數據驅動設計：用數據指導產品決策

數據不會告訴你該設計甚麼，但能告訴你當前設計是否有效。設計直覺加上數據驗證，才是最可靠的決策方式。

數據驅動 vs 數據知情

首先需要區分兩個概念：

• 數據驅動（Data-Driven）：完全由數據決定設計方向，適合優化已有產品
• 數據知情（Data-Informed）：數據作為決策參考之一，結合直覺和用戶洞察

大多數情況下，數據知情是更合理的方式。數據能揭示"是甚麼"和"有多少"，但不能解釋"為甚麼"。

產品設計中的關鍵指標

獲取階段（Acquisition）

用戶如何發現你的產品：

激活階段（Activation）

用戶是否體驗到產品的核心價值：

• 註冊完成率：註冊流程是否順暢
• 引導完成率：新手引導是否有效
• Aha Moment 到達率：用戶是否觸達核心價值點

Aha Moment 是用戶第一次真正感受到產品價值的時刻。例如 Facebook 的 Aha Moment 是"10 天內添加 7 個好友"。找到你產品的 Aha Moment，然後優化到達路徑。

留存階段（Retention）

用戶是否持續使用：

留存率曲線

100% ┤
     │╲
 60% ┤ ╲
     │  ╲──────────────────  ← 好產品：曲線趨於平穩
 40% ┤   ╲
     │    ╲╲
 20% ┤     ╲╲╲
     │       ╲╲╲──────────  ← 一般產品：持續下降
  0% ┤─────────────────────
     Day1  Day7  Day14  Day30

關鍵指標：
- 次日留存：產品第一印象
- 7 日留存：短期價值驗證
- 30 日留存：長期使用習慣

參與度（Engagement）

用戶使用產品的深度：

• DAU/MAU：日活/月活比值，反映用戶粘性
• 使用時長：單次會話的平均時長
• 功能使用率：各功能被使用的頻率
• 核心行為頻次：關鍵操作的使用頻率

A/B 測試實踐

甚麼時候做 A/B 測試

適合 A/B 測試的場景：
- 有明確的量化指標
- 兩個方案各有道理，難以判斷
- 有足夠的流量支撐統計顯著性

不適合 A/B 測試的場景：
- 全新功能（沒有基線數據）
- 流量太小，無法達到統計顯著
- 涉及品牌一致性的設計決策

A/B 測試流程

假設 → 設計方案 → 確定指標 → 分流實驗 → 數據收集 → 分析結論

關鍵步驟：

1. 明確假設：如果把 CTA 按鈕從藍色改為橙色，點擊率會提高
2. 確定指標：主要指標（點擊率）+ 防護指標（轉化率不下降）
3. 計算樣本量：確保實驗結果具有統計意義
4. 控制變量：每次只測試一個變量
5. 等待足夠時間：至少跑完一個完整週期

常見的 A/B 測試誤區

• 過早下結論：數據量不夠就停止實驗
• 只看主指標：忽略對其他指標的影響
• 測試太多變量：無法歸因到具體改動
• 忽略新奇效應：用戶對新事物的短期好奇心

用數據發現設計問題

漏斗分析

追蹤用戶完成關鍵路徑的每一步流失：

訪問首頁    100%  ████████████████████
 ↓
點擊註冊     45%  █████████
 ↓               ← 流失 55%，註冊入口不夠醒目？
填寫表單     30%  ██████
 ↓               ← 流失 15%，表單字段太多？
完成註冊     22%  ████
 ↓               ← 流失 8%，驗證環節有問題？
首次使用     18%  ███
                  ← 流失 4%，引導不足？

每一步的流失都是一個優化機會。

熱力圖分析

通過可視化用戶的點擊和滾動行為：

• 點擊熱力圖：用戶在哪裡點擊（包括無效點擊）
• 滾動熱力圖：用戶看到了頁面的哪些部分
• 注意力熱力圖：用戶在哪些區域停留最久

常見發現：
- 用戶把非鏈接元素當作可點擊的
- 頁面下半部分幾乎沒人看到
- 重要信息放在了用戶不關注的區域

用戶行為錄像

回放用戶的真實操作過程：

• 觀察用戶在哪裡猶豫、反復操作
• 發現你從未想到的使用方式
• 找到用戶放棄操作的具體時刻

建立數據分析習慣

日常關注

• 核心指標看板：每日查看關鍵數據變化
• 異常告警：設置閾值，異常時自動通知

周度回顧

• 功能使用數據：各功能的使用趨勢
• 用戶反饋匯總：App Store 評論、客服工單
• 競品動態：競品有甚麼新動作

月度深度分析

• 用戶分群分析：不同用戶群的行為差異
• 留存曲線變化：產品改進是否影響留存
• 實驗總結：本月 A/B 測試的結果和學習

常用數據分析工具

寫在最後

數據是設計師的放大鏡，幫你看清用戶行為的細節。但別忘了，放大鏡只能看到它對準的地方。定量數據告訴你"發生了甚麼"，定性研究才能告訴你"為甚麼發生"。兩者結合，才能做出真正好的設計決策。

記住一條原則：先有假設，再看數據，最後做決策。 不要漫無目的地翻數據——帶著問題去找答案，才是有效的數據分析。