12個用戶數據的理解與使用誤區

來自專欄 鎮雷的設計小作坊

在工作中，無論是設計師還是產品經理都會廣泛接觸到大量用戶和商業數據，如何正確的理解及使用數據，是每一個互聯網工作者的必修課。通過對數據的洞察和解讀，可以幫助我們發現產品的問題，了解用戶的需求，挖掘商業發力點。

這次的文章不會系統性窮舉數據類型和分析手段，但希望通過一些基礎數據的理解，幫助初學者消除誤區，打開思路。

首先來幾個簡單的，對於指標定義的誤解。

1、GMV 不代表利潤或盈利能力

GMV（商品交易總額 Gross Merchandise Volume）通常是電商平台最核心的數據指標，如每年的雙11，各大平台最受關注的也是 GMV。

值得注意的是，GMV 並不等於利潤，僅僅表徵在產品上的銷售額，真正計算利潤是需要減去成本的。因此，我們也不會單純因為 GMV 的高低就判斷兩個平台的盈利能力。

2、每日/月的 UV 不等於 DAU/MAU

UV（獨立訪客數 Unique Visitor）同樣是產品的一項核心數據，但並不是每一個 UV 都是有效的、可轉化的，因此不同產品會定義不同的門檻，如有超過三次點擊的用戶會被記錄為一個活躍用戶（Active User），而常見的日活（DAU）、月活（MAU），就是指每天和每月的活躍用戶數。

根據不同產品的特點，甚至是同一個產品的不同時期，活躍用戶的定義都會有變化，這需要儘早確定，以免數據被錯誤使用。

3、模塊點擊率不是（模塊點擊量/頁面總 UV）

CTR（點擊通過率 Click-Through-Rate），我們常說一個頁面或者一個組件的點擊率，但不少人並不明白點擊率真正有價值的定義。

尤其針對模塊和單個組件，常有人將點擊率定義為（模塊點擊量/頁面總 UV），殊不知由於手機屏幕長度有限，不同模塊被用戶看到的概率是不同的，除以總 UV 自然就不正確。

實際應用中，CTR = Click / Show content，即點擊次數除以看到模塊的用戶量，有時候也稱曝光點擊率。更進一步，由於分母選取的不同，還有 UV 點擊率和 PV 點擊率之分，會有細微的使用差異。

定義了解清楚了，就提升下難度，對指標價值的理解偏差

4、PV 不是越高越好

PV（頁面訪問量 Page View），值得注意的是，一個用戶在頁面中的每一次點擊都會累加到 PV 上，因此單看 PV 的高低並不能真實反映頁面的效果。畢竟，大量點擊可能代表用戶對內容感興趣，也可能表示用戶在進行低效的盲目瀏覽。

5、停留時長不是越長越好

平均停留時長代表用戶在一個頁面停留的時間，通常認為停留時長越長，表示頁面內容對用戶越有吸引力、用戶越喜愛。

但事實上，對於很多效率型產品和工具，花費時間長未必是一件好事。就拿商品詳情頁來說，花費了更多的時間如果不能帶來更多的購買，只能代表效率低下。

6、高點擊率可能帶來副作用

通常我們認為，通過測試發現兩個組件的（曝光）點擊率有高低之分，表明組件對用戶的吸引力不同。事實上，僅僅看單個組件的點擊率也並不客觀，如果一個組件的面積大、高度高、視覺優先順序高，當然就更容易獲得點擊。

但對應地，它是爭奪了其他組件的曝光機會，對整個頁面而言，也許它個體的效果更好，但對整體反而有害。

控制變數法是小學初中就會接觸的實驗方法，然而即便在大型互聯網公司的數據測試中，也常常被誤用。

7、未做到實驗同時進行

嚴格 AB 測試需要保證兩個實驗組同時進行測試，因為不同月份用戶習慣有差別、工作日和假期有差別、周一和周二有差別，甚至早上中午和晚上也有差別。

不同時間，頁面的用戶基數、展示的內容（如有個性化）、用戶行為特徵、網路狀態都會有顯著差異。因此，常常因為技術準備不足，運營直接分兩天上線不同內容/模塊測試得到的結果，說服力往往差強人意。

8、未設置對照組

如果你的產品日常有100萬用戶，當需要測試一個新功能時，用戶應該如何分組？

為避免新功能造成太大的負面影響，測試用戶數肯定不能太大，常見做法是隨機90萬用戶一組，10萬用戶一組。

但科學的對照方式應該是80萬用戶作為正常A組，10萬用戶作為測試B組，另10萬用戶作為對照C組。實際數據比較時，將BC兩組做比對。這樣做的原因是，相同的用戶基數才有說服力，才能避免基數過小帶來的數據偏差。

9、用戶群體的選擇陷阱

在產品設計時，有時不同的功能會針對不同的用戶群體，可能是男女用戶之分，新老用戶之分，有錢沒錢之分，有沒有時間之分……畫像差異會帶來行為差異。

在進行測試時，必須時刻緊盯數據到底針對的是不是你想要的用戶，以及會不會對其他群體造成影響。最理想的情況，特定產品只有特定用戶能看到，但實際上可能其他用戶也能看到和使用。我就見過一個針對高消費層級用戶的產品，對高消費人群效果良好，但對中低層級用戶體驗帶來了極大損害，此時就要仔細分析它的利弊了。

因為用戶行為是一個連續的過程，因此數據使用也要組合起來看，切不可盯著單獨的數據研究。

10、關於高點擊和低轉化

如果前一個分流頁面的點擊率很高，但是後一個頁面的轉化率很低，這可能說明你成功吸引了用戶的注意力，但沒有很好地滿足他們的預期。

就拿電商產品來說，導購層面我們優化首頁、搜索和內容頻道，有更多用戶點擊來到了商品詳情頁，但可能沒有發生更多的購買。此時，就為設計帶來了一個突破機會 —— 優化後續頁面對前序行為的承接。

前一個頁面吸引人的點，在後一個頁面能否被看到？除了這個點以外，後一個頁面是否有明顯的缺陷和瑕疵？通過用戶訪談去了解用戶產生興趣但不轉化的原因……絕大部分人都在做提高點擊率和提高轉化率的事，但少有人把他們結合在一起看。

11、進入頁面後產生首次點擊的時間

點擊和時間，這是兩個數據。有時我們會研究用戶到達一個頁面後，產生首次操作花費的時間。

如果用戶快速做出了反應，代表頁面的內容容易理解、符合預期；而如果用戶花了較多時間才進行點擊、滑動，可能代表頁面理解成本較高。當然，我們同步還會看用戶做出的反應是什麼，如果用戶進入頁面後馬上返回（跳失），說明頁面完全沒有迎合他的預期。

另一方面，我們也會針對不同類型產品來使用這個數據，效率型的產品希望用戶快速操作，內容型產品則期待用戶完成閱讀。

12、用戶特徵和行為數據

關於用戶分層的話題我會在下次文章中單獨討論。值得一提的是，不用特徵用戶的數據往往揭示了更多的設計機會。

如果你的產品新用戶首次轉化的時間很久，但是老用戶復購率又還不錯，可能需要你設計一系列針對新用戶的引導和功能；有些高頻用戶每天都會來，他們需要更多新鮮的內容，而每隔一段時間來一次的低頻用戶可能依賴的是某個特定的產品功能；如果你的產品服務於高端用戶，是否有設計可以幫助中低端用戶向高端進行轉化？

這都是可以去發力的設計點。