加工，可视化呈现后才可以获得由参考价值的指标。
2. 数据埋点
1）定义
数据埋点是产品分析的一种常用的数据采集方法，它是一种良好的私有化部署数据采集方式。
2）如何进行数据埋点
数据埋点是互联网领域非常重要的数据获取手段。埋点采集信息的过程一般也称作日志采集。
通俗点讲，就是在APP或者WEB产品中植入一段代码，监控用户行为事件。
3）举例
在电商行业中，我们可以在一个商品的购买流程关键点（比如购买按钮的点击率）植入统计代码，从而采集得到一个商品的购买率。这就是通过数据埋点获取数据指标的过程。
4）数据埋点的应用场景
数据埋点的最后结果往往是驱动我们做出产品改版决策的重点。
比如，微信上线了“摇一摇”的新功能，此时就需要通过用户行为来验证该功能的效果如何：
“摇一摇”是否得到了用户的使用与认可？它的用户点击率和活跃度如何？
用户在使用“摇一摇”功能时，操作路径是否流畅？是否存在无效点击或者无法顺利完成操作流程？原因又是什么？
在“摇一摇”功能的推广期间，各个落地推广的渠道效果如何？（如：线下零售店的摇一摇赚红包）新用户的增长情况是怎样的？
这些数据，只有通过数据埋点，我们才可以获得。
5）注意事项
① 埋点前：埋点一定要在产品改版前就要布局好，比如需要采集的数据指标有哪些，维度有哪些，采集的开始截止时间，采集期间是否存在对采集结果有干扰的活动等等。
② 埋点时：由于埋点是产品经理和设计师布局，开发人员执行的过程。所以我们需要在与开发人员沟通埋点内容时，输出一份可视化文档给到开发人员（否则干凭嘴说，恐怕会被开发小哥哥打死）。
③ 埋点后：埋点后的主要工作就是进行数据可视化了，这部分后续我也会专门开专栏讲解，因为和我们今天讲解的内容无关，所以不再赘述。
总之，作为设计师的我们需要有“数据可视化”（即美化数据）的能力，否则怎么能称之为设计师呢？
二、常用的数据指标
对于英语不好的同学来说，学习指标最大的难点在于：一看到英文缩写就头疼。其实大家只需要记住相关的概念即可，英文缩写并不是为了难为人，而是在日常沟通和沟通文档中，英文缩写具有更快速的信息传递效率（当你一天要写100遍每日活跃用户时，你就知道为什么大家都愿意写DAU了）。
常用的数据指标汇总
1. 活跃用户
1）定义
在特定的周期内，成功启动过产品的用户，也可以是使用某个核心功能的用户数。具体如何统计可以根据产品需求自行定义。
2）重要性
活跃用户和新增用户并称为衡量产品用户规模的两个重要指标。活跃用户指标可以用来衡量产品使用的活跃度，方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。
如果只从一个指标来判断产品是否优秀的话，那就是活跃用户数。现今的流量大神微信日活可以达到10亿，当之无愧的流量之王。
当然这也不是绝对的，活跃用户数只代表产品的用户规模。像我们经常看到的页游，他们能够在市场里生存，靠的并不是大规模的用户基数，而是小规模高质量的付费用户。
换句话说，如果用户的*ARPU*（用户平均收入）非常高的话，那么日活将不再是该产品最核心的指标了。
3）二级维度
根据不同的分类方式，日活用户可以分为多种二级维度。
根据统计周期分类，可以分为：DAU / WAU/ MAU（日/周/月活跃用户数）；
根据方式分类，可以分为：主动活跃用户/ 被动活跃用户。
2. 三座大山：DAU / WAU/ MAU
1）定义
DAU：Daily Active User（日活跃用户数），即某个自然日内成功启动过应用的用户，该日内同一个设备多次启动只记一个活跃用户；
WAU：Weekly Active User（周活跃用户数），某个自然周内成功启动过应用的用户，该周内同一个设备多次启动只记一个活跃用户；
MAU：Monthly Active User（月活跃用户数），某个自然月内成功启动过应用的用户，该月内同一个设备多次启动只记一个活跃用户。
2）注意事项
① 去重统计
一个用户（一个IP）一天多次进入微信，则DAU只记录一次。
② 活跃的定义
不同产品对于活跃的定义不同，通用的准则是“启动产品”算作一次活跃用户。
有些产品会缩紧“活跃”的定义，即只有完整体验了产品核心功能的用户才计作一次活跃用户（例如用户打开了美图秀秀并完成了一次修图）。
具体的统计方式并不是随心而定，也不要墨守成规，而是要具体产品具体分析，才是对于数据指标的最大化利用。
③ 统计的权重
一般来说，互联网产品都要统计上述三种指标，但是往往根据产品的不同，数据指标的权重会有所不同。
社交类/新闻类APP/音乐类APP等往往会希望用户每天都打开并使用产品，其产品的KPI考核指标均为日活跃用户数。而对于某些低频需求的APP，例如旅游类APP/餐饮类APP等等，往往会关注月活跃用户数，甚至更长周期的活跃用户数。
3. 主动活跃用户/被动活跃用户
1）定义
主动活跃用户是指无需任何渠道推广指引，主动使用产品的活跃用户。
2）举例
第一天假设100人安装并打开了淘宝，第一天结束之后，有50人卸载了淘宝。第二天在剩余的50个用户中，有10人未打开淘宝使用任何功能；30人收到了淘宝的推送通知，其中20人打开了淘宝；剩余10人未通过任何指引，直接打开淘宝进行商品购买。
则第一天淘宝的主活为100，第二天主活为10（这部分用户也是价值最大的），被活为20。
4. 新增用户
1）定义
即安装应用后，首次成功启动产品的用户。
2）分类
同样类似“活跃用户”，按照统计周期不同可分为：
*DNU*：Daily New User（日新增用户数）；
*WNU*：Weekly New User（周新增用户数）；
*MNU*：Monthly New User（月新增用户数）。
3）重要性
新增用户量指标主要是衡量营销推广渠道效果的最基础指标。新增用户占活跃用户的比例也可以用来用于衡量产品健康程度（产品没有新增和活跃，就进入“绝症状态”）。
如果某产品新用户占比过高，那说明该产品的活跃是靠推广得来，这种情况非常有必要关注，尤其是新增用户的留存率情况。
4）注意事项
那么针对新增用户的定义，我们会有很多疑问出现，比如：
用户有两个手机，并且都安装了淘宝，那么对于淘宝究竟算作一个用户还是算作两个用户呢？
如果用户第一天安装了淘宝，第二天将其卸载，第三天又重新安装了，那么在第三天这个用户算不算一个新增用户呢？
其实回答这些问题很简单，只需要通过两点即可判断，“事实判断”与“技术判断”。
虽然事实判断是一个用户，但是由于技术上我们无法辨别是否两个手机是一个主人，所以可以当作两个用户来统计。
事实判断是一个用户，并且技术上可以实现统计，所以在第三天时，该用户不能被称之为新用户了。
今后我们遇到问题，只需要遵循这两个原则对统计结果优化即可。
5. 留存率
1）定义
互联网发展到今天，对于留存率都没有一个准确的概念。目前主流有两种说法：
某一统计周期内的新增用户数，经过一段时间后仍然使用产品的用户的比例【留存率=留存用户/ 新增用户 * 100% 】。
某一统计周期内的新增用户数，经过一段时间后仍然没有卸载的用户的比例。【留存率=（新增用户-卸载用户）/ 新增用户 *100%】。
两者之间的区别在于：有没有将“没有卸载但是也没有使用产品的用户”算作留存用户的一部分。
但实际上，第一种定义更加实用，因为“卸载率”这个数据是一个很难被量化统计的数据，以至于市面上主流的统计平台只有Google的Firebase统计平台才能获取，而在国内的Google服务是无法被使用的。
而定义1中的留存用户的概念，恰恰指的就是活跃用户，所以关于留存率的统计，直接可以通过“活跃用户/新增用户”即可得出结论。
2）重要性
留存率是验证用户粘性的关键指标，设计师通常可以利用留存率与竞品对标，衡量用户的粘性和忠诚度。对于一个版本相对成熟的产品，如果留存率有明显变化，那就说明用户质量有变化，很可能是因为推广渠道等因素所引起的。
同时，留存率也是产品改版的重要指标，产品体验越好，越符合用户需求，则留存率越高。若产品本身满足的是小众低频需求，留存率则选择双周甚至是30日进行监测。一般来说，留存率低于20%会是一个比较危险的信号。
3）分类
根据统计周期不同，可以主要分为三个二级指标：
次日留存率；
7日（周）留存率；
30日（月）留存率。
6. 次日留存率 / 7日留存率 / 30日留存率
1）次日留存率
即某一统计时段新增用户在第二天再次成功启动应用的比例。
如果次日留存率达到50%以上，说明这个产品已经是非常优秀了。如果次日留存率低，说明所针对的用户群对我们的产品不感兴趣。
2）7日（周）留存率
即某一统计时段新增用户在第7天再次成功启动该应用的比例。
这个时间段内，用户通常会经历一个完整的产品体验周期，如果这个阶段用户能够留下来继续使用，很有可能成为产品的忠实用户；7日（周）留存率低，说明我们产品的内容质量太差，用户过了新鲜劲儿之后便不愿再探索产品。
3）30日（月）留存率
即某一统计时段新增用户在第30天再次成功启动该应用的比例。
通常移动端产品的迭代周期为2~4周一个版本，所以月留存率能够反映出一个版本的用户留存情况。
一个版本的更新，或多或少会影响部分用户的体验，所以通过对比月留存率能判断出每个版本的更新对用户的影响面积，从而定位到类似问题进行优化。
30日留存率低，则证明产品版本迭代规划做得不好，功能更新、内容更新、BUG修复、性能等都做得比较差，此时需要重新规划迭代内容，不可一错再错。
4）举例
留存率一般周期为次日、7日、30日。但往往我们会将更多天数的留存率保留下来，制作成留存曲线或者是留存漏斗图表。
7日留存率的算法是：7日内再次访问的用户数/7日前当日访问过的新用户数，日时间节点为次日0点。
比如7月1日当日新用户为100人，7月2日-7月8日期间，这100位用户中有50位用户再次访问过产品，那么7日留存率为50%。
一般的留存分析表格如下所示：
7. ARPU
1）定义
Average Revenue Per User的简写，即每个用户平均收入。
2）计算方式
ARPU=总收入/用户数。
它注重的是一个时间段内产品从每个用户所得到的收入，衡量互联网公司业务收入的指标。
ARPU值高说明平均每个用户贡献的收入高，但无法反映利润情况，因为利润还需要考虑到成本。如果每用户的成本也很高，那么即使ARPU值很高，利润也未必高。
而用户数可以是总平均在线用户数、付费用户数或是活跃用户数，不同产品标准可能存在差异。ARPU注重特定时间段内从每个用户所得到的收入，衡量互联网公司业务收入的指标。
ARPU的高低没有绝对的好坏之分，分析的时候需要有一定的标准。ARPU值高说明平均每个用户贡献的收入高，这段时间业务在上升。
3）重要性
盈利是产品的最终目的，所以总收入、付费用户数、付费率、ARPU这四个指标经常用到。总收入、付费用户数反映的是收入和付费用户的规模；付费率、ARPU代表的是用户付费质量，反映的是用户付费的广度与深度。
8. 流失率
1）定义
指那些曾经使用过产品或服务，由于各种原因不再使用产品或服务的用户。流失率=某段时间内不再启动应用的用户/某段时间内总用户数。
2）注意事项
① 流失率也是一个有统计周期的数据指标，根据不同的产品，统计周期同样不同
对于社交类APP/ 新闻类APP / 音乐类APP 或者邮箱类的产品来说，可能用户未登录超过1个月，我们就可以认为用户可能已经流失了。
对于电商类或者工具类APP等低频需求的APP而言，可能3个月未登录或者半年内没有任何购买行为的用户可以被认定是流失用户。
所以不是每个产品都有固定的流失期限，而是根据产品属性而判断。
设计师的主要工作并不是通过产品迭代降低流失率，而是发现流失率中的异常数据，比如某一个改版后流失率偏离了正常区间，那么一定要顺藤摸瓜排查出原因，对产品进行迭代修改。
② 流失率高不等于改版的功能点用户不喜欢
相反，有时改版的功能点上线导致流失率高恰恰证明使用该功能的用户非常多，但是有可能功能流程中存在严重问题导致用户放弃使用产品，这时应该去排查问题而不是盲目撤下相关功能。
举例：假如某次改版上线了功能甲，导致用户的流失率急剧提升。下限功能甲后，流失率降低了，但是我们真的能斩钉截铁的说用户不喜欢功能甲吗？
如果是因为功能A的存在，导致了用户安装1小时之后会有极大的概率出现严重的bug，而用户实际上非常喜欢功能A，只是因为忍受不了这个bug而被迫进行卸载，那么这个时候仅仅通过长期卸载率是无法归结出正确的原因的。
所以，这个时候只盯着固定时刻的流失率，很容易导致我们的误判。如果这个时候能够结合着『流失曲线』去分析，就会避免这样的问题。
9. PV/UV/VV
又是3个会难倒英语不好的小伙伴的三座大山，尤其是三个数据指标长得非常的相似，导致即使记住了，如果不常用，也会导致很快忘记。但是没办法，有时我们在学习过程中确实没有捷径可以走，只能脚踏实地的学好每一个知识。
1）PV
即Page View，页面浏览量。用户对产品中的任意页面每一次的成功访问均被记录1次PV。用户对同一页面进行多次访问，则累计记录多次数据。在一定统计周期内用户每次刷新页面也会被记录为一次PV。
2）UV
使用独立用户作为统计量，可以更加精准的了解一个时间段内，实际上有多少个访问者来到了相应的页面。
3）展现UV
① 定义：运营活动/页面/功能曝光给的用户数量。
② 举例说明：用户进入到一个淘宝的爆款商品详情页，则算一个此详情页的展现UV，退出重新进来UV不累计。
4）点击UV
① 定义：有点击行为的用户数。
② 举例说明：淘宝的一款爆款商品详情页中，有10万人点击了购买按钮，则点击UV为10万。点击UV可以很好的反应一个交互元素的作用。
5）点击率
① 定义：用户的点击次数/ 交互元素所在页面的总用户数。
单独的统计点击UV看似没有太大用处，但是如果和展现UV结合起来，就可以统计出一个交互元素在页面中对于用户的吸引程度了。
② 举例说明：在淘宝的一款爆款商品详情页中，总计有100万人进入了这个页面，其中10万人点击了购买按钮，则点击率为10万/100万 = 10%。
6）VV
即Visit View，用户的访问次数。用以记录所有访客用户1天内访问了产品的页面多少次。当用户完成所有的浏览并最终关掉该产品的所有页面时便完成了一次访问，同一用户1天内可能有多次访问行为，访问次数累计。
7）PV/UV/VV三者应该如何区分呢？
比如你上午打开了淘宝，查看了两个商品详情。下午又打开了淘宝，查看了五个商品详情。则当日统计结果为：PV=5、UV=1、VV=2。
10. 一次性用户
1）定义
即首次使用产品后再未启动过产品的用户。
2）重要性
一次性用户是关键的营销指标，和判断无效用户的标准，从中把目标用户过滤出来。一般划定的界限是至少超过7天时间才能够定义是否是一次性用户。
11. 使用时长
1）定义
即统计时间段内，某个设备从启动应用到结束使用的总计时长。
2）分类
根据不同的维度可以分为多个二维数据指标：人均使用时长、单次使用时长。
3）人均使用时长
① 定义
即用户平均每天停留在产品的时间。
② 举例说明
拼多多 7月1日有100万个用户一共在拼多多上使用了200万个小时，则7月1日的人均使用时长为2小时。
③ 重要性
该数据是分析用户粘性的重要指标之一，也可以侧面反映出网站的用户体验。平均访问时长越短，说明网站对用户的吸引力越差，可用内容信息越少。
4）单次使用时长
① 定义
即用户平均每次打开并使用产品的时间。
② 举例说明
一位用户一天使用了5次拼多多，总计使用5小时，则可以说明，这个用户的单次使用时长为1小时。
③ 重要性
用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。
用户对产品的使用时长越高，说明对产品越依赖，商业化价值也越高。
12. 启动次数
1）定义
即统计周期内，用户打开应用的次数。
2）注意事项
用户主动关闭应用或应用进入后台超过30s，再返回或打开应用时，则统计为两次启动，启动次数主要看待频数分布情况。
13. 完成率
1）定义
完成的操作次数/开始操作的次数
2）举例说明
7月1日用户点击一款商品的购买按钮10万次，最终完成购买流程的有2万次，则完成率为 2/10= 20%
3）数据用途
用来衡量操作流程的顺畅度。
4）重要性
完成率是产品设计中最重要的指标之一，这完成率越高，说明产品的操作体验越好，这直接影响到用户体验。
14. 退出率
1）定义
针对产品内某一个特定的页面而言，退出率是衡量从这个页面退出产品APP的比例。
2）计算方式
页面的退出次数/页面浏览量（PV）
3）重要性
退出率反映了页面对用户的吸引力，如果退出百分比很高，说明用户仅浏览了少量的页面便离开了，因此需要改善产品的内容来吸引用户，解决用户的内容诉求。
15. 转化率
1）定义
在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。
2）计算方式
转化率=(转化次数/点击量)×100%。以用户登录行为举例，如果每100次访问中，有10个登录了产品，那么此产品的登录转化率就为10%，而最后有2个用户关注了商品，则关注转化率为2%，有一个用户产生订单并付费，则支付转化率为1%。
3）重要性
转化率是产品盈利的重要指标之一，它直接反映了产品的盈利能力。不同行业的转化率，关注点也不同，比如电商产品就要关注销售转化，看看参与活动的用户当中有多少是在活动后产生支付的，有需要的还可以根据数据分析出人均购买次数和购买金额。再比如我们所有产品都要监控的注册量，在运营活动中，我们就要看活动能给产品带来了多少新增用户。所以转化率可以针对性分析产品在哪些方面做的不足，可以快速定位到问题点。
4）转化率是采用独立访客数（UV）还是页面浏览量（PV）？
5）如何通过数据埋点助力产品改版？
说了这么多数据指标，但到底如何通过数据指标来指引改版进行呢？我曾经帮助过一款生鲜类产品通过数据分析改良了他们的筛选标签。
通过数据埋点发现之前的筛选标签中 “价格高到低”/“价格低到高”的使用频率极低。
对此我们重新分析了该产品的用户构成，发现用户对于价格标签并不敏感，他们往往更注重的是生鲜商品的品质与品牌类别的标签，有助于他们能买到更心仪的生鲜产品，享受到更好的服务。
所以我们将“价格高到低”与“价格低到高”放入了低频筛选的队列当初，不在页面最外层漏出，同时把一些商品品牌与类别的筛选标签替换到原来的位置。
最终的结果是很好的，用户对于四个筛选标签的点击率相对稳定并且相比之前提高很多，同时通过USPT用户耐性检索表可知，整个结果促进了用户的搜索跳转率，由之前的25秒搜索时间缩减到了18秒，提高了整体的搜索效率。
后记
随着互联网行业的发展，行业对我们设计师的要求只会越来越高，从近两年的交互设计师与用户体验设计师的岗位即可看出来。
所以，未来市场不会再需要底层的界面设计执行者了，更多的是将用户的体验与反馈的数据可视化，去指导表现层方面的内容。
作为设计师，要经受住时代的挑战，就需要我们去寻找自己的溢价点，去做一个懂产品的设计师。
以上是关于两万五千字！写给设计师的数据可视化指南的主要内容，如果未能解决你的问题，请参考以下文章