数据的收集原则
很多时候设计师往往没有主动去看数据的意识，比较常见的是业务或产品根据情况同步给我们他们已经分析过的数据，例如点击率、转化率等。
这些经过处理的数据往往很难看出具体的问题或原因，我们需要从更多的维度去看数据，这样有利于我们更加深入的去分析、研究问题。
原始信息：没有经过任何人过滤的数据（不是别人处理过的抽象数据，是真实的数据表现或用户调研一手信息资料）。
不过度收集：当信息搜集到一定程度时，比如出现彼此重复的内容较多时，再投入时间收集，实际效果也不会呈等比增加。
在信息收集阶段，不做判断，避免在后面流程中为判断找论据而忽略其他内容。
如何通过数据发现问题
1. 看趋势
趋势分析是数据分析里最常用的分析方法，只要和数据有关，几乎每个人，时时刻刻都在用。趋势分析法最大的好处，就是简单省事！
因为它不需要任何理论基础，不需要任何专业知识，也不需要很多数据，只要有一个结果数据，无论是正向还是负向，都能直接得出判断。通常我们以时间、流程等线性角度分析整体变化，寻找影响因素。
2. 作对比
孤立的数据没有意义，有对比才有差异。对比分析在实际数据分析中是非常重要的一种分析手段，我们需要寻找相同类型作对比，才知道好坏，可以提升的点在哪里。
3. 多维分析
多维分析就是细分分析，做多维分析首先要明确2个方向：维度和指标。
指标：指的是用来记录关键流程的，衡量目标的单位或方法，如DAU、留存率、转化率等。
维度：指的是观察指标的角度，如时间、来源渠道、地理位置、产品版本维度等。
多维分析，就是在多个维度对问题进行拆解，观察对比细分维度下的指标，通过将一个综合指标细分，从而发现更多问题。
例如某个资源位转化率低是我们面对的最严重的问题，那么我们可以继续细化到影响转化率的因素有哪些，把这些因素分别罗列出来，给出解决办法；
也可以从维度方向去看问题，比如某个时间段数据比较差，或者从某个渠道来的用户数据比较差，然后我们再针对性的给出解决方案。通常我们看的都是综合指标，总值，但这些总值通常无法真正地发现问题。
在实际的操作中，我们需要尽可能多的结合业务特性将总值拆解细分，才能发现问题，找到可落地的解决问题。
4. 公式拆解
公式拆解法，就是针对某个指标，用公式层次分解该指标的影响因素，从而快速找到影响指标的因素。公式拆解法没有固定的标准，一个目标变量在不同的场景下或者为解决不同问题，需要利用公式拆解的细致程度也不一样。例如：
5. 数据模型
上面的都是通过一些简单的方法，对数据进行分析，但是数据的维度往往有很多，很复杂，为了帮助我们更好的进行数据分析，我们也可以借助数据模型帮助我们。
数据模型的种类有很多，每个数据模型都有不同的侧重点，这里就不展开，只简单列举一些常用的数据模型，大家有兴趣可以自行从网上搜索了解。例如：谷歌的GSM分析法（设计验证），价值矩阵分析法（确定方向）、OSM模型（目标验证）、AARRR用户增长模型、杜邦分析法、RFM模型、漏斗分析法等。
如何培养数据分析意识
最后我们来聊聊如何培养数据分析的意识，相信看到这篇文章并且看到了这里的设计师，都很清楚数据对于设计师的重要性，我个人认为学习任何东西，方法其实都是相通的。
1. 首先，我们要先建立起自主学习的意识，在日常工作中时常提醒自己要关注这些相关的内容，并积极争取和把握参与或学习的机会；
2. 然后，通过书本或者互联网系统的学习相关的知识，通过合理的方法引导我们，建立起我们的认知和知识库；
3. 另外，就是要行动起来，通过不断练习，工作中不断尝试，积极梳理遇到的问题，总结遇到的问题，迭代自己的知识库；
4. 最后，我们以教为学，通过自己的总结分享，重新梳理自己的知识库，分享给更多的人，提高自己的同时，通过收到的反馈继续提高自己。
获取更多资源请关注公众号“一起学设计”
