《网站分析：用数据辅助设计-搜索中的实践》由会员分享，可在线阅读，更多相关《网站分析：用数据辅助设计-搜索中的实践（4页珍藏版）》请在金锄头文库上搜索。
1、网站分析：用数据辅助设计网站分析：用数据辅助设计- -搜索中的实践搜索中的实践设计时不能单凭经验和直觉，因为涉及到的目标人群、场景、操作习惯的不同。为了获取更准确、有效的信息去辅助、检测设计，设计师会选择定性(用户访谈、焦点小组)和定量(调研问卷、网站数据分析)的方式进行用户研究。其中“网站数据分析”这一方式不需要花费较长的时间及人力成本，同时避免了用户及环境等不稳定因素对分析结果造成的干扰。只要具备精准及适用的数据，我们应优先选择这一方法辅助设计。通常我们可以获取到哪些数据呢?1、 网站数据搜索常见的数据如下：Query 搜索关键字数PV(Page View) 页面浏览量，页面每一次刷新即被
2、计算一次UV(Unique Visitor) 用户访问数Click 页面总点击数，每一个功能都会有相应的点击数L-D 搜索 list 页面到 detail 页面的点击数据，即转化率，不同页面有不同的数据。CTR Click/LPL，LPV 即搜索 list 页面上的浏览量，CTR 即每次浏览的点击次数。2、 用户访谈、定性调研、焦点小组3、 已有结论的报告4、 线上测试(如 A/B test，搜索中常用内部开发的可以多方案上线测试的 buckettest)网站数据中可以了解到什么信息?1、关键字流失率分析图 1 是用户输入“女鞋”相关的关键字及相应关键字的 UV 流失率(即没有在搜索页进行过任
3、何操作行为的用户数占所有搜索用户的比例)，从数据上看添加了真皮、广州、时尚等属性词的关键字流失率相对低很多。关键字描述越详细，搜索匹配到的产品越准确，用户也就可以更快的找到目标产品。但让用户精确输入关键字的成本较高(如用户不知道用哪些描述词更适合等)。如何降低这个成本?我们可以使用suggestion(关键字推荐)(见图 2)和 SN 区(类目属性筛选区)(见图 3)给用户恰当的推荐和引导。2、快速筛选改版后数据分析图 4 是搜索上的筛选项。搜索的目标应该是更快、更准确的帮助用户找到产品，筛选区便是其中一个重要的组成部分，让用户更快的找到筛选项以及简单的完成筛选操作，是每次改版的中心目的。各筛
4、选项应该放在哪里更合适，很大程度上取决于用户在查找产品的时候，更关注哪些维度的信息。对于已经上线的功能，我们可以通过数据进行分析，如上图是筛选区的 CTR 数据，可以发现用户使用地区、排序、单价、经营模式操作较多，说明用户对这方面筛选需求较大，也较关注这几个维度的信息，以此可以将筛选项调整到方便用户查找的位置，也降低了用户的记忆负担，因用户一般都是从左到右浏览，所以可以将重要的筛选调整到首位或是用视觉突出。而一些数据较低的筛选，可以根据情况隐藏或是下线，也增加筛选区的扩展性。图 5 根据图 4 的数据，我们对筛选项的位置以及排序按钮交互方式进行了调整。这个版本调整上线两周后我们发现数据有不少变
5、化，绿色为明显数据上升，红色则数据下降，其他数据小量上升，将用户关注的信息的筛选项调整到左边的位置，发现用户较关注的信息的 CTR 数据明显上升。综上所述，设计、迭代流程如下：数据验证，这个一次相对成功的设计。3、对比功能上线后数据分析http:/ 7)。图上是阿里巴巴在去年上的对比功能，用户勾选产品加入对比(图 7 第 1 步)只占整个搜索 CTR0.6%左右，而到最后点击了对比按钮(图 7 第 2 步)的转化率只有其中的 10%不到，对比功能的使用率很低。根据这个发现，我们召集了 5 个测试者(1 位产品经理、1 位运营、3 位用户)进行了焦点测试，得到如下几点反馈 1、用户只要看其中的几
6、个信息，不需要那么多维度的信息对比。2、用户更习惯通过点开 detail 进行对比。很多垂直化的行业搜索都有对比功能，如太平洋、中关村、淘宝的手机等，该功能通过对比信息帮助用户挑选出更符合目标的产品。但适不适合我们的网站，还需要多考虑一番。结合以上数据来看，对比功能更适合一些需要关注多维度信息对比的垂直行业，而关注维度较少的，用户通过短期记忆就可以达到。运用数据检测设计一般在全量上线前会通过 buckettest 测试各方案，对比用户行为数据检测哪个方案更合理、体验更好。通过 bucktest 可以得到如图 8 的对比数据，红色为数据下滑，绿色为数据上涨。运用 buckettest 测试，对于
7、检测设计是很有效的方法，特别是针对小细节的体验优化。对方案调整处数据打点，就可以监测到相应的数据变化。例如按钮调整，检测调整后是否比原来的方案体验更好，在测试前要求开发同学在监测数据时给这个按钮打点，测试后就可以了解到按钮调整前、后的对比数据。如你想了解按钮位置调整是否能提升体验，在设计时就要规避其他因素可能引起的影响如按钮样式等，以此来不断优化设计方案。总结分析数据、读懂数据、运用数据，可以很好的辅助我们去设计产品、改善体验，这也是设计师需要掌握的一门必修课。数据虽然很强大但是不要迷恋它，不要只关注数据的起落，而是要分析数据背后真实的用户原因及需求，数据只是一个分析辅助工具。不要任何设计都依赖测试及数据检测，每一次测试所需的开发和时间成本太高。尽管设计师不能作出 100%的正确判断，但是结合有效的工作习惯及总结分析，还是能够大大的提高设计的准确率及解决方案的有效性，这也是设计师的价值。
