數據測量與分析：入門完全指南
原文 UX Booth Editorial Team 2016-03-29 看原文點這裡
翻譯 雲夢大澤 2016-10-09 @ 簡立方
有沒有一種神奇的方法，可以創造廣受歡迎或者能讓用戶一見鍾情的體驗？並沒有。創造所有人都喜愛的體驗並非我們的目標，相反，我們力求創造一種直接服務於特定人群並讓他們滿意的體驗。同樣地，也沒有一種特定的衡量我們創作成功與否的方法。在這樣的情形下，分析學就有了用武之地。
如果你無法衡量它，那麼你如何知道它是否是成功或有效的呢？
這就是不斷驅動UX從業者收集和分析數據的原因。通過線上或線下，我們收集了許多數據：如，有多少人點擊了它？他們通過導航到了哪裡？他們什麼時候退出了？以及，他們在尋找什麼？我們應用分析學去衡量我們設計的有效性。這就是說，當我們看到人們的行動時，我們就可以通過分析知道設計是否與用戶進行了良好的交流互動，亦或者，設計是否很好地傳達給了用戶。
在這篇入門完全指南中，我們將探討分析學中一些基本的方法，以及用戶體驗測量與分析中的日常工作和交付物。我們也將列舉一些常用工具、知名會議和協會、相關書籍，這些都會給你很好的幫助。
目錄
- 什麼是分析學？
- 通用方法
- 日常工作和交付物
- 可以關注的大神
- 常用工具
- 知名會議和協會
- 相關書籍
什麼是分析學？
我們都知道，自互聯網出現以來，它已經深刻地改變了我們，也改變了相關用戶的行為。從一開始的用戶輸入網址到現在的依賴於搜索引擎進行搜索，從將所有的注意力放在一個界面到打開、瀏覽多個標籤頁，所有這一切使得網站或應用程序變得更加複雜。要衡量我們的設計，分析師不能僅僅簡單地測量網路伺服器上的點擊率，他們必須分析用戶的行為。
在收集信息、數據時，研究人員會根據情況採用定性或定量方法，或者二者相結合的方法。定性數據通過用戶研究進行收集：觀察人們的行為，了解他們為什麼要做某些事情；而定量數據則通過測量、分析來獲得：了解用戶進入一個頁面時採取了哪些行動，以及有多少用戶採取了這些行動。
這種量化的數據能讓我們得出一些基準，這些基準則可以給我們的設計決策提供幫助或啟發，從而使我們得知設計是有效的還是無效的，是成功的還是失敗的。世間萬物皆可測量，但數據的使用通常僅限這些方式：我們用數據去描述問題，診斷問題，給出最優方案，預測結果。
- 描述性分析類似於老式的計數器。描述性分析可以給出這樣的基本數據，比如有多少人訪問了一個網頁，多少人點擊了這個按鈕，或有多少人觀看了視頻。
- 診斷分析可能會使用一些和描述性分析類似的度量指標，但卻基於不同的目的。診斷性分析有助於我們了解發生了什麼，以及為什麼。例如，如果一個在線零售商正在賠錢，他們可能會測量用戶在各個使用環節中的點擊率和頁面退出率，從而得知用戶在哪些地方流失掉了。
- 規則性分析指的是那些幫助用戶得知下一步該做什麼的數據。例如，假如谷歌地圖收集了上下班高峰期的交通數據，它就可以基於這些數據給司機規劃一個更好的線路。或者當我們要考慮設計的有效性時，規則性數據也可以幫助我們識別模式，從而給我們未來的設計決策提供啟發或幫助。
- 預測性分析是最後一種類型。它告訴我們在某一情境中可能會發生什麼。例如，如果我們使用A / B測試法測試一個網站新版的頂部設計，該測試可以告訴我們哪個設計更容易將客戶留在網站上。如果新版的頂部設計比較受歡迎，我們就可以得到這樣的預測：如果我們使用了新版的頂部設計，網站流量很可能會增長。
以上四種類型的分析過程中都會使用一些度量指標，這些度量指標通常基於關鍵績效指標（KPI），亦或者或者和KPI相關。關鍵績效指標是一個可測量的行為或者信號，它關乎商業的成敗。例如，某公司的 Twitter 轉發量不會直接增加用戶對該公司的喜愛或者識別度，但是營銷團隊可以將Twitter轉發量關聯到品牌認知度，在這種情況下，他們可以使用轉發量作為他們的KPI之一。理想情況下，針對某一經營目標應該有多重KPI，從而增加數據的可靠性。
通用方法
雖然分析學可能令很多設計師感到複雜難懂，但其實一些基本方法通常簡單明了、直接明確。大體上，分析學領域基於這三點：研究、測量和分析。
研究儘管基於網路的分析是一個相當新的領域，但研究領域已經有幾百年的歷史了。研究人員橫跨各個領域，從科學到營銷，再到人類學，他們使用的分析技術直接影響分析師的工作方式，以及分析師決定去繼續追蹤研究的方向。研究人員的工作，特別是當與分析學結合在一起的時候，與科學方法極其類似：
研究人員首先優化自己的目標或問題，以便集中他們的注意力。一旦他們明確了項目目標，他們就會首先提出一個假設，然後去檢驗這一假設。接下來，數據分析師可以去測量研究和測試的結果。基於這些測量結果，研究人員和分析師可以識別、去除出一些離群值，或不能反映整體以及模式的結果。最終，他們得出結論，甚至基於他們的分析給出一些預測。
測量仔細說來，很多指標都可以幫助我們了解一個公司或品牌是否愈來愈強。營銷人員、企業家、商業顧問都建立了自己的衡量成功的方法。他們可以測量這些數據：用戶數量、網站的速度、用戶在網站上的停留時間，以及一些離線細節，比如資金款額、新產品關注量、郵件的訂閱量，或購買數量。
有許多公司只知道測量而不重視先前的研究和後續的分析，這種處境相當危險。舉個例子，你可以去測量訪問該網站的人數，但如果你沒有研究之前幾天，幾周，幾月的用戶訪問數量，如果你沒有兩種數據的分析、比較方法，那麼你測量到的數據其實是毫無意義的。這就是為什麼我們經常提及數據追蹤，而不僅僅是測量。數據追蹤意味著基於研究的持續測量，這整個過程都包含有分析的意圖。
分析分析是將整塊信息打碎成片段，並檢查每塊片段代表含義的過程。分析的概念應用廣泛，它在數學、哲學、化學、精神病學，以及計算機科學中都有使用。如果沒有分析，所有在研究階段收集到的信息都可以被測量出來，但是毫無意義。分析使我們在信息之間建立關聯。例如，你可能會研究人們如何訪問一個網站，測量由搜索引擎進入網站的人數，然後我們可以通過分析得出相關背景，以及回答一些基本問題，如：有多少人訪問過類似的網站？今天有多少人訪問了您的網站，相比於昨天或上周或去年如何？有多少人從谷歌進入你的網站，與從Twitter進入的數量相比如何？
這裡有一個有趣的細節：「分析」一詞來自古希臘的?ναλ?ω，意思是「我將它解開、拆散」。「分析」這個詞最早發現使用於亞里士多德的文章標題中，Prior Analytics，這是一篇關於演繹推理和科學方法的文章。作為人類，我們都自然地對分解信息並在邏輯上理解他倍感興趣，這也許就是我們發現分析極其有價值的原因之一。
日常工作和交付物
數據分析是許多行業的必要工作之一，從營銷人員到用戶體驗從業者，再到數據分析師無不如此。在本節中，我們將回顧一些UX從業者可能會實施的分析任務、工作，以及相關的交付物。
設定關鍵績效指標當一個新的舉措即將啟動並實施時，分析師需要確定和設置相關的關鍵績效指標。這些KPI都和該項目要達到的用戶體驗目標密切相關，這也就是為什麼UX從業者和數據分析師一起共同協作進行分析工作是非常有價值的。關鍵績效指標，如我們上面所解釋的，是關聯到公司或項目目標的可測量的行為或信號。比如說，如果一個公司的目標是成為一個全球性的公司，他們的一個KPI就可能是來自世界各地的用戶訪問量，或者是國外的產品銷售數量。理想情況下，每個項目目標都應該有一個與之相關的關鍵績效指標，這使得我們可以衡量項目成功與否。
優化內容我們之前一直在集中討論分析學有關測量的部分，還沒有觸及到這些是如何影響用戶體驗的。分析學告訴我們哪些內容或網站的哪些部分需要改進，這意味著，分析師往往可以給UX人員提出可最優化的建議和方向。這可能包括理解谷歌的搜索演算法是如何工作的，如何處理和改進元數據，哪些關鍵字最有可能觸及到我們的目標受眾，以及許多和貿易相關的方便技巧。在頁面上線或者活動啟動之前，分析團隊（或個人）需要審查一切事物，並優化所有的內容，這使得事情更容易成功。
設置分析工具一旦確定了關鍵績效指標，我們就需要添加代碼到相關網頁，以跟蹤網站參與度、轉換數據，以及其他一些指標。Google Analytics 是最流行的分析工具之一，它的流行在很大程度上是因為谷歌讓它極易在網站上添加跟蹤代碼。有些時候，追蹤、分析數據的任務由開發團隊承擔，但在更多的情況下，這些工作由分析師來承擔，他們還需要為開發團隊提供所需的相關代碼片段。
監視和測量維護是分析工作的重要組成部分。根據項目的不同，分析師可以創建每日，每周，每月，或雙年度的分析報告。比如說，如果是和社交媒體相關的活動，那麼就可能需要每天更新報告。然而，對於一個新產品來說，產品本身的推出就可能需要6個月的時間長度，相應的分析報告也就需要更長的更新周期。不管時間段的長短，分析師通過不斷地監測、計量和報告，逐漸深入並進行分析。最後要說的是，僅僅報告KPI是不夠的，分析工作意味著解釋關鍵績效指標的含義，並根據對這些指標的理解給UX團隊提出建議。
可以關注的大神
分析學常常讓UX領域中的人們望而卻步，但下面這些人讓分析不再神秘，平易近人且有章可循。他們的文章，講座和播客可以很好地幫助我們提升在網路世界分析和使用數據的能力。
Annie Cushing 做過許多與內容有關的工作：撰寫，編輯，推銷，優化，測量。她在自己的博客Annielytics、Search Engine Land 、YouTube頻道 上提供了許多實用方法或策略，幫助人們使用工具來分析社交媒體的成功和競爭性信息。
——————————————————————————————————————————
——————————————————————————————————————————
Gary Angel
Gary Angel 被認為是數字測量方面的專家，他目前是 Ernest & Young (EY) 數字分析中心的負責人。Gary定期撰寫博客，他已出版了許多與數據分析相關的優秀書籍，也經常在行業活動中發表演講。他也是書籍《Measuring the Digital World》的作者。——————————————————————————————————————————
——————————————————————————————————————————
——————————————————————————————————————————
常用工具
分析師可以使用許多不同的工具來完成他們的工作。以下是一些最流行的工具：
Google Analytics
——————————————————————————————————————————
Moz Pro, from Moz
Moz 一開始是一家 SEO 諮詢公司，目前它已成長為一家擁有四種工具軟體的公司，這些工具可以幫助你優化內容，收集並分析數據。Moz Pro 是他們主要的搜索營銷工具，它使用了「一套集所有功能於一身的搜索引擎優化（SEO）研究和分析工具」來幫助你拆解數據。這個工具有多種價格可供你選擇：79$ /月 至 599$ /月 不等。?
了解更多關於 Moz Pro——————————————————————————————————————————
Clicktale
該工具軟體相當複雜，它為你的系統提供了很多可優化機會，並且還提供了定性或定量的數據追蹤功能。個人版最低 9$ 起，企業版最低 99$ 起，並根據購買數目最終定價。?
了解更多關於 ClickTale——————————————————————————————————————————
KISSmetrics
了解更多關於 KISSmetrics
——————————————————————————————————————————
Crazy Egg
知名協會和會議
分析學會議通常彙集了來自各個領域的人。下面這些協會或會議通常涉及有關數據、研究、分析，和網頁的話題。
All Things Data
All Things Data 雖然沒有明確的以用戶體驗為中心，但你可以在這裡學習如何收集和使用數據。All Things Data 的使命是通過數據分析來幫助你做出更好的業務決策。該協會的成員都是來自知名企業的專業人士，他們給參加者提供建設性意見和信息，從而推動公司成長。更多信息請訪問：https://www.atdconf.com/Data Science Conference
該會議為從事這些領域的專業人員而成立：數據科學、大數據、數據挖掘、機器學習、人工智慧，以及預測建模。該會議不允許供應商，贊助商，或者招聘人員進入，因此你可以全身心的投入交流與討論，不必擔心被打擾！更多信息請訪問：We are what we do
IoT Data Analytics & Visualizations （物聯網數據分析和可視化）
這場大會致力於討論數據可視化和分析的相關話題，尤其針對當下的物聯網。該大會對 CIO 和 CDO（首席信息官和首席數據官）是免費的，當然，它也歡迎任何人參加。該會議包含了來自企業的大量有關數據可視化和分析的實際案例，參會者討論這些實例以提高投資回報率，並在物聯網中提升自身公司的價值。更多信息請訪問：An Event Apart: The design conference for people who make websites.Global Big Data Conferences（全球大數據會議）
Global Big Data Conference 團隊主持著許多以數據分析為重點的會議。這些會議討論了數據管理的不同方面以及數據分析的用途。他們充分認識到數據分析對商業帶來的競爭優勢，這可以幫助企業提高自己的市場地位，明確受眾群體定位，並進行其他業務決策。更多信息請訪問：An Event Apart: The design conference for people who make websites.相關書籍
下面這些書籍可以給你提供很好的指引。此外，你也可以從很多團體或個人的博客中學習，如Google Analytics ，Occam』s Razor （Avinash Kaushik），以及 Moz 。
《Web Analytics 2.0》
Avinash Kaushik本書作者為Web分析界的思想領袖 Avinash Kaushik。《Web分析2.0：用戶中心科學與在線統計藝術》一書提供了很多建議，例如，如何創建一個可操作、可實施的策略，如何正確運用分析技術，如何應對諸如社會媒體和多渠道營銷活動帶來的分析挑戰，如何利用實驗得出最佳結果，以及如何使用方法、策略真正地聆聽客戶。——————————————————————————————————————————
——————————————————————————————————————————
——————————————————————————————————————————
——————————————————————————————————————————
推薦閱讀：
※[長篇小說]數據分析俠A的成長故事【2017.2.25更】
※數據挖掘八年經驗，是不是很難找到合適的工作？
※數據分析--百年大電影