数据测量与分析：入门完全指南

在这篇入门完全指南中，我们将探讨分析学中一些基本的方法，以及用户体验测量与分析中的日常工作和交付物。我们也将列举一些常用工具、相关书籍，帮UX 从业者更好地学会收集和分析数据。

有没有一种神奇的方法，可以创造广受欢迎或者能让用户一见钟情的体验？并没有。创造所有人都喜爱的体验并非我们的目标，相反，我们力求创造一种直接服务于特定人群并让他们满意的体验。同样地，也没有一种特定的衡量我们创作成功与否的方法。在这样的情形下，分析学就有了用武之地。

如果你无法衡量它，那么你如何知道它是否是成功或有效的呢？

这就是不断驱动UX从业者收集和分析数据的原因。通过线上或线下，我们收集了许多数据：如，有多少人点击了它？他们通过导航到了哪里？他们什么时候退出了？以及，他们在寻找什么？我们应用分析学去衡量我们设计的有效性。这就是说，当我们看到人们的行动时，我们就可以通过分析知道设计是否与用户进行了良好的交流互动，亦或者，设计是否很好地传达给了用户。

在这篇入门完全指南中，我们将探讨分析学中一些基本的方法，以及用户体验测量与分析中的日常工作和交付物。我们也将列举一些常用工具、知名会议和协会、相关书籍，这些都会给你很好的帮助。

目录

什么是分析学？

通用方法

日常工作和交付物

可以关注的大神

常用工具

相关书籍

什么是分析学？

我们都知道，自互联网出现以来，它已经深刻地改变了我们，也改变了相关用户的行为。从一开始的用户输入网址到现在的依赖于搜索引擎进行搜索，从将所有的注意力放在一个界面到打开、浏览多个标签页，所有这一切使得网站或应用程序变得更加复杂。要衡量我们的设计，分析师不能仅仅简单地测量网络服务器上的点击率，他们必须分析用户的行为。

在收集信息、数据时，研究人员会根据情况采用定性或定量方法，或者二者相结合的方法。定性数据通过用户研究进行收集：观察人们的行为，了解他们为什么要做某些事情；而定量数据则通过测量、分析来获得：了解用户进入一个页面时采取了哪些行动，以及有多少用户采取了这些行动。

这种量化的数据能让我们得出一些基准，这些基准则可以给我们的设计决策提供帮助或启发，从而使我们得知设计是有效的还是无效的，是成功的还是失败的。世间万物皆可测量，但数据的使用通常仅限这些方式：我们用数据去描述问题，诊断问题，给出最优方案，预测结果。

描述性分析类似于老式的计数器。描述性分析可以给出这样的基本数据，比如有多少人访问了一个网页，多少人点击了这个按钮，或有多少人观看了视频。

诊断分析可能会使用一些和描述性分析类似的度量指标，但却基于不同的目的。诊断性分析有助于我们了解发生了什么，以及为什么。例如，如果一个在线零售商正在赔钱，他们可能会测量用户在各个使用环节中的点击率和页面退出率，从而得知用户在哪些地方流失掉了。

规则性分析指的是那些帮助用户得知下一步该做什么的数据。例如，假如谷歌地图收集了上下班高峰期的交通数据，它就可以基于这些数据给司机规划一个更好的线路。或者当我们要考虑设计的有效性时，规则性数据也可以帮助我们识别模式，从而给我们未来的设计决策提供启发或帮助。

预测性分析是最后一种类型。它告诉我们在某一情境中可能会发生什么。例如，如果我们使用A / B测试法测试一个网站新版的顶部设计，该测试可以告诉我们哪个设计更容易将客户留在网站上。如果新版的顶部设计比较受欢迎，我们就可以得到这样的预测：如果我们使用了新版的顶部设计，网站流量很可能会增长。

以上四种类型的分析过程中都会使用一些度量指标，这些度量指标通常基于关键绩效指标（KPI），亦或者或者和KPI相关。关键绩效指标是一个可测量的行为或者信号，它关乎商业的成败。例如，某公司的 Twitter 转发量不会直接增加用户对该公司的喜爱或者识别度，但是营销团队可以将Twitter转发量关联到品牌认知度，在这种情况下，他们可以使用转发量作为他们的KPI之一。理想情况下，针对某一经营目标应该有多重KPI，从而增加数据的可靠性。

通用方法

虽然分析学可能令很多设计师感到复杂难懂，但其实一些基本方法通常简单明了、直接明确。大体上，分析学领域基于这三点：研究、测量和分析。

研究

尽管基于网络的分析是一个相当新的领域，但研究领域已经有几百年的历史了。研究人员横跨各个领域，从科学到营销，再到人类学，他们使用的分析技术直接影响分析师的工作方式，以及分析师决定去继续追踪研究的方向。研究人员的工作，特别是当与分析学结合在一起的时候，与科学方法极其类似：研究人员首先优化自己的目标或问题，以便集中他们的注意力。

一旦他们明确了项目目标，他们就会首先提出一个假设，然后去检验这一假设。接下来，数据分析师可以去测量研究和测试的结果。基于这些测量结果，研究人员和分析师可以识别、去除出一些离群值，或不能反映整体以及模式的结果。最终，他们得出结论，甚至基于他们的分析给出一些预测。

测量

仔细说来，很多指标都可以帮助我们了解一个公司或品牌是否愈来愈强。营销人员、企业家、商业顾问都建立了自己的衡量成功的方法。他们可以测量这些数据：用户数量、网站的速度、用户在网站上的停留时间，以及一些离线细节，比如资金款额、新产品关注量、邮件的订阅量，或购买数量。

有许多公司只知道测量而不重视先前的研究和后续的分析，这种处境相当危险。举个例子，你可以去测量访问该网站的人数，但如果你没有研究之前几天，几周，几月的用户访问数量，如果你没有两种数据的分析、比较方法，那么你测量到的数据其实是毫无意义的。这就是为什么我们经常提及数据追踪，而不仅仅是测量。数据追踪意味着基于研究的持续测量，这整个过程都包含有分析的意图。

分析

分析是将整块信息打碎成片段，并检查每块片段代表含义的过程。分析的概念应用广泛，它在数学、哲学、化学、精神病学，以及计算机科学中都有使用。如果没有分析，所有在研究阶段收集到的信息都可以被测量出来，但是毫无意义。分析使我们在信息之间建立关联。例如，你可能会研究人们如何访问一个网站，测量由搜索引擎进入网站的人数，然后我们可以通过分析得出相关背景，以及回答一些基本问题，如：有多少人访问过类似的网站？今天有多少人访问了您的网站，相比于昨天或上周或去年如何？有多少人从谷歌进入你的网站，与从Twitter进入的数量相比如何？

这里有一个有趣的细节：“分析”一词来自古希腊的ἀναλύω，意思是“我将它解开、拆散”。“分析”这个词最早发现使用于亚里士多德的文章标题中，Prior Analytics，这是一篇关于演绎推理和科学方法的文章。作为人类，我们都自然地对分解信息并在逻辑上理解他倍感兴趣，这也许就是我们发现分析极其有价值的原因之一。

日常工作和交付物

数据分析是许多行业的必要工作之一，从营销人员到用户体验从业者，再到数据分析师无不如此。在本节中，我们将回顾一些UX从业者可能会实施的分析任务、工作，以及相关的交付物。

设定关键绩效指标

当一个新的举措即将启动并实施时，分析师需要确定和设置相关的关键绩效指标。这些KPI都和该项目要达到的用户体验目标密切相关，这也就是为什么UX从业者和数据分析师一起共同协作进行分析工作是非常有价值的。关键绩效指标，如我们上面所解释的，是关联到公司或项目目标的可测量的行为或信号。比如说，如果一个公司的目标是成为一个全球性的公司，他们的一个KPI就可能是来自世界各地的用户访问量，或者是国外的产品销售数量。理想情况下，每个项目目标都应该有一个与之相关的关键绩效指标，这使得我们可以衡量项目成功与否。

优化内容

我们之前一直在集中讨论分析学有关测量的部分，还没有触及到这些是如何影响用户体验的。分析学告诉我们哪些内容或网站的哪些部分需要改进，这意味着，分析师往往可以给UX人员提出可最优化的建议和方向。这可能包括理解谷歌的搜索算法是如何工作的，如何处理和改进元数据，哪些关键字最有可能触及到我们的目标受众，以及许多和贸易相关的方便技巧。在页面上线或者活动启动之前，分析团队（或个人）需要审查一切事物，并优化所有的内容，这使得事情更容易成功。

设置分析工具

一旦确定了关键绩效指标，我们就需要添加代码到相关网页，以跟踪网站参与度、转换数据，以及其他一些指标。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为谷歌让它极易在网站上添加跟踪代码。有些时候，追踪、分析数据的任务由开发团队承担，但在更多的情况下，这些工作由分析师来承担，他们还需要为开发团队提供所需的相关代码片段。

监视和测量

维护是分析工作的重要组成部分。根据项目的不同，分析师可以创建每日，每周，每月，或双年度的分析报告。比如说，如果是和社交媒体相关的活动，那么就可能需要每天更新报告。然而，对于一个新产品来说，产品本身的推出就可能需要6个月的时间长度，相应的分析报告也就需要更长的更新周期。不管时间段的长短，分析师通过不断地监测、计量和报告，逐渐深入并进行分析。最后要说的是，仅仅报告KPI是不够的，分析工作意味着解释关键绩效指标的含义，并根据对这些指标的理解给UX团队提出建议。