相信你一定遇到过，做一个大改版的时候，特别是之前一个版本特别烂，你有无数的想法来优化它。这时候你“引经据典”，设计灵感如滔滔江水，恨不得出上好几版方案。但是，当你精心设计的方案最终上线，几个月后业务方又来找到你，说我们要做进一步的改版，因为业务指标不是特别理想。这时候，你会产生动摇，为什么我之前认为完美的方案，业务指标不好，那我怎么改啊。
如果你工作多年，或多或少都会在接触到业务需求的时候产生思考或者设计的习惯，他或许来自某次特别成功的案例，又或许是你屡试不爽的小秘籍。人脑就是这样，会自发的形成很多定式，因为这样可以最大的减少能耗，让我们生存下去。但是，做设计如果只是依靠这些定式，就会像失去磁性的指南针，产生偏差，日积月累就会影响我们方案的准确性。要解决这个问题，就需要数据化的设计思考。
我对数据化设计的思考源自马云的一次演讲。他说说未来阿里巴巴的一切业务数据化，一切数据业务化。数据会成为未来的石油，一个企业的数据沉淀和积累会成为其特别宽厚的护城河，是竞争对手无法越过的。一切业务，当然也要包括我们的设计。当我开始认真审视“数据”这道题时，我发现数据不光可以帮你优化已有的方案，更能帮你突破思维惰性，发现更好的自己。
在讨论数据化思考的时候，我想先引入一个理论，就是产品生命周期论，因为不是所有的产品都适合精细的数据化设计思考。产品生命周期理论是美国哈佛大学教授雷蒙德·费农1966年在其《产品周期中的国际投资与国际贸易》一文中首次提出的。产品生命周期(product life cycle)，简称PLC，是产品的市场寿命，即一种新产品从开始进入市场到被市场淘汰的整个过程。费农认为：产品生命是指市上的的营销生命，产品和人的生命一样，要经历形成、成长、成熟、衰退这样的周期。就产品而言，也要经历一个开发、引进、成长、成熟、衰退的阶段。
这是个很大的概念，我们可以把他缩小了来看。一个项目从发起到下线也会经历这个类似的过程。产品经理会拿着初稿的prd文档，约着各个业务方一起kick off，经过几个月项目上线，上线后，产品和运营会不断的根据业务结果来提出迭代的需求，如果持续很久发现业务目标总是实现不了，可能就进入到衰退周期，关闭服务或者转型其他的业务都有可能。在这个流程中，我认为数据化的思维方式会比较适合项目成长和成熟期。这和设计师在产品生命周期中的角色重要性是一致的。我目前还没有发现一个产品是通过极致的用户体验来打开市场，成长起来的（好像airbnb还不错，但是我还没有时间去仔细研究）。如果你是一个心怀强大抱负的设计师，那我建议不要去刚刚起步，一穷二白的初创公司，因为那没有你发挥的空间，整个公司都要为生存，为用户数，为DAU，为迭代速度而拼命挣扎的时候，很难会百分百采纳你的设计建议，成长和成熟期的公司会更适合你。这个话题不展开了，为什么项目在这两个阶段会需要数据化设计呢。一个很简单的原因是，这个时候才有真实的数据，没有上线的产品，得到的数据只能是researcher给你的一些行业或者竞品的数据，不管怎样都不是一手的。另一方面，数据是一个被动的资源，他是要验证之前的策略的，这两个阶段之前应该有很多的策略尝试了，所以数据来验证就会非常合乎逻辑。
接下来我想说的一个事情，可能会让一些同学沮丧。数据化设计是有硬性门槛的，这也是我为什么说成长和成熟期的产品服务会比较适合，因为一般到这个阶段，资源会比较充沛，能够为设计师提供许多非业务单元的其他数据。在阿里，有强大的数据监控工具，能够让设计师很方便的查看页面数据包括浏览和点击。也有很方便的ABtest工具，设计师可以自助的来完成ABtest任务。
前面铺垫的比较多，干货的东西抛的有点慢了。我把数据化设计方法提炼为四个阶段：1.数据提炼 2.分析描述 3.猜想推测 4.实践验证
1.数据提炼
数据提炼就是我刚刚提到的，需要有工具把需要的数据提炼出来。作为设计师，要非常娴熟的理解这些数据指标。举个例子，反映页面浏览基础数据的PV、UV。但一般来说我们不会用PV来评判页面设计的好坏，因为PV和UV一般和引流有关，如果有外投广告或者PR事件，会直接影响这两个指标。另外一个容易混淆的概念是跳失率和退出率。跳失率是指访问路径第一步即为当前页的用户中，没有产生任何二次点击而直接离开的比率。跳失率一般会和引流的准确度有关，比如一个女性用品的网站引流来了大量的男性用户，那跳失率一定非常高。退出率是指来到页面的所有用户中，没有产生任何二次点击而直接离开的比率，退出率可以比较强相关的反映页面的受欢迎程度。当然也和页面具体的内容有关，如果是任务完成后的结果告知页，那用户是一定要离开的。除了反映页面本身状况的数据外，还有反映页面间流量变化的“联动”数据，比如下单转化率，可以反映出从下单链路第一步到最终购买成功的每一步的流量是如何衰减的。
2.分析描述
数据指标有很多，具体要选择哪些指标来分析是非常重要的。“我这个业务现状转化不好，压力很大！帮我想想办法。”这是业务方来向我们提需求时最常说的话。和看病一样，病人只能描述哪不舒服，需要医生来判断到底是哪出了问题。如果是转化不好，那么影响的因素有很多，页面本身数据不好，还是转化链路出了问题，都有可能。怎么入手，我的经验是，先宏观再微观。和医生做诊断一样，先整体排除掉一些非问题部位，再仔细确定病灶。宏观数据一般就是联动数据，通过链路分析可以优先确定是哪个具体的页面出了问题，或者流量衰减的相对更严重。是营销做的不吸引人，还是下单流程有bug，或者是支付页出了问题？通过分析链路中的流量衰减可以帮助我们快速定位问题。确定了哪个页面的问题，接下来就是仔细研究了，也就到了第三个环节。
3.猜想推测
比如，我们发现是产品展示页出了问题，因为流量到了这个页就流失掉了。那么我们就要开始猜想推测了，是引流不精准？首屏信息展示不充分？内容密度分布不合理？都有可能，如果引流不精准，那看跳出率如何。如果首屏展示信息不充分，可以看下页面三、四屏区域的到达率。
猜想阶段鼓励各种大胆新奇的想法，可以是经验判断也可以是脑洞大开，当我们通过数据与猜想把问题圈定在一个可控的范围内，就可以进入到下一个环节了。
4.实践验证
这个时候就开始设计方案，相信有了前三个环节的梳理和分析，我们已经有了不少的设计灵感，这个时候把灵感落地到方案是水到渠成的事情。对于重要的页面改动，还可以引入ABtest。最重要的是要持续的监控数据。如果数据有正面反馈，那就说明我们的猜想和分析以及方案改进是合理的，是击中要害的。反之，就说明我们还是没有找到真正的原因，有可能不是设计师可以解决的。这个时候，我们可以再进行一轮上述的闭环，在之前的基础上会更加解决正确的方案。和事物演进的过程一样，数据化设计也是螺旋式上升的过程。
以上，我把数据化设计的主要思路和方案简单介绍了一下，其实每一个环节都有大量的实践和案例，只是出于商业或者篇幅的限制无法一一展示，找机会吧。
