近几年随着互联网的衰退，各种各样的红利渐渐消失，企业的生存越来越难，行业对众多互联网职位的要求也越来越高，企业对设计师的要求也已经不再是会画图、会画线框这么简单了，现在和以后的互联网对从业人员的要求是具有多重能力的、有学习能力且能不断学习的综合性人才，不会学习、能力单一的职工终将被淘汰。

而对于一个交互设计师来说，具备设计思维、产品思维、增长思维、服务思维的综合人才才是未来的中流砥柱。今天所讲的数据思维是这里面的底层知识构建，也是交互设计师必须掌握的知识。

1. 如何构建设计师的数据体系？

设计师首先需要有自己获取数据的方式，在资源充足的大公司可以申请设计部自己的数据渠道，如果没有充足资源或者是刚起步的创业公司，设计师可以向产品经理或者数据部门提出自己的数据需求，所以不管哪种途径，想要使用数据，你必须明确自己的数据需求。如何制定自己的数据体系需求呢？

构建数据体系的关键过程：

（1） 明确总目标

（2） 根据总目标分解出假设

（3） 根据假设推导具体的数据指标

（4） 进行数据实验

首先明确总目标，你可以问你的老板明确他给你的年度总指标是什么，或者跟老板一起制定这个总目标，然后根据总目标分解出1级假设，假设指的是能让你达成这个目标的方向，根据1级假设分解成具体的数据指标，对这些数据指标进行优化和实验。

数据实验可以反向证明是不是假设成立了，如果假设成立了，那这条路就走对了，你就可以继续去优化这个方向。如果不对，那这个方向就错了，果断放弃，去探寻其他假设。

以出行产品为例，比如你老板给你的指标是“降低司机的成本”，这句话其实是一个不太明确的目标，因为里面有太多的不确定性，你可以跟老板共创，最后发现“降低司机的时间成本”是一个很好的目标。

明确这个目标后，进行分解，发现如果“提高发单效率”、“缩短接单时间”“缩短乘客响应时间”都有可能达成最终的目标。

以“提高发单效率”为例，可以分解为缩短发单时间、缩短发单步骤，那我们就可以将这些数据提给相关数据人员。

有了这些数据，我们就可以去做一些优化，再去看这几个相应的数据有没有发生变化，比如我们针对发单做了一些设计优化，减少了不必要的发单步骤，将用户使用率不高的步骤进行隐藏或作为选填，这样用户整体步骤和时间都减少了，如果优化上线之后发单数据真的变好了，那就证明我们的设计思路是对的，且设计方案是有收益的，证明了设计的价值。

2. 数据执行的基础方法？

上面的方法论中，我们推导出了数据指标，并针对这个部分进行了优化，那我们是如何进行数据实验的呢？

这里介绍一下最简单的变量测试的方法—单变量A/B测试，将最简单的两个或者多个变量作为两个实验方案A和B，两个方案同时上线，灰度的人群都是一样的，其他的元素也都是一样的，灰度后看最终的数据，哪个数据好则证明哪个方向是对的。

还有其他一些的方法，比如说多变量测试，由于比较复杂就不在这里就不展开了。

还是上面的例子，为了优化发单步骤，我们发现“备注”并不是所有人都需要填的一个步骤，这个步骤也不是业务上必须强调的东西，所以我们将备注作为附加步骤，但是这个附加步骤的形式采样怎样的组件呢？我们可以精选两个方案进行实验对比。

3. 常用数据科普

上面说了这么多，是比较目的导向的数据获取、使用、验证的过程，其实互联网产品有很多通用的数据，我们可以在平时观测这些数据发现一些方向和思路。 数据类型有很多，作为设计师，我们知道这些基本的就足够了。

PV（page view）：访问页面产生的数据。 一个用户访问了5个页面，那么就产生了5个 PV。

UV（user view）：某个特定页面的访客数。一个页面一个账号无论点进去几次，UV都是1，因为只有一个访客。

跳出率：页面停留访客有300人，但是有150人不喜欢这个页面，选择离开，那么跳出率就是50%（=150/300）

转化率：转化到最终产品目的页面的比率。如果是电商的话，最终目的就是下单，那么就是新增用户和转化到下单页面的用户的比率。以此类推，还有付费转率，注册转化率等等。

DAU(daily active user)：日活跃用户量。

MAU(monthly active user)：月活跃用户量。

以上就是设计师获取数据和使用数据的基本思路以及一些常用的数据，系统方法还需更细致的研究，但基本思路就是这样，希望数据能帮助你找到新的设计思路。