老实说，虽然从业也有一段时间了，我在设计工作中用到数据分析的情况却并不多，一方面之前一直呆在用户量级很小的 ToB 业务线，产品数据埋点各种缺失，且被业务认为价值不大而难以推动；另一方面即使能拿到一部分数据，也会因为基数小、波动大、太过笼统和单点等原因，而影响到实际的参考价值。所幸这一情况最近有了改观，我开始得到更多机会去获取自己想要的数据，但在过程中也多少犯过一些失误，借本文记录下来。

收集阶段小心假设

最近在读《智能时代》一书，书中有一段话让我颇有共鸣：

在收集数据时，我们还需要再一次强调它是在无意之间完成的。我们前面提到的关于央视收视率调查的例子就是一个很好的反例。在数据的收集过程中，非常忌讳那种「大胆假设，小心求证」的思维方式，因为在很多时候，如果事先有了定论，再找数据来证实它，总能找到有力的证据，而这些看似被数据证实的结论，很可能与真实情况相差十万八千里。

事实上，我之前有一次未能成功推动落地的设计提案，就是犯了典型的「大胆假设，小心求证」式错误，在一开始就预设了目标用户和使用场景，然后在做用户调研的过程中有意无意地只关注了能支撑自己观点的论据（后来发现调研的用户群体可能只是产品实际用户群体的一小部分，且满足他们的诉求对核心业务指标起不到明显促进作用），而没有结合整体的用户访问数据做系统分析，导致了方向上的偏颇。

了解 MVP 的人大都知道「假设-验证-迭代」这一流程，假设也是我们在产品设计前期经常会用到的，但假设不应该无凭无据（除非你对自己的商业直觉有着充分的信心），而应建立在一定的数据（定性/定量）输入基础上，在洞察（Insight）这个阶段，我们更应该做的是清空大脑接收多元信息，而不是被经验和偏见一再误导。

连贯而非单点

看数据只是一种手段，重要的是从中得出可以有效指导设计决策的结论，而单点的数据带来的帮助是有限的，连贯起来才能更好地深挖用户来龙去脉。

举个例子，最近做的某个项目里需要降低某页面的跳失率，一开始我们主要关注该页面的来访人群分布，以及每类人群的跳失率等，在不同人群的诉求差异很大的背景下，这些数据可以帮我们初步确定应该将哪一类人群作为核心目标用户展开设计，但却不能帮我们找到如何满足这类目标用户诉求的抓手。

为了找到抓手，我们需要从更细的角度切入，去了解分析每一类目标用户的具体来访场景（页面来源链接有哪些）、目标（来页面后点击哪些内容，直接跳失的有多少，为什么跳失）、诉求（从目标进一步推导）等，进而找到合适的解决方案。我们应该看的是用户完整行为路径各节点上的数据，而不是单点、分散的数据。

定性与定量结合

定量的数据并不是万能的，它可能受到很多非产品设计因素的影响，对于动辄千万、过亿 UV/DAU 的前台产品，只靠定量数据分析都可以得出很多有价值的结论，但对于一些用户量级非常有限的中后台产品，一些小小的风吹草动都会让定量数据产生巨大的波动（一个测试多点了几下，就有可能让产品 PV 瞬间暴涨），仅看定量数据，并不容易形成正确的判断，这一背景下合作 PD 建议说应该更多地看定性数据（用户访谈，满意度问卷，反馈收集等）甚至凭商业直觉来推导结论，也是有道理的。

啰嗦这么多，对于数据指导设计，我自知还是菜鸟一枚，不过随着之后的工作会转向用户基数大的前台 ToC 产品（ToB 类的设计心得估计会减少了），应该也会有更多对于数据与设计的实践经验积累，欢迎一起交流成长啦~

本文由人人都是产品经理专栏作家 @鸿影（微信公众号： 鸿影的设计思考录） 原创发布于人人都是产品经理 。未经许可,禁止转载。