访客数UV全称(一文读懂｜数据好体验就好吗？-产品数据)

编辑导语:互联网时代，数据是一个很常见的概念，我们总会遇到各种需要数据的地方。那么数据好的话，体验能跟着来吗？

很多同学在面试的时候会被问到产品数据，用户体验等等问题。本文将阐述产品数据中哪些指标是面试官最关注的，以及用户体验的考核方法。

这个话题将分为上下两篇，值得一读的是本文中关于产品数据的内容。

1.数据衡量你的项目是真是假。

现在UI市场竞争激烈，对候选人的选拔也很苛刻。面试官判断一个人能否加入大厂的第一个指标就是真实性，而数据问题往往是区分这个人做的项目是否是真实性的重要指标。

因为只有真实的项目才会有数据抽离，免费玩的项目往往无法回答关于数据的问题。

所以在大厂面试或多或少都会问到数据相关的问题，这也是很多同学进入大厂的重要分水岭。

2.录取后会给你什么职位？

设计师这个群体是有偏见的，单纯看设计作品很难拉开与其他竞争对手的差距，所以需要理性的数据思维来拉开与其他设计师的差距，以增加自身竞争力的附加值。还有一点就是产品数据的表达可以证明自己的设计方案是最好的，便于后期定位资深、资深或者专家的职位。

设计师在比较多个设计方案时会遇到这样的问题。现有的设计方案是否最适合用户？哪个版本比较好？为什么这个版本更好？

有人用产品埋下的数据来判断，有人用用户反馈来判断，有人承认需要靠老板的建议来评估。

1.数据是衡量好坏的指标。

数据是衡量一个产品甚至一个功能的最科学的方式，在不同的开发场景中发挥着重要的作用。例如:

你有没有发现，在我演讲的过程中，我一直在讲数据分析，那么这个数据分析是怎么来的？

实际上，数据分析就像一个监控产品数据波动的摄像头，实时监控数据的波动。以下是我关于数据埋点的理论知识，让大家对数据埋点的概念有一个清晰的认识。

2.数据对设计师的三种意义

很多人认为数据是产品经理和运营的工作。其实不然，数据也是设计师的工作。我把数据对设计师的意义总结为三点:

(1)为设计方案提供基础

产品设计师可以是产品经理，UX，UI。需求不能用空自己出现，需要相关人员去发现。数据就像一个放大镜，通过线上数据的波动，可以发现当前的问题，也就是需求。

其实这就好比设计师的思维，产品思维转化为数据驱动的思维。例如:

产品初期，没有产品，没有相关的后台数据，那么我们要做什么样的产品，就这一个需求？

什么样的产品可以通过了解大众用户和大众市场的数据分析报告得出结论，明确我们要做什么样的产品，这是data为设计师第一价值做出设计建议的基础。

比如以下场景都需要数据来做设计方案。

(2)验证解决方案是否满足用户需求

确定此设计解决方案是否满足用户需求:

几个设计上线后，在设计师输出的方案上，产品设计、运营方案、产品研发都存在差异。

还可以通过后台数据反馈，筛选出哪个方案最符合产品目标(即北极星指数)，是多个设计方案中的最佳设计方案。

(3)衡量推广设计价值的指标

当然也有一些公司，作为后期推广和评估设计价值的方法。

比如你怎么证明你的设计比其他同事好？

通过数据对比，说明自己输出的设计方案价值远高于其他同事，以此来证明自己的价值。

其实在我们的工作中有很多设计方法可以帮助我们设计出更好的设计方案，比如用户调研、竞争产品分析、产品测试等等。

这些方法都是通过用户数据的反馈和整理，找出方案中的问题，验证最终方案是否让用户满意。

用户调研:可以拆词看两个词的意思，调查:反映客观事实。研究:客观事实的分析

主要形式有用户调查和用户访谈。这篇文章已经直接发表了，有兴趣的朋友可以咨询一下。

大门地址:http://www.woshipm.com/pd/4745810.html

竞品分析:一种确定市场上几个竞品，然后通过分析产品功能、产品定位、信息结构、色彩、布局、风格等要素找出差异，再通过数据对比确定产品方案的方法。

因为不同的岗位有不同的竞品分析目的、角度和方法，这里就不一一解释了。如果以后需要，我会考虑如何做竞品分析。

下图是进行竞争产品分析的一般过程:

产品测试:这种方法是最广泛使用的方法。可用性测试是指一组有代表性的用户按照指令对产品进行典型操作，而观察者在一旁观察记录。

比如我们发现首页Banner的点击率很低。这时候我们就得想办法通过设计来提高Banner的点击率。有横幅那么大吗？还是转盘切换的速度？还是画面风格？

但设计师无法直接确定自己的问题是什么，所以需要拿出不同的方案让用户测试，看哪个方案更容易让他点击。

常用的测试方法有很多。这里我就讲三种方法:一是可用性测试，二是灰度测试，三是A/B测试测试。

可用性测试:通常在产品开发前使用，模拟真实使用场景，供用户体验。目的是以最低的成本输出正确的设计方案，避免所有设计做好之后的调试和修改。

灰度测试:是指在产品开发通过后，将经过测试的版本发布到真实的在线环境中，收集用户反馈。

A/B测试测试:产品测试通过发布后，同一个功能把用户分成两部分，一部分用方案A，一部分用方案B，对比数据波动。

数据有很多纬度。首先，我们来看看产品的数据是从哪里来的。

一般情况下，设计师可以直接找运营、产品经理、设计负责人，在公司服务器日志中检索产品埋藏数据；或者项目结束后，项目负责人会发产品复检邮件、数据检查邮件指标等信息。，而产品埋点的数据也会在复检邮件中体现出来。

除了以上两个数据源，CNZZ web analytics、百度统计、Goodle anlytics也可以查询相关数据。

产品中的每一个数据其实都代表了产品的一个维度，有它的意义。如果你想用更简单的方法记住这些有用的数据，试试下面的方法:

我们可以分三个层次记忆数据，即:

1.用户数据的“四维”

用户数据(描述用户群)的主要意义是描述使用产品的这一群人。这里有四个有价值的概念需要理解，即存量、新用户、用户留存和渠道来源。

(1)访问次数

也有人称之为活跃用户数和用户存量，其实是一个意思。简单的理解是指一个人来到网站，然后浏览一些内容，然后离开网站的过程(这个过程也会被称为访问)，即在特定的统计周期内再次访问该产品的用户被称为访问量。

有三个专业术语——DAU/WAU/MAU(日活/周活/月活):每天有多少用户使用产品，每周有多少用户使用产品，每月有多少用户使用产品，这些都是判断产品规模最基本的指标。

方便产品和设计师了解产品的日常用户和产品用户的变化趋势。

这里补充一个知识点——去重统计:统计结果是按照设备进行去重统计，就像一个设备多次访问后台时只记录一个活跃用户。

(2)添加新用户

新用户是一个企业非常看重的数据，尤其是在业务初期，这个指标尤为重要。这代表了公司的潜力。

比如拼多多的公司，每年亏损越来越多，但是股价却越来越高。主要原因是资本市场看好拼多多的用户增速，按照统计跨度不同分为日增(DNU)、周增(WNU)、月增(MNU)。

新用户中还有一个“用户流失率”的概念，需要大家理解。离职率是指那些使用过产品或服务，由于各种原因不再使用产品或服务的用户。用户流失率=一定时间内不再启动应用的用户数/一定时间内用户总数。

在不同的产品阶段，重点会从拉新转向挽留。对于一个成熟的产品和饱和的市场，获取一个新用户的成本可能是留住一个老用户的好几倍，流失率的降低也意味着营收的增加。在这种情况下，流失率的价值是显而易见的。

提到新用户，就必须说“成长黑客”。这本书里提到的一句话非常简洁地概括了“成长”的概念:数据驱动营销和迭代验证策略。

通过这句话，我们可以感觉到整本书的中心思想是“数据”和“实验”，也就是AARRR(海盗模型)模型。阐述了一个用户生命周期的各个阶段——获客、激活、留存、变现、推荐、召回，实现用户增长的产品目标。

啊哈啊哈时刻:啊哈时刻也叫啊哈时刻。从中文翻译过来，就是尖叫时刻，一个成长的概念词，意思是用户通过某种行为(产品中的功能体验)获得极大的体验，用户能够快速准确的认识到产品的价值。

比如很多知识付费产品会让新用户充分体验观看视频的过程，感知课程的价值，他们很有可能成为产品的新用户。

(3)由用户留存

线上产品如何体现用户的健康？最好的指标就是留存率。即某个统计周期内，一段时间后仍在使用该产品的用户占新增用户数的比例(留存率=留存用户/新增用户*100%)。

留存率分为次日留存率、下周留存率、下月留存率。

以上三个指标的数据越能反映用户的入住意愿，就越能说明他们对产品的服务满意，能发展惯性，维持消费。比如产品改版后，次月留存率提高，其他变量不变，说明用户粘性上升，设计改版成功。所以这三个指标是产品体验最直观的数据。

①次日留存率，常用来衡量用户粘性

一个App的好坏可以通过日留存率的数值来判断。通常情况下，如果这个数字达到40%，就说明产品很优秀。比如我们可以结合产品新用户注册的转化路径来分析用户流失的原因，通过不断的修改和调整来减少用户流失，提高次日留存率。

②下周留存率(7天留存率)，用于判断产生的忠实用户数量

一个用户的忠诚度可以通过周留存率来判断。例如，在一周的时间里，用户通常会经历一个完整的使用和体验周期。如果用户在第七天还在使用产品，可以定义为忠诚度高的用户。

③次月留存(留存率30天)，用于衡量版本迭代的效果

通常App的迭代周期是2–4周，一个版本，一个版本更新，或多或少会影响用户的体验，导致用户的流失。因此，通过对比月留存率，可以判断每次版本更新是否对用户产生影响，衡量版本迭代的效果。

(4)流量获取(渠道来源)

从字面上看，就是描述用户路径，指的是这些人在成为用户之前是从哪里来的；知道用户从哪里来才能知道从哪个渠道推广更有效，一般配合用户留存的数据使用。

2.行为数据的“五个纬度”

行为数据是数据中的重要知识。这次主要讲解频次/频率、点击率、转化率、用户停留时间、跳出率、退出率。

(1)页面访问量(PV)和人数(UV)

这两个指标可以了解用户的使用行为，衡量页面入口的设计与其他入口的设计相比，是吸引用户注意力的核心指标。

(2)点击率(CTR)

点击率(人均点击次数)是指某一内容被点击的次数与被显示在网站页面上的次数之比，即点击次数占被显示次数的百分比。

根据人均点击次数可以判断交互/视觉设计需求是否足够吸引人，也可以用来衡量这个功能是否是用户的强需求。通过下面的案例让我们了解一下用法。比如7月7日，10万人点击了“确定”按钮，其中12万次被点击，那么点击率(人均点击次数)就是12/10=1.2次。

点击率通常与pv和uv数据结合使用，即:

(3)转换率

即转化率除以达到产品某一目标的总访问次数，或达到目标的访客占总访客数的比例，即转化率=转化次数/访问次数。简单理解转化率，就是把用户分为只逛不买的，逛了就买的，在buy buy里逛了就买的。

为什么转化率很重要？因为转化率往往是企业在项目中最重要的数据，毕竟转化率越高，公司收益越高，转化率越好往往是解释设计方案的最佳支点。比如国外的养老金计算器，用户需要输入相关字段来查看计算结果的细节，最终得到计算结果。

在这个过程中，用户的转化率很低(结果详情页会有金融产品)。但如果把结果放在前面，比如新方案把输入字段、结果明细、计算结构都显示在一个页面上，会改善用户的购买决策，大大提高转化率。

这里有一个思维方法叫漏斗分析，你需要知道:

漏斗分析最常用的两个互补指标是:转化率和损失率。用一个简单的例子来说明，如果100个人访问一个电子商务网站，30个人点击注册，10个人注册成功。

这个过程有三个步骤。第一步到第二步转化率30%，流失率70%，第二步到第三步转化率33%，流失率67%。全程转化率10%，损耗率90%。这个模型是经典的漏斗分析模型。

(4)用户停留时间

这是指用户在产品中停留的时长，即所有用户的会话时长之和/会话数。还有衡量页面吸引力，通过用户停留时长判断用户粘性和依赖度的产品。比如在Tik Tok，页面内容很吸引人，用户粘性很大，用户停留时间很长。

回想一下，是不是每次刷Tik Tok，一个小时很快就过去了？这里的商业逻辑是，用户停留时间越长，用户为产品付费的可能性就越大。

总结一下:停留时间越长，用户粘性越强。当然也有消极的场景，比如填报名表。停留时间越长，体验越差。

(5)跳出率(BR)

跳出率是指用户不操作直接离开网站的比例，即访问一个页面后离开的访问量与产生的总访问量的百分比，跳出率等于访问一个页面后离开网站的次数/总访问量*100%。

这里有一个容易混淆的概念，就是跳出率和退出率。其实这两个数据是衡量页面内容质量或者交互质量的一个指标。

比如用户进入app，只访问一个页面就走了。跳出率和退出率越低，流量质量越好，用户对产品的内容越感兴趣。

3.业务数据的“四个纬度”

接下来我们来看看三层数据的最后一个概念——业务员数据，也就是与财务相关的数据知识。

(1)总金额

GMV(商品总量)，这个词太常见了。大公司发布财报、销售额、营业额的时候，每次都要提到这个数字。

值得注意的是，GMV=销售金额+取消订单金额+拒绝订单金额+退货订单金额，包括已付款和未付款部分。

(2)人均

ARPU(每用户平均收入)，光总量是不够的。我们还需要关注每个用户的平均贡献是否足够，是否在增加，所以要关注人均指标。

它是应用成功的指标，是用户忠诚度的反映，也是预测用户增长的工具。

(3)支付率

整个产品业务也应该有一个健康指数来衡量，付费率就是这个指数。到底有多少比例的用户是付费用户，也就是付费率。

我们通常一起分析支付率和ARPU值。一般这种产品付费率越高，用户对这种产品的认可度就越高。

(1)用户生成内容(UGC)数据指标

UGC(用户生成内容)是指用户创造的内容。从web2.0时代开始，UGC首先被论坛/社区应用。到现在，互联网产品或多或少都有ugc属性。这些产品主要包括Tik Tok、知乎、人人都是产品经理、站酷等。

对这类产品的评价，往往会从发表文章、用户点赞、订阅、评论、分享、打赏等几个数据指标来判断产品是否健康。

(2)电子商务依赖GMV

GMV(total Gross commodity Volume)，即商品交易总额[1]，指的是总营业额(一定时期内)。这其实指的是订单的金额，包括已付和未付部分。

休息一会儿

别急，大头同学们。我特意画了下表。把截图存起来慢慢看就好了。

2.找到参考对象A & B测试测试方法

大多数产品的数据分析最常用的方法是A&: B测试方法(上面提到的A & B测试测试发)。

(1)情况1

很多时候，我们在看数据的时候，不能只看一个纬度，而是要看两个或者更多的纬度，这样才能选出我们需要的结果方案。

比如这个案例在探索“与用户强相关的BI类目地板，商品展示共同兴趣点和优惠券兴趣点，哪个更好？”

方案A显示普通福利，如“销量过万，好评率99%，199不到100”，方案B只显示有福利的文案，如“199不到100，领优惠券”。

最后的数据是方案A的点击率更高，方案B的曝光点击率更高(由于方案B中的集券和点击跳商的详细信息，部分点击可能是由集券引起的，所以方案B的点击率更高，但点击转化率更低)。

单看点击率或转化率很难做出选择，但只要综合看两个数据，就很容易得出结论，方案B(优惠券受益点)能带来更高的曝光点击，引入更好的订单表现。

(2)情况2

做a &测试B的时候，要保持单变量测试。现实生活中很难做单变量检验，所以数据往往需要分析讨论才有价值。

比如我们在首页流量分发场景做了两个视觉设计，A和B。A法是所有类别都用魔方圆坑显示，B法是方坑。想探索方形圆坑和方形坑哪个对用户更有吸引力？

最后，方案A(圆圈)的用户点击数据为4.87%，方案B(正方形)的用户点击数据为15.85%。那么，由此A&:由B检验法的结果推导出B方案(正方形)是否更好呢？

事实可能并非如此。仔细观察不难发现，两个方案除了类别背景形状不同之外，文案的类别和描述也不同，都未能维持单一变量的测试环境。所以方案B(正方形)更能吸收用户点击的结论是不成立的。

有可能正方形的展示区域比圆形的展示区域大，可以更好的暴露产品的特点，推广B方案(正方形)吸引用户点击。

3.采用多重定性和定量验证。

我们得到了数据。事实上，我们可以使用多重定性和定量验证的方法来验证我们的方案是否满足了用户的需求，是否实现了项目目标。

可以采用用户访谈、眼动测试、可用性测试等定性方法，找出问题(需求)的多样性和严重性。

定量方法包括用户问卷、站内行为分析、A & B检验测试等。，来验证这个问题的概率。

比如我们可以通过五种定性和三种定量的方法，通过数据反馈，让结果更接近现实。

3.理解双面数据(虚荣心数据)

什么是双面数据？其实是数据看起来不错，却不能给这个产品带来任何价值。我们需要对比，看到数据，才能理解它的价值。

(1)点击率(CTR)

比如在一个用户在一些资源站点持续点击或者一些盈利性活动补贴导致点击量变化的场景下，当用户总数不变时，单个位置点击量的增加必然导致其他部分点击量的减少，这其实是一个零和博弈。增加这个功能的点击量是片面的。

(2)访客数量(UV)

统计访问量只是一场毫无意义的人气比拼。其实访客数量可以分为三种:曝光UV、点击UV、意向UV。除非用户能做一些对产品有利的事情，否则单纯看这三个uv是没有意义的。

比如发起一个活动，有多少用户可以转化购买？只有知道这个数字，这个数据数字才有价值。

(3)停留时间

用停留时间的数据来统计用户参与度或者活跃度，他什么都解释不了。比如客户长时间停留在一个充满文字内容的页面上，可能是看不清楚或者文字理解的难易程度影响了用户的阅读时间，所以产品效率和体验这两个关键指标与停留时间是矛盾的。

(4)下载

虽然有时候会影响你在app store的排名，但是下载量本身并没有带来价值；还需要参考:用户下载后的激活量，账号创建量，产品中用户各种场景的追踪。

很多人会有一个误区，认为退出率高就是坏数据，但是我们要明白，并不是所有场景的跳出率越低越好。比如我们通过漏斗数据发现用户操作路径过长，将几个步骤的路径缩减为一步操作，最后看到用户退出率下降。

最后大家要清楚:

数据是用来支持一个设计师的设计决策和方法的，但数据不能代替设计直觉，更不能代替深入的用户研究。要学会利用数据指标发现问题，通过设计方案改变用户行为，因为数据的最终目的在于价值的体现:有效获取用户，创造收益。

感谢您的阅读。

引用:

工具网址:[/s2/]

本文由@ slash 7湿哥原创。每个人都是产品经理。未经许可，禁止转载。

图片来自Unsplash，基于CC0协议。