设计师为什么要懂数据
设计不同于艺术创作。工作中的设计都有一定的目的性，需要理性地分析得出解决方案。虽然数据不能完全地决定设计，也不是设计推导过程的唯一手段，但是数据分析可作为一项定量标准，可以辅助设计发现问题，提供解决问题的思路，支持设计方案的推导和决策，以及对方案的效果进行验证。从另一个角度来讲，从设计角度出发的体验需求，想要在团队推动，数据是一个客观又很具有说服力依据。所以作为一名交互设计师，要做出更好的设计方案，需要具备一定的数据分析能力。
查看数据的关键节点
设计前：定位设计目标时，可通过分析线上或往期活动数据，寻找问题和发现机会点；
设计中：设计具体方案时，可以参考相关模块的数据来辅助决定信息的优先级；同时该阶段也可设计建立新的埋点，做为设计验证的重要指标。
设计后：一般指的是方案上线后，需要时刻关注设计中埋点的数据指标，来验证本次方案效果，及时发现问题，并作为下一轮迭代的依据。
设计需了解的数据指标
这里推荐使用Google衡量用户体验的指标体系《Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications》。
常见的数据指标
点击率：点击率是指网站页面上某一内容被点击的次数与被访问的次数之比。反映了网页上某一内容的受关注度，经常用来衡量广告的吸引程度。
人均页面访问量：人均页面访问量是指平均每个独立访客访问页面的次数，即 PV/UV，用来评估网站的深度。如果是内容型网站，人均页面访问量越高，说明内容越有价值，对用户越有吸引。
转化率：转化率是指用户进行了相应目标行动的访问次数与总访问次数的比率。比如 100 次访问中，有 10 个登录网站，那么网站的登录转化率就为 10%。用来衡量流程页面的转化效能，是任务型产品的重要衡量指标。
跳失率：跳失率是指只访问了入口页面就离开的访问量与总访问量的百分比。反映产品是否有足够的吸引度吸引用户深入访问，是衡量网站内容质量的重要标准。
平均停留时长：平均停留时长是指浏览某一页面时，访客停留时长与页面独立访客数之比。在任务型产品中，停留时间越长表明信息架构越不清晰、效率低；而在内容型产品中，更长的停留时间表明内容对用户更具吸引力。
HEART指标
Happiness, Engagement, Adoption,Retention, and Task success.
设计师一般聚焦于用户体验质量的提升，因此需要满足用户体验相关的数据指标才能更好地完成设计目标。根据用户体验周期的 5 个阶段 (触达-行动-感知-回访-传播)，对应得出以下 5 个体验指标，简称「5度」指标。
吸引度指标：吸引度是指在操作前，产品能否吸引用户来使用、能否吸引用户产生相应的行为；相关的吸引度指标包括: 知晓率、到达率、点击率、退出率 等。
完成度指标：完成度是指在操作过程中，用户能否完成产品目标对应的操作，以及完成过程中的操作效率；相关完成度指标包括: 首次点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率 等。
满意度指标：满意度是指完成操作后，用户产生的主观感受和满意度；相关满意度指标包括: 操作难易度、布局合理度、界面美观度、内容易读性 等。
忠诚度指标：忠诚度是指完成一次使用后，用户会不会再次使用该产品；相关忠诚度指标包括: 30天/7天回访率、跨平台的使用重合率 等。
推荐度指标：推荐度是指用户能否将此产品推荐给其他人使用，数据指标主要为 净推荐值 (NPS)。
目标——信号——指标
GOALS – SIGNALS – METRICS
不管定义的用户中心的指标是怎样的，如果不能和目标明确的相关，以及能够跟踪达到目标的过程，那么都是白搭。Google提供了一个简单的流程来完成指标的设定，首先明确产品或者功能的目标，然后定义转化的信号，最终建立适用的指标。
目标
第一步是定义产品或功能的目标是什么，特别是在用户体验方面。用户需要完成什么任务？重新设计是试图达到什么？使用HEART体系来明确相关的目标（比如，是吸引新用户更重要，还是鼓励现有用户更积极参与重要？）一些有用的提示：
不同的团队成员可能对于项目的目标有不同的意见。这是收集不同的想法并且争取达成共识（并且认同选择的指标）的良机
特定项目或功能的成功可能与产品的整体目标不同
在这个阶段无需太担心找不到相关的信号或指标
信号
接下来，想想用户的行为或态度如何体现成功或失败。什么行动会表示目标已经达到？什么感受或看法能够联系到成功或失败？在这个阶段你应该思考你的这些信号的数据源可能是什么？比如，基于日志的行为信号，这些相关的行为目前有记录或者能够被记录吗？可以收集态度的信号——能否定期投放问卷吗？日志和问卷是我们最常使用的两个信号源，当然也有其它的选项（比如，使用一个面板或判断让用户评分）。一些有用的提示：
选择敏感度高以及和目标特别相关的信号——只因用户体验的好坏而改变，而非其他不相干的因素。
有时失败比成功更容易定义（比如，放弃任务、撤销，挫折）
指标
最后，想想这些信号是否可以转换为特定的指标，是否可以被方便的持续跟踪。一些有用的提示：
原始统计数据会随同你的用户基数增长而增长，需要转化为常态；比例、百分率或者每个用户的平均值更有用一些
在确保精度上有很多挑战，基于web日志的指标，如从自动生成的数据中过滤流量（如爬虫、垃圾信息），并且确保所有重要的用户行为都被日志记录（默认情况下可能不会，尤其是在基于AJAX或基于Flash的应用中）
如果需要拿你的项目或产品和其他的进行对比，你可能需要在标准指标外，额外增加监控指标来进一步更准确得监测产品。
数据来源
当明确以上体验评估方法后，我们需要有数据来源。这个来源通常可以通过线上的用户行为数据。因此需要我们在方案上线前，将需要评估的目标进行埋点，以备后续验证方案之用。
最后数据不是万能的：
数据在前期可以帮助我们挖掘用户需求；中期数据可以用来过滤产品功能；后期数据可以反应产品成败等。但是我们要时刻谨记，数据并不是万能的。尤其是单维度数据。因为通常情况下，数据展现的更多其实只是现象，但有些事情成因复杂，例如所包含的一些主观的感性的因素或社会文化背景等是很难量化的。
参考文献
谷歌用户体验指标衡量体系：https://ai.google/research/pubs/pub36299
