在這個信息爆炸的時代，數據已經成為了一種新的能源。數據分析能力的高低，直接影響到我們在職場中的競爭力。數據作為一個定量的維度，可以支持設計方案的推導和決策，以及對方案效果的驗證。想要證明你的設計，數據是最直觀的展現，掌握一些數據分析方法，能有效量化你出色的設計。接下來讓我們對數據分析的整體框架、數據如何處理加工做一探究竟吧。
設計師通過分析用戶數據來理解用戶需求和行為，從而設計出更符合用戶期望的產品，提高用戶體驗。
利用數據來支持設計決策，確保設計選擇基于實際的用戶反饋和行為，從而提高設計的有效性和商業價值。
數據提供了持續改進的依據，設計師可以根據用戶反饋和使用數據不斷調整和優化設計，同時激發創新思維，探索新的設計解決方案。
人均頁面訪問量（Page Views per User）是衡量用戶對網站內容興趣度的一個指標。是指每位獨立訪客訪問頁面的平均次數，它反映了用戶對網站內容的參與度。在內容驅動的網站上，較高的人均頁面瀏覽量通常意味著內容具有較高的吸引力和價值。
用戶在瀏覽特定頁面時的平均停留時間，這個指標有助于了解用戶對頁面內容的興趣程度。
面上特定內容被點擊的次數與其展示次數的比率，這個比率可以顯示內容的吸引力和用戶的參與度。
指的是在一定數量的用戶中，完成特定操作（如購買、注冊）的比例。這個比率是衡量網站或產品效果的重要指標。
用戶訪問網站后，僅查看了一個頁面就離開的比例。這個比率可以反映用戶對頁面內容的初步興趣和滿意度。
設計師需要考慮如何通過視覺吸引力、易用性和品牌信息來吸引新用戶。
設計師需要確保產品的核心功能易于使用，并且能夠激發用戶的興趣和參與度。
設計師需要關注如何通過持續改進產品來保持用戶的忠誠度和活躍度。
設計師需要考慮如何通過設計來促進用戶的付費行為，提高產品的商業價值。
設計師需要創造令人愉悅和易于分享的用戶體驗，以促進口碑傳播和新用戶的引入。
這是一個衡量用戶推薦產品給他人意愿的指標，高NPS通常意味著用戶對產品非常滿意。
用戶滿意度是衡量用戶對產品或服務整體滿意程度的指標。
衡量用戶在特定任務中成功完成的比例，高任務完成率通常意味著設計是有效的。
用戶在完成任務過程中遇到的錯誤次數，低錯誤率表明設計直觀且用戶友好。
用戶停止使用產品的比例，低流失率表明產品能夠持續吸引用戶。
若以支付業務為例，我們可以這樣理解：
用戶數據
(誰)
行為數據
(做了什么) 和
業務數據
(結果如何)。
個人信息：用戶的姓名、聯系方式、電子郵件地址、注冊時間等。
支付偏好：用戶偏好的支付方式（如信用卡、借記卡、電子錢包等）。
安全設置：用戶設置的支付安全問題、密碼強度、雙因素認證等。
賬戶狀態：用戶的賬戶是否活躍、賬戶等級、VIP狀態等。
行為數據記錄了用戶在支付平臺上的行為模式和交互細節。
交易類型：用戶進行的交易類型，如在線購物、賬單支付、轉賬等。
交易金額：用戶支付的平均金額、最大交易金額和最小交易金額。
用戶界面交互：用戶在支付界面上的操作，如點擊、滾動、輸入等。
應用使用情況：用戶打開支付應用的頻率、使用時長、退出率等。
手續費收入：支付平臺從每筆交易中獲得的手續費總額。
在數據分析框架中可分為：
數據生成、獲取數據、數據建模、數據分析
和
數據應用
五大層次。
"數據生成"是整個數據分析流程的第一步，涉及收集和記錄與支付交易相關的各種信息：
①交易數據記錄：每次支付交易發生時，都會生成交易數據，包括交易金額、交易時間、交易雙方（付款方和收款方）信息等。
②用戶行為跟蹤：用戶在支付平臺的行為，如登錄、瀏覽、搜索、點擊等，都會被跟蹤并記錄下來。
③設備和網絡信息：用戶使用的設備類型（手機、平板、電腦等）、操作系統、瀏覽器版本、IP地址等信息也會被記錄。
④地理位置數據：用戶進行交易時的地理位置信息，可以通過IP地址或GPS定位獲得。
⑤支付方式和渠道：用戶選擇的支付方式（信用卡、借記卡、電子錢包、銀行轉賬等）和支付渠道（線上、線下、移動設備等）。
⑥安全和風險數據：包括與交易安全相關的數據，如密碼輸入、驗證碼、風險評分、欺詐檢測等。
⑦用戶反饋和評價：用戶對支付服務的滿意度評價、反饋意見、投訴記錄等。
⑧系統日志：支付系統生成的日志文件，記錄了系統運行狀態、錯誤信息、維護活動等。
⑨市場和競爭數據：來自市場調研的數據，包括用戶調研、競爭對手分析等。
⑩法規和合規數據：與支付業務相關的法律法規變化、合規性要求等信息。
?性能指標：系統性能指標，如交易處理時間、系統響應時間、成功率等。
?交易后數據：交易完成后的相關信息，如退款、爭議解決、客戶服務互動等。
通常使用第三方工具如ETL將業務系統的數據經過抽取（Extract）、清洗轉換（Transform）之后加載（Load）到數據倉庫的過程，數據呈現在BI的數據源。
例如，電子商務公司的數據分析團隊，需要整合來自不同業務系統的數據：
①使用ETL工具：選擇一個適合的ETL工具，如FineBI，來自動化數據抽取、轉換和加載過程。
②連接數據源：配置ETL工具，連接到訂單管理系統、客戶關系管理系統、網站點擊流日志等數據源。
③數據抽取：設置定期任務，從各個業務系統中抽取數據。
-
-
轉換點擊流數據，計算頁面訪問次數、用戶停留時間等指標。
-
⑤數據加載：將清洗和轉換后的數據加載到數據倉庫中，例如Amazon Redshift或Snowflake。
⑥BI工具連接：在Tableau或Power BI中創建連接到數據倉庫的數據源。
-
設計儀表板，展示銷售趨勢、客戶行為分析、產品性能等關鍵指標。
-
-
實體可能包括“客戶”、“產品”、“訂單”和“支付”。
-
屬性包括客戶的姓名、地址，產品的名稱、價格，訂單的日期、狀態等。
-
度量指標可能包括總銷售額、訂單數量、平均訂單價值等。
-
維度表可能包括“時間”（年、季度、月、日）、“產品”（類別、品牌、SKU）、“客戶”（地理位置、會員等級）等。
-
事實表可能包括“銷售事實”，與時間、產品、客戶等維度表關聯，并包含銷售額、訂單數量等度量指標。
支付方式：支付方式的描述（在某些情況下，這也可以是一個維度表）。
除了維度和度量，聚合（Aggregation）是數據分析中的一個核心概念，它涉及將多條數據記錄根據一個或多個維度進行分組，并在每個組內應用度量來計算匯總統計信息。聚合操作極大地簡化了數據的復雜性，使得分析者能夠從宏觀層面理解數據集的總體特征和趨勢。
聚合是數據源里的多行數據按照一定的標準計算成一個數據，不管數據集里有1行還是多行，視圖里的數據都是聚合后的結果，一行數據也是要聚合的，當然一行數據聚合的結果是一樣的。維度為數據聚合提供了依據，而度量是依據維度聚合得到的結果。
維度（Dimensions）：維度是數據的一個屬性，用于對數據進行分組。例如，時間、地理位置、產品類別等。
度量（Measures）：度量是數據的數值屬性，用于在分組后進行計算。例如，銷售額、訂單數量、利潤等。
聚合函數（Aggregate Functions）：聚合函數用于對分組內的數據執行計算，常見的聚合函數包括
場景設定：我們想要分析2021年3月1日至2021年3月15日期間，PC端的訂單成功率。
數據分組：首先，根據時間維度（created_at）和設備維度（device），我們將數據分為不同的組。我們關注的是時間在2021年3月1日至2021年3月15日之間，且設備為PC的訂單。
-
總訂單數：對選定時間段和設備類型的所有訂單進行計數，使用COUNT([訂單ID])。
-
成功訂單數：對選定時間段和設備類型的成功訂單進行計數，使用COUNT([成功訂單ID])或SUM([成功標志字段])（假設有一個字段表示訂單是否成功）。
計算成功率：訂單成功率可以通過成功訂單數除以總訂單數來計算，即SUM([成功訂單數]) / SUM([總訂單數])。
結果解釋：如果在指定的時間和設備條件下，總訂單數為2（SUM([總訂單數]) = 2），成功訂單數為1（SUM([成功訂單數]) = 1），那么訂單成功率為0.5（1/2 = 0.5），意味著成功率為50%。
數據應用是將數據分析成果轉化為實際行動的過程，其中
數據決策
和
監控告警
是兩個重要的應用領域。
數據決策（Data-Driven Decision Making）
②數據收集與分析：收集相關數據，并進行分析以發現模式、趨勢和關聯。
④方案生成：基于洞察生成不同的業務策略或行動方案。
監控告警（Monitoring and Alerting）
監控告警是指使用數據分析來持續監控業務活動，并在檢測到異常或特定事件時觸發告警的機制
①確定關鍵指標：確定需要監控的關鍵業務指標（KPIs）。
②建立基線：為這些指標建立正常運行時的基線或閾值。
③實時數據流：實現實時數據流，以便實時監控這些指標。
⑤告警系統集成：集成告警系統，如電子郵件、短信或應用通知。
⑥自動化響應：在可能的情況下，設置自動化響應措施。
⑦人工干預：對于需要人工判斷的情況，確保快速響應。
⑩告警優化：根據告警的準確性和效果，優化告警規則和流程。
隨著大數據、人工智能和機器學習等技術的發展，數據應用的潛力將進一步擴大，幫助產品在快速變化的商業環境中保持競爭力。有效的數據應用不僅需要技術的支持，還需要文化、人才和流程的配合，以確保數據能夠真正轉化為價值。
希望對大家有所幫助，歡迎提出意見以供改正～
