來源：王鎮雷（ID：zhenlei_pd）
設計工作中，我們經常會有一些數據指標作為判斷體驗好壞的標準——電商的GMV、社交的使用時長、工具的打開頻次等。
當有明確需求時，設計師們只需跟隨產品經理的腳步，把每一步的界面畫好即可；而當我們自己嘗試去負責整個項目的體驗時，就需要具備識別指標、拆解指標的能力，從中發現問題、發現設計機會。
體驗不像數學，無法寫出嚴格的等式，但我依然把日常工作中的體驗指標根據拆解的理性程度，分為“顯性”與“隱性”。
一、“顯性”指標的5步拆解法
有一些數據指標，是可以大致寫出數學等式的，如電商平臺最關注的 GMV(Gross Merchandise Volume)，即平臺在一定時間段內的總成交額。
影響 GMV 的因素非常多，很難說被某個功能直接影響，所以需要把這個指標拆解到一些子項。
第一步：目標數據拆解
我們可以粗略地將某個頁面的 GMV 寫成如下等式。
這很容易理解，頁面一段時間內的總成交額，等於這段時間內來頁面的總人數（流量），乘以最終被轉化消費的比率（轉化率），再乘以平均每個用戶花的錢（客單價）。
但有一點要注意，這幾個指標所針對的主體都應是同一個 —— 你不能拿首頁的流量乘以購物車的轉化率，這是錯誤的數據使用方法。
第二步：變量的絕對值蒐集
除非是0-1的產品，不然當你做設計的時候，產品肯定有歷史數據。所以當我們介入時，要先獲取等式中變量在之前某段時間內的平均絕對值。
關於“某段時間”如何定義，有很多做法。有時我們看“同比”，即今年第n月與去年第n月對比（年同比）；有時我們看“環比”，即今年第n月與今年第n-1月對比（月環比）。
想看設計前後的效果對比，看環比會更多一些，所以可以選擇上兩個月的平均數據——畢竟這代表了兩個連續的時間單位內的用戶數據變化。
第三步：變量的浮動值比較
接上一步，如果選擇了5-6月的平均數據，就可以繼續選擇7-8月的數據做對比，我們要看的是最近數據的變化趨勢。
可以看到，公式顯示這幾個月來，儘管流量有一倍的提升，但 GMV 下跌的核心原因是轉化率和客單價下降。那是不是就說明提升 GMV 的目標，就從轉化率提升下手呢？
第四步：檢查外部環境影響
影響數據的因素很多，僅從絕對值和相對值依然不足以說明問題所在。如果我們分析的是一個 App 頁面，那整個 App 的數據浮動會直接影響該頁面的數據情況，因此我們還需要檢查外部的數據變化。
如上圖可以看到，App 大盤在同樣時間段內的 GMV、流量、客單價都沒有顯著浮動，倒是轉化率有了10%的提升。這基本可以說明第三步的浮動值是可信、可參考的。
第五步：確定優先級
綜上所述，我們可以確定在這個 GMV 等式裡，最核心問題出在“轉化率”這個子項上，“客單價”的問題也不小。
基於這樣5個步驟，我們已經確定了 GMV 第一層公式拆解中子項的問題優先級。如有必要，可以對子項再做拆解繼續循環這個步驟。不然，也可以根據經驗，對每個子項的問題做“假設”，進一步探索問題所在。
在進一步對問題假設進行驗證後，我們就可以有針對性地提出設計解法，去幫助業務解決商業問題了。
必須說明的是，此前一直強調這是一個粗略的等式。因為在真實情況裡，子項之間是有關聯的，並非各自獨立。
舉例而言，“流量”代表用戶，而不同類型用戶的行為是不同的。雖然流量暴漲一倍，但如果是因為某些營銷拉新帶來的非目標用戶，這些人的轉化率自然也不會高。
再舉個例子，客單價和轉化率也和平臺售賣的商品有關，比如傢俱電器等大件因為價格高，轉化率肯定不會高，但客單價卻可能很高。同理，餐巾紙等轉化更易，客單價則會很低。
記住一句話，誰對公式拆解得越細，誰的正確率就越高。
二、“隱性”指標的測試法
在工作中，也有很多數據指標連最粗略的公式都無法寫出，“留存率”就是一個很典型的案例。
留存簡單說就是來使用過產品的用戶有多少能夠真正留下來，成為活躍用戶，那麼影響這個比例的因素就非常多了。
但沒有公式，也不代表我們只能盲目設計盲目測試。我們可以把可能與“留存率”相關的指標先都羅列出來：點擊次數、瀏覽頁面數、停留時長、購買次數、分享次數……
這些數據中，一定有和“留存率”最為相關的那一個。在增長黑客的理論中，提出了所謂的“北極星指標”，也稱之為魔法數字“Magic Number”。
用戶增長工具 Growing.IO CEO、《增長黑客實戰》作者張溪夢老師的文章中就提到了一個很好的案例，特引用給大家說明。
引用：https://zhuanlan.zhihu.com/p/21974150
以 1 個社交 App 為例子。
我們都知道用戶能留下來的核心的原因是還是產品功能設計能否滿足了客戶的核心需求。
如果能滿足的話，我們能不能再進一步，我們這個產品的設計能否比較好的、比較快的、比較方便地滿足客戶的核心需求，這是第二點。
所以我們需要了解新用戶使用過哪些功能，或者說發生過什麼行為後，他們留下來了。進一步的，我們需要知道用戶訪問初期在網站 / App 的某些行為、頻次可能會讓用戶留下來，並且長久使用，成為忠誠用戶。發現了這些行為和發生次數，優化產品，促進用戶使用這些功能，就可能帶來更高的留存率。
我們希望新用戶在使用 App 的時候能夠儘早的對我們的產品說 “aha！”，希望他們能快速發現產品價值，並且留下來。因此希望能找到我們 APP 的魔法數字 。 現階段我們最關注的是用戶初期留存，所以需要了解用戶在使用 APP 早期（第一週做的事情）和次周留存之間的關係，並且找到那些具有高留存的行為。
為此我們做了如下幾點：
明確衡量的目標：對於我們來說，我們關注的是第一週的留存和次周留存之間的關係。具體來說，我們希望找出用戶的那些次周留存高的行為。
確定新用戶早期 On Boarding 時候的行為。比如登錄次數，信息發送個數，關注人數，分享次數，點贊次數等。
分別計算在一定時間內這些行為和次周留存的相關關係，找出在第一週不同行為的次數和次周留存率之間的關係。
我們發現新用戶首次訪問 7 天內，以下四個行為、頻次都與次周留存具有很強的正相關關係：發送信息 6 次、點贊 8 次、分享 5 次、關注人 12 人。
然後我們根據公司現階段戰略，每個行為的人數佔比，可實現的難易程度，將“分享 5 次”和“關注 12 人”當作我們 Magic Number 的候選名單。
然後我們使用 A/B 測試，通過產品和運營上的改變，讓兩組用戶分別儘可能多的達到這個兩個指標。然後，我們對這兩組用戶進行了驗證，我們發現促進用戶分享的那組用戶，次周留存並沒有得到太多提升；而關注 12 人的那組用戶，次周留存有大幅提高。
最後我們將 7 天內關注 12 人當作我們的 Magic number，並將這個指標當成我們衡量用戶 On Boarding 效果的最重要參考。
在選擇用戶 On Boarding 過程決定性的產品時，需要遵循這個原則：做過的都留下，留下的都做過；沒做過的沒留下，沒留下的沒做過。
注意：發現公司“魔法數字”的過程可能遠比上述案例複雜，但是一旦找到公司的魔法數字將會給您的公司帶來巨大的增長。
通過對數據的顯性、隱性判斷，可以幫助我們很好地在工作中發現機會、調整策略。使用合適的分析、拆解以及測試方法，則更能幫助業務發掘增長亮點。
本文由王鎮雷（ID：zhenlei_pd）原創發佈，授權互聯網早讀課轉載。內容僅代表作者獨立觀點，不代表早讀課立場。如需轉載，請聯繫原作者。
閱讀更多 互聯網er的早讀課 的文章
