以手机浏览器设计为例 如何做好双钻模型 设计案例分析 (或者用手机浏览器)

本文目录导航：

• 设计案例分析：以手机浏览器设计为例，如何做好双钻模型
• 用户行为分析案例-桑吉图
• 如何做用户行为路径分析

设计案例分析：以手机浏览器设计为例，如何做好双钻模型

刚入职时，阅读《方寸指尖》，对用户体验设计有了深刻理解。

在互联网领域工作四年，对用户和业务的平衡思考不断深化。

在方寸之间，我们尝试了许多有趣的设计实践，今天分享这些心得。

分享的焦点并非纯粹的设计方法，而是产品设计的整体思路。

通过总结参与的产品改版经验，提炼出一些通用的设计原则。

这些原则将通过一流设计网为您呈现。

空间价值模型引入一个关键概念：空间价值模型。

在理解此模型前，我们需先了解基础模型：双钻模型。

双钻模型，源自The British Design Council，是设计师常用的一种思考框架。

双钻模型分为四个阶段：发现期、定义期、发展期及交付期。

发现期聚焦于探索和研究问题本质，定义期集中解决发现的问题，发展期构思设计解决方案，交付期实现设计。

发现期发现期是发散性思考阶段，探索问题根源，明确设计需求。

通过质疑需求、商业模式及用户，列举真实场景元素，梳理设计流程。

运用竞品研究、数据分析、用户调研等方法，为设计分析铺垫。

定义期定义期是将发现期的散乱问题集中解决，聚焦核心问题，形成结论。

结合行业分析、竞品分析及问题比较，探索设计价值突破点。

发展期发展期是方案构思阶段，将问题具体化，参考设计趋势、网站或效果，发散可能的解决方案。

评估可行性，选出最佳方案。

交付期交付期是方案具体化、测试和迭代阶段。

通过评审和迭代，保留精华设计。

双钻模型的价值双钻模型帮助我们从不可见的思考过程拆解出逻辑性更强的步骤。

它重新重视明确问题、聚焦问题点、发散概念设计并最终确定解决方案。

这一模型提升了团队对设计过程的理解和协作效率。

双钻模型运用中的问题及优化探索实际应用中，交付阶段的迭代次数多、定案不确定性高，可能导致项目周期延长。

解决策略之一是在方案发散阶段加入预测和推演环节，预知概念方案结果，减少变更，提高设计效率。

预测和推演过程预测和推演涉及方案构思到用户行为预测再到数据推演。

找准预测方向是关键，依据奥卡姆剃刀法则，优化空间价值，释放无效空间，提升有价值模块的可见度，同时隐藏或去除不重要功能。

空间价值模型实例以vivo浏览器首页改版为例，通过空间价值模型，识别有价值空间，优化信息流模块，释放无效站点空间，提高信息流曝光，最终实现商业价值和用户体验的提升。

总结空间价值导向的产品设计，核心在于预测和推演，找到方案落地点。

空间价值模型指导设计师或产品经理产出方案，关注用户体验，而非仅追求个性化。

在产品不同生命周期，应关注重点不同，空间价值模型适用于成长期或成熟期产品，提供高效设计。

用户行为分析案例-桑吉图

通过研究桑吉图，我总结了画桑吉图的实战经验。

下面先展示桑吉图的效果。

从图中，我们可以清晰看到大部分用户主动访问某宝首页，随后在首页分别访问了聚划算和搜索功能，接着在聚划算后访问了直播、每日大牌，最后离开。

路径清晰可见。

访问路径和数据为虚拟数据，仅用于案例演示，您可使用自己公司的数据。

桑基图是一种流程图，右图分支宽度代表数据流量大小，应用于能源、材料成分、金融等数据可视化分析。

在互联分析中，它能直观展现用户访问APP的路径，突出重要节点。

画桑基图主要分四步：1. 数据源处理：数据结构应包含访问页面名称、用户路径等信息。

2. 定义节点：列出所有访问页面名称，确保去重。

3. 定义边与流量：计算用户从一个页面到另一个页面的具体转化量。

4. 画图：使用特定代码生成图表。

在实际操作中，需注意数据源、去重、转化量计算等细节。

通过实践，能更好地理解桑基图的构建与应用。

请使用提供的数据进行训练，深入理解操作中的关键点。

如何做用户行为路径分析

如何做用户行为路径分析

用户行为路径分析是互联网行业特有的一类数据分析方法，它主要根据每位用户在App或网站中的点击行为日志，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或点击模式，进而实现一些特定的业务用途，如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等。

本文会对用户行为路径分析方法作一些简单的探讨，更多的偏向于一些路径分析业务场景与技术手段的介绍，起到抛砖引玉的作用，欢迎致力于互联网数据分析的朋友们拍砖与批评。

以后有机会可以继续介绍分享与实际业务结合较多的用户行为路径分析案例。

一、 路径分析业务场景

用户行为路径分析的一个重要终极目的便是优化与提升关键模块的转化率，使得用户可以便捷地依照产品设计的期望主流路径直达核心模块。具体在分析过程中还存在着以下的应用场景：

用户典型路径识别与用户特征分析

用户特征分析中常常使用的都是一些如性别、地域等人口统计数据或订单价、订单数等运营数据，用户访问路径数据为我们了解用户特征打开了另一扇大门。

例如对于一款图片制作上传分享的应用，我们可以通过用户的App使用操作数据，来划分出乐于制作上传的创作型用户，乐于点赞评论的互动型用户，默默浏览看图的潜水型用户，以及从不上传只会下载图片的消费型用户。

产品设计的优化与改进

路径分析对产品设计的优化与改进有着很大的帮助，可以用于监测与优化期望用户路径中各模块的转化率，也可以发现某些冷僻的功能点。

一款视频创作分享型App应用中，从开始拍摄制作视频到视频的最终发布过程中，用户往往会进行一系列的剪辑操作；通过路径分析，我们可以清晰的看到哪些是用户熟知并喜爱的编辑工具，哪些操作过于冗长繁琐，这样可以帮助我们针对性地改进剪辑操作模块，优化用户体验。

如果在路径分析过程中用户的创作数量与用户被点赞、评论以及分享的行为密切相关，就可以考虑增强这款App的社交性，增强用户黏性与创作欲望。

3、产品运营过程的监控

产品关键模块的转化率本身即是一项很重要的产品运营指标，通过路径分析来监测与验证相应的运营活动结果，可以方便相关人员认识了解运营活动效果。

二、 路径分析数据获取

互联网行业对数据的获取有着得天独厚的优势，路径分析所依赖的数据主要就是服务器中的日志数据。

用户在使用App过程中的每一步都可以被记录下来，这时候需要关注的便是优秀的布点策略，它应当与我们所关心的业务息息相关。

这里可以推荐一下诸葛io，一款基于用户洞察的精细化运营分析工具；将诸葛io的SDK集成到App或网站中，便能获得应用内的所有用户行为数据。

事实上，诸葛io认为在每个App里，不是所有事件都有着同样的价值，基于对核心事件的深度分析需求，诸葛io推荐大家使用层级化的自定义事件布点方式，每一个事件由三个层次组成的：事件(Event)、属性(Key)和属性值(Value)。

同时，诸葛io还为开发者们提供数据监测布点咨询服务，可以根据丰富的行业经验为客户提供个性化的事件布点咨询和技术支持。

三、 漏斗模型与路径分析的关系

以上提到的路径分析与我们较为熟知的漏斗模型有相似之处，广义上说，漏斗模型可以看作是路径分析中的一种特殊情况，是针对少数人为特定模块与事件节点的路径分析。

漏斗模型通常是对用户在网站或App中一系列关键节点的转化率的描述，这些关键节点往往是我们人为指定的。

例如我们可以看到某购物App应用的购买行为在诸葛io中的漏斗转化情况。

这款购物App平台上，买家从浏览到支付成功经历了4个关键节点，商品浏览、加入购物车、结算、付款成功，从步骤1到步骤4，经历了其关键节点的人群越来越少，节点的转化率呈现出一个漏斗状的情形，我们可以针对各个环节的转化效率、运营效果及过程进行监控和管理，对于转化率较低的环节进行针对性的深入分析与改进。

其他的漏斗模型分析场景可以根据业务需求灵活运用，诸葛io平台中拥有十分强大的漏斗分析工具，是您充分发挥自己对于数据的想象力的平台，欢迎参看一个基于漏斗模型的分析案例《漏斗/留存新玩儿法》。

路径分析与漏斗模型存在不同之处，它通常是对每一个用户的每一个行为路径进行跟踪与记录，在此基础上分析挖掘用户路径行为特点，涉及到每一步的来源与去向、每一步的转化率。

可以说，漏斗模型是事先的、人为的、主动的设定了若干个关键事件节点路径，而路径分析是探索性的去挖掘整体的行为路径，找出用户的主流路径，甚至可能发现某些事先不为人知的有趣的模式路径。

从技术手段上来看，漏斗模型简单直观计算并展示出相关的转化率，路径分析会涉及到一些更为广泛的层面。

四、路径分析常见思路与方法

1、朴素的遍历统计与可视化分析探索

通过解析布点获得的用户行为路径数据，我们可以用最简单与直接的方式将每个用户的事件路径点击流数据进行统计，并用数据可视化方法将其直观地呈现出来。

是当前最流行的数据可视化库之一，我们可以利用其中的Sunburst Partition来刻画用户群体的事件路径点击状况。

从该图的圆心出发，层层向外推进，代表了用户从开始使用产品到离开的整个行为统计；sunburst事件路径图可以快速定位用户的主流使用路径。

通过提取特定人群或特定模块之间的路径数据，并使用sunburst事件路径图进行分析，可以定位到更深层次的问题。

灵活使用sunburst路径统计图，是我们在路径分析中的一大法宝。

诸葛io不仅能够便捷获取布点数据，也为客户提供了个性化的sunburst事件路径图分析，并可为客户产品制作定制化的产品分析报告。

2、基于关联分析的序列路径挖掘方法

提到关联规则分析，必然免不了数据挖掘中的经典案例“啤酒与尿布”。

暂且不论“啤酒与尿布”是不是Teradata的一位经理胡编乱造吹嘘出来的“神话故事”，这个案例在一定程度上让人们理解与懂得了购物篮分析（关联分析）的流程以及背后所带来的业务价值。

将超市的每个客户一次购买的所有商品看成一个购物篮，运用关联规则算法分析这些存储在数据库中的购买行为数据，即购物篮分析，发现10%的顾客同事购买了尿布与啤酒，且在所有购买了尿布的顾客中，70%的人同时购买了啤酒。

于是超市决定将啤酒与尿布摆放在一起，结果明显提升了销售额。

我们在此不妨将每个用户每次使用App时操作所有事件点看成“购物篮”中的“一系列商品”，与上面提到的购物篮不同的是，这里的所有事件点击行为都是存在严格的前后事件顺序的。

我们可以通过改进关联规则中的Apriori或FP-Growth算法，使其可以挖掘存在严格先后顺序的频繁用户行为路径，不失为一种重要的用户路径分析思路。

我们可以仔细考量发掘出来的规则序列路径所体现的产品业务逻辑，也可以比较分析不同用户群体之间的规则序列路径。

社会网络分析（或链接分析）

早期的搜索引擎主要基于检索网页内容与用户查询的相似性或者通过查找搜索引擎中被索引过的页面为用户查找相关的网页，随着90年代中后期互联网网页数量的爆炸式增长，早期的策略不再有效，无法对大量的相似网页给出合理的排序搜索结果。

现今的搜索引擎巨头如Google、网络都采用了基于链接分析的搜索引擎算法来作为这个问题解决方法之一。

网页与网页之间通过超链接结合在一起，如同微博上的社交网络通过关注行为连接起来，社交网络中有影响力很大的知名权威大V们，互联网上也存在着重要性或权威性很高的网页。

将权威性较高的网页提供到搜索引擎结果的前面，使得搜索的效果更佳。

我们将社交网络中的人看作一个个节点，将互联网中的网页看作一个个节点，甚至可以将我们的App产品中的每一个模块事件看作一个个节点，节点与节点之间通过各自的方式连接组成了一个特定的网络图，以下将基于这些网络结构的分析方法统称为社会网络分析。

社会网络分析中存在一些较为常见的分析方法可以运用到我们的路径分析中来，如节点的中心性分析，节点的影响力建模，社区发现等。

通过中心性分析，我们可以去探索哪些模块事件处于中心地位，或者作为枢纽连接了两大类模块事件，或者成为大多数模块事件的最终到达目的地。

通过社区发现，我们可以去探索这个社会网络中是否存在一些“小圈子”，即用户总是喜欢去操作的一小部分行为路径，而该部分路径又与其他大部分模块相对独立。