来源：王镇雷（ID：zhenlei_pd）
编辑：Juvae
设计工作中，我们经常会有一些数据指标作为判断体验好坏的标准——电商的GMV、社交的使用时长、工具的打开频次等。
当有明确需求时，设计师们只需跟随产品经理的脚步，把每一步的界面画好即可；而当我们自己尝试去负责整个项目的体验时，就需要具备识别指标、拆解指标的能力，从中发现问题、发现设计机会。
体验不像数学，无法写出严格的等式，但我依然把日常工作中的体验指标根据拆解的理性程度，分为“显性”与“隐性”。
一、“显性”指标的5步拆解法
有一些数据指标，是可以大致写出数学等式的，如电商平台最关注的 GMV(Gross Merchandise Volume)，即平台在一定时间段内的总成交额。
影响 GMV 的因素非常多，很难说被某个功能直接影响，所以需要把这个指标拆解到一些子项。
第一步：目标数据拆解
我们可以粗略地将某个页面的 GMV 写成如下等式。
这很容易理解，页面一段时间内的总成交额，等于这段时间内来页面的总人数（流量），乘以最终被转化消费的比率（转化率），再乘以平均每个用户花的钱（客单价）。
但有一点要注意，这几个指标所针对的主体都应是同一个 —— 你不能拿首页的流量乘以购物车的转化率，这是错误的数据使用方法。
第二步：变量的绝对值搜集
除非是0-1的产品，不然当你做设计的时候，产品肯定有历史数据。所以当我们介入时，要先获取等式中变量在之前某段时间内的平均绝对值。
关于“某段时间”如何定义，有很多做法。有时我们看“同比”，即今年第n月与去年第n月对比（年同比）；有时我们看“环比”，即今年第n月与今年第n-1月对比（月环比）。
想看设计前后的效果对比，看环比会更多一些，所以可以选择上两个月的平均数据——毕竟这代表了两个连续的时间单位内的用户数据变化。
第三步：变量的浮动值比较
接上一步，如果选择了5-6月的平均数据，就可以继续选择7-8月的数据做对比，我们要看的是最近数据的变化趋势。
可以看到，公式显示这几个月来，尽管流量有一倍的提升，但 GMV 下跌的核心原因是转化率和客单价下降。那是不是就说明提升 GMV 的目标，就从转化率提升下手呢？
第四步：检查外部环境影响
影响数据的因素很多，仅从绝对值和相对值依然不足以说明问题所在。如果我们分析的是一个 App 页面，那整个 App 的数据浮动会直接影响该页面的数据情况，因此我们还需要检查外部的数据变化。
如上图可以看到，App 大盘在同样时间段内的 GMV、流量、客单价都没有显著浮动，倒是转化率有了10%的提升。这基本可以说明第三步的浮动值是可信、可参考的。
第五步：确定优先级
综上所述，我们可以确定在这个 GMV 等式里，最核心问题出在“转化率”这个子项上，“客单价”的问题也不小。
基于这样5个步骤，我们已经确定了 GMV 第一层公式拆解中子项的问题优先级。如有必要，可以对子项再做拆解继续循环这个步骤。不然，也可以根据经验，对每个子项的问题做“假设”，进一步探索问题所在。
在进一步对问题假设进行验证后，我们就可以有针对性地提出设计解法，去帮助业务解决商业问题了。
必须说明的是，此前一直强调这是一个粗略的等式。因为在真实情况里，子项之间是有关联的，并非各自独立。
举例而言，“流量”代表用户，而不同类型用户的行为是不同的。虽然流量暴涨一倍，但如果是因为某些营销拉新带来的非目标用户，这些人的转化率自然也不会高。
再举个例子，客单价和转化率也和平台售卖的商品有关，比如家具电器等大件因为价格高，转化率肯定不会高，但客单价却可能很高。同理，餐巾纸等转化更易，客单价则会很低。
记住一句话，谁对公式拆解得越细，谁的正确率就越高。
二、“隐性”指标的测试法
在工作中，也有很多数据指标连最粗略的公式都无法写出，“留存率”就是一个很典型的案例。
留存简单说就是来使用过产品的用户有多少能够真正留下来，成为活跃用户，那么影响这个比例的因素就非常多了。
但没有公式，也不代表我们只能盲目设计盲目测试。我们可以把可能与“留存率”相关的指标先都罗列出来：点击次数、浏览页面数、停留时长、购买次数、分享次数……
这些数据中，一定有和“留存率”最为相关的那一个。在增长黑客的理论中，提出了所谓的“北极星指标”，也称之为魔法数字“Magic Number”。
用户增长工具 Growing.IO CEO、《增长黑客实战》作者张溪梦老师的文章中就提到了一个很好的案例，特引用给大家说明。
引用：https://zhuanlan.zhihu.com/p/21974150
以 1 个社交 App 为例子。
我们都知道用户能留下来的核心的原因是还是产品功能设计能否满足了客户的核心需求。
如果能满足的话，我们能不能再进一步，我们这个产品的设计能否比较好的、比较快的、比较方便地满足客户的核心需求，这是第二点。
所以我们需要了解新用户使用过哪些功能，或者说发生过什么行为后，他们留下来了。进一步的，我们需要知道用户访问初期在网站 / App 的某些行为、频次可能会让用户留下来，并且长久使用，成为忠诚用户。发现了这些行为和发生次数，优化产品，促进用户使用这些功能，就可能带来更高的留存率。
我们希望新用户在使用 App 的时候能够尽早的对我们的产品说 “aha！”，希望他们能快速发现产品价值，并且留下来。因此希望能找到我们 APP 的魔法数字 。 现阶段我们最关注的是用户初期留存，所以需要了解用户在使用 APP 早期（第一周做的事情）和次周留存之间的关系，并且找到那些具有高留存的行为。
为此我们做了如下几点：
明确衡量的目标：对于我们来说，我们关注的是第一周的留存和次周留存之间的关系。具体来说，我们希望找出用户的那些次周留存高的行为。
确定新用户早期 On Boarding 时候的行为。比如登录次数，信息发送个数，关注人数，分享次数，点赞次数等。
分别计算在一定时间内这些行为和次周留存的相关关系，找出在第一周不同行为的次数和次周留存率之间的关系。
我们发现新用户首次访问 7 天内，以下四个行为、频次都与次周留存具有很强的正相关关系：发送信息 6 次、点赞 8 次、分享 5 次、关注人 12 人。
然后我们根据公司现阶段战略，每个行为的人数占比，可实现的难易程度，将“分享 5 次”和“关注 12 人”当作我们 Magic Number 的候选名单。
然后我们使用 A/B 测试，通过产品和运营上的改变，让两组用户分别尽可能多的达到这个两个指标。然后，我们对这两组用户进行了验证，我们发现促进用户分享的那组用户，次周留存并没有得到太多提升；而关注 12 人的那组用户，次周留存有大幅提高。
最后我们将 7 天内关注 12 人当作我们的 Magic number，并将这个指标当成我们衡量用户 On Boarding 效果的最重要参考。
在选择用户 On Boarding 过程决定性的产品时，需要遵循这个原则：做过的都留下，留下的都做过；没做过的没留下，没留下的没做过。
注意：发现公司“魔法数字”的过程可能远比上述案例复杂，但是一旦找到公司的魔法数字将会给您的公司带来巨大的增长。
通过对数据的显性、隐性判断，可以帮助我们很好地在工作中发现机会、调整策略。使用合适的分析、拆解以及测试方法，则更能帮助业务发掘增长亮点。
本文由王镇雷（ID：zhenlei_pd）原创发布，授权互联网早读课转载。内容仅代表作者独立观点，不代表早读课立场。如需转载，请联系原作者。
推荐阅读：
