一堆数据摆面前，数据背后有什么样的事情在发生，这些数据里面暗藏着什么样的用户需求，什么样的商业机会？看懂这些，将为未来产品设计的方向，用户需求的把握起到关键性的作用。
但，“看不懂数据”是一个普遍的问题，而且是一个永远存在的问题。 基本上，我认为原因都出在看数据的人身上。

1、不配看数据

产品设计者对待数据的态度，不像一个市场分析者或者财务分析者。我们看数据，更多是需要了解数据背后用户的行为逻辑和期望需求。这就要求我们看到数据的时候，必须第一时间想象到用户是如何创造出这些数据的，为什么会创造出这样的数据。

作为一个产品设计者首先必须告诉自己：“I’M Not User” ，如此同时还要再把自己模拟成一个平凡的用户，不停的反复的去用自己的产品，和同类产品。我向来认为，一个做移动互联网的产品设计师，不有事没事换手机玩，不是好的产品设计师；一个电子商务的产品设计师，不每周在网上买一件东西，不是一个好的产品设计师。

06 年中，在某个用户体验设计的会上，某知名教授大讲他所在公司搞到的facebook的数据，说他的理解、说他的分析，说facebook如何没戏。刚开始听着蛮有根有据，后来越听越不对味，突然他冒出来一句“虽然我从来不用facebook”…  我当场昏厥。这种人，不配分析facebook的数据，更不配去评论。

要想有资格去看数据，通过数据给产品设计提供有效的依据。方法很简单，也很有效：把自己当作一个平凡的用户，不停的用。有，且只有这么一个方法。

2、为了看数据而看数据

和做可用性测试一样，测试之前不能说没有“关注点”，发现什么就是什么。那样什么也发现不了，即使发现了，价值也不大。数据拿到手里，没有目的的去看，不如不看。

在做产品设计的数据分析之前，首先应该搞清楚自己需要什么样的数据来说明什么问题。一个数据对于不同的产品、不同的环境、不同的用户类型，得到的结论应该是不一样的。传统的市场研究中，对于数据的分析往往是根据“硬属性”，比如他们对于用户的分析基本都是根据“人口属性”的数据，他们得到的结论也很少结合现实环境。这样的结论，对于（互联网的）产品设计基本上没有太大的参考价值，特别是如今个性化需求越来越强，用户行为越来越独特的时候，“人口属性”很不能代表用户背后的行为逻辑。

比如，想了解“有购物搜索需求的网民”具备的主要特征，这个时候“年龄、学历、性别、收入、婚姻状况、消费能力、信息获取方式、上网条件、..”可能都是对我有参考价值的数据，但那些才是最重要的呢？分析后很快就可以发现，比较而言“年龄、收入、上网时间、上网条件”都不是最重要的，“消费能力”、“信息获取方式”在这里才是最重要的特征。这些数据背后才更能代表用户的行为逻辑和需求。（如果不是很明白这个结论，稍后再《Desing IT.》第8篇左右会谈到产品设计上如何区分用户属性）

3、不去筛选数据

做一个优秀的设计者，首先必须善于“提问”。“提问”的水准和设计水平基本成正比。要什么样的数据，什么样的数据可以帮我解决这些问题和疑问？这个很简单，一罗列你可以想到很多很多。但，事实上数据类型到达一定数量后，类型越多，反倒越不利于对于结论的判断。因为，不同数据类型之间会产生相互的干扰，有些时候次要问题可能会战胜主要问题，影响最终的结论。

在实际项目中，解决了主要问题，次要问题可能就会很自然的被稀释了。获取数据也一样，必须搞清楚什么样的数据最能说明这个问题？确定这些会使分析过程的精力更加集中。把主要的几个问题想穿、打透，其他问题很快就会迎刃而解了。

很多时候不是解决不了问题，而是想解决的问题太多；很多时候不是数据不够，而且想要的数据太多。还比如，想要了解如何解决“购物搜索”的需求，其实只要关注好“信息获取方式”、“消费能力”、“决定购买的因素”基本就能解决很多问题，盯着“用户是男是女，8岁还是80岁”，只能是耗费精力。

不去筛选数据，还有一个很大的危害就是：“因为没有筛选，所以不能把关心的数据点看透彻”。
比如，很多人都在夸开心网的推荐做的好，很多用户在上面找到了自己的“同学”，于是定论为“算法的技术好”。其实如果专注关心“开心网为什么打通用户关系这么快”的人，经过详细分析后是不会得到“技术好”这个结论的。根据我的观察，我比较赞成麦田的结论：“开心网把校友录的数据库用进去推荐算法里面了”，我甚至认为开心网的推荐里面不只是用了“校友录”的数据库，还有更多其他数据库。 （麦田对于数据的分析虽然是偏市场和运营性的，但其实对于产品设计的促进一样很大，而且他确实是一个观察数据很细，研究数据很深的人）

4、不关注数据采集的方式和方法

当我们为某个项目寻找方向或者确定某个决策，需要一些数据的支持，以便了解状况并确定思路。这个时候，不仅需要给出“需要什么样的数据”这个需求，同时还应该包括如何得到这些数据。

很多时候，我们只提出需要什么样的数据，并不去提出要求如何得到这些数据的方式、方法，完全依靠调研者的经验去获取数据，这是不可取的。因为这样来的数据对结果的帮助是不准确的，甚至往往会出现误导。因为调研过程中不同的方式方法，得到的结果会不一样。

比如，还是要做一个购物搜索的网站，你给出的“需求”不应该只是“用户目前获取信息的方式”、“搜索的商品类型”等，还应该包括数据的来源，以及获取的方法。现有搜索网站？问卷？电话？…
不同的方式方法，渠道，得到的数据是不一样的。不同水平的人采集到的数据结果也是不一样的。

往往我很同情国内的同行，大家能找到靠谱的数据真的少的可怜。就拿行业数据来说，基本上国内没有一家第三方机构可以提供靠谱的数据。XX统计局就不说了，比如商业机构艾瑞，他的数据丝毫不具备可信度。最根本的，我们可以去看看尼尔森在欧美（不要看国内的尼尔森，那是同样的不靠谱。跟他们合作过一次，东西做的一塌糊涂）的一些问卷，从问卷设计的逻辑、采集方式、统计方法，甚至包括“埋地雷”的方法，都高出国内这些数据提供商一大截。（比如一个细节：去尼尔森在欧美的一些问卷试试，如果你是玩的心态，很快就会被说“谢谢你参与调查”。因为，他们很快就通过“地雷”判断出你并非真正的采集对象，很快就把你踢走了，而国内的你可以随便玩）

有些时候，如果实在没有办法，去做小量的抽样数据，也比那这些不靠谱的数据去分析强。

5、只用定量数据，没有定性数据

还说那个最老土的例子：
沃尔玛每天总重要的事是“想尽一切办法，把货架摆好，让顾客更快的找到，更快的走掉”。事实上，当他们的MBA（商业数据分析）人员通过庞大的数据处理系统发现，啤酒和尿布的销售曲线惊人相似的时候，他们其实只能得到一个“结论”。但，这些知识定量的数据，并不能挖掘出本后的顾客行为，以及为什么会造成这个现象。这个时候，如果靠“分析”、“猜测”是不能得到正确结论的，方法只能是去结合“定量”的研究，通过具体观察和调研了走到用户身边，最终才能了解到“因为，在美国一般都是男人去买尿布的，而在沃尔玛就算买1美元的东西也要排队半个钟结帐，男人们这个时候就顺手拿了啤酒犒劳一下自己”。

海量的定性数据，只能告诉我们结论，不能告诉我们背后的原因。同样，如果只有定性的数据，往往看到的现象可能是片面的，结论可能是有偏差的。（关于定性研究，稍后章节详细解释）

还有一些常见问题：只关心数据结果，不关心过程（比如，就知道那个广告的流量大，没注意那个广告比别的大三倍）；只看大数据，不看小数据（比如，只发现交易量疯狂增长了，没注意虚假交易疯狂上升了）；只看数据表象，不看发展过程（比如，只知道现在的行业分布均衡，没发现曲线的前方已经出现裂痕）；等等。 因为没有方便拿出来说的实例，不再一一絮叨 …

其实，
要看明白数据是个很简单的事情，但要真正懂数据背后的原因和逻辑，是一个很难的事情。自问，我依然只刚刚上路。
不过，可以肯定的是，随着对于用户的接触越多，对于用户心理模型的理解越透彻，对于业务逻辑了解的越透彻，一定会带来对于数据的理解能力越强。 共勉

PS： 《Design IT.》接下来的两篇是，“Design IT. (4)，团队和决策 ”、“Design IT. (5)，有什么可做？”。

原文：http://uicom.net/blog/?p=808