不少人喜歡談做設計要讓數據說話，但對于什么才是數據驅動的設計，往往莫衷一是。甚至在同一個團隊中，由于收集的數據質量不一，理解上有差異或缺乏共同語言，單就是關于如何定義數據這事，都很難達成共識。無論哪家網站或是APP，都有一套標準做法，包括 站點分析，A/B 測試，調查問卷，監聽，跑分測試，可用性評分，人種學研究，訪談等等。那么數據意味著什么？更重要的是，如何運用數據來指導設計呢？

       在試圖了解什么是數據驅動設計的過程中，我們可以先弄清它不是什么。之后我們便可以了解數據如何能讓用戶體驗變得更好。

       誤區 1：數據就是數字

       當進行站點分析的時候，大量的數據涌入進來，站點分析基本上是對訪客量，他們如何跳轉進來，在頁面上停留了多久，以及點擊了哪些東西的計數。或者像是 A 和 B 被點擊了多少次。更多的數據。然后通過監聽和問卷調查來評分。又是更多的數據。

       數字能代表一個人復雜生活中的一系列動作。但是把成百萬的用戶匯聚成一個簡單的數字，并非總是有用而可信的。即使公司掌握了這些數據，還是無法解答那些關于用戶體驗的問題，比如用戶為什么這樣操作而不是那樣，或是他們的感受如何，以及他們期望怎樣的用戶體驗。而用戶訪談，人種學研究，可用性測試彌補了計數數據的不足。但是由于定性的觀點往往不依賴數據，那之前收集的數據又沒有了用武之地。

       在其他領域，比如社會科學和醫學方面，無論是小數字，或是厚數據（Thick Data），無論是敘述性或是量化的都是根據數據得出的。這是對用數據驅動設計來說是值得學習的。

       關于數據的確切定義應該是那些無論來源于哪里，由用戶產生并可以用來指導設計的東西。

       誤區 2：數據就是客觀真理

       定量數據通常是對于用戶操作行為的記錄，而這些計數工作通常是由軟件而不是人完成的。這就使得數據看上去是客觀事實。

       雖然數據量很大，并不代表它是客觀的。這是對于數據的固有偏見。數據是人創造的，只有人會解釋和分析數據，而運行數據的機器也是人來控制的。

       訊號偏見（Signal bias）——或稱之對于偏見的忽視，或強調——都是一個常見的偏見，尤其是關于大數據。比如，社交媒體的數據只能顯示某一部分用戶群——那些在 Twitter 或是 Facebook 上發表意的人。同樣的，那些同意參與觀察實驗和用戶研究的人也只能代表一小搓用戶。

       另一種偏見類似于海森伯（Heisenberg）測不準原理，結果已經在你的觀測中改變了。在可用性測試中，無論你的實驗環境和協調人員時多么中立，當你開始觀察用戶行為，一切都已經改變了。幾乎沒有一種研究，包括情境訪談和人種學研究，都不能完全隔離用戶。這個問題在定量研究中也同樣存在，像是問卷調查和監聽，我們都是通過詢問用戶問題來研究用戶體驗的。

       數據驅動設計已經不在是算法設計、自動化、A/B測試和站點分析的問題了。

       而且，我們把線上調查同現場調查做比較，前者不接觸用戶，后者是讓用戶和協調人員或另一個用戶交流，我們發現當有另外一個人在場時，用戶使用網站或應用程序時態度往往會更積極。比如他們如何評價，如何打分，以及操作嘗試等。我們稱之為積極因子（nice factor）。

       無論大小，沒有數據是完美的。任何類型的數據都有其限制和偏差。但是好的數據會描述其誤差，并總能展現當時的情境。

       誤區 3：越大越好

       總有人鼓吹大數據有著揭示一切人類秘密并預測未來的神奇力量。不過得承認，單對數據來講，確實是量越大越好。如果你在衡量一些具有主觀性問題，比如人們對自己情緒變化的評價，得到的反饋越多，你對結果的信心就越足。

       而我們想要獲取更多的數據，就會考慮用計數的方法：數量與速度僅僅是大數據的一部分。大數據是具有多樣性的，因為數據來源也是多種多樣的。我們不能期望從站點分析中得到比用戶測試帶來的更多關于用戶行為的一切知識。我們應該關注如何結合使用各種數據，而不是把精力放在后端集成上。我們要做的不僅僅是生成有意義的分類（categories）——或者叫指標（metrics）——哪些只是為了評估、推斷和跟蹤。

       根據不同來源的數據能繪制出一幅更細致的圖景，并能產生更具操作性指導。我想說，來源越廣范而不是越大，才越好。

       誤區 4：管理人員才關心數據，設計師不在乎

       數據通常被用來判斷一個網站或APP的效果（比如，數據顯示最近一次改版導致了轉化率的下降）。當然這時，會導致用戶體驗設計從業人員的極力反抗，或者干脆否認數據。當然，很容易找到數據指導明智決策的例子，無論是解決內部斗爭，還是運用反常規的方法，或者用投資回報來證實。就算證明這些觀點的正確性，也不過是數據的一部分。

       如果你想運用數據來指導設計，你需要三種方法：事實證明，改進完善，和探索發現。運用數據去改進完善指的是用數據指導迭代——跨時間和版本的跟蹤或是針對于競爭對手。探索發現指的是尋找數據之間的關聯性，發現規律和趨勢。

       但問題是，數據的使用是孤立的 （中文版） ——領導手里拿著一種類型的數據，而用戶體驗團隊手里的又拿著另一種。每個團隊的參考系不同，要么自己沒意識到，要么覺得別人手里的數據不可信。

       數據不是用來證明誰對誰錯的，而是用來改進問題和發現新可能性的。數據只是通過科技手段來講述一個真實存在的用戶故事。

       誤區 5：數據抹殺創新

       數據有時又被看做是創新的對立面。主要有三種觀點：

       1.無論何種數據，網站分析也好，調查數據，或是客戶服務數據，都是對過往的回溯。 盡管我們發現了某種規律或趨勢，但基于這些發現做出預測也并非易事。

       2.數據是戰術，而不是戰略。想想谷歌的41種深淺不同藍色測試（ 41 shades of blue testing）。數據驅動與 A / B 測試結合，對于調整設計元素是個不錯的方法，但可能無法帶來令人驚艷的體驗。

       3.數據，特別是站點分析，有點像蜻蜓點水。看到人們點擊什么，或者滾動了多長，或在那里駐留，對于指導產品營銷倒是很有幫助。但是對于設計的指導效果并不太好，因為它缺乏有關用戶動機、預期、認知或情緒的信息。

       通過觀察當然能帶來一些事實。但核心問題不是數據本身。而是如何使用它。

       對于所有數據指導設計必須對其復雜性進行校準。用戶體驗的事并非是水到則渠成的。

       誤區 6：一定有用數據指導設計的通用法則

       目前為止，不同的組織和團隊之間還沒有形成統一的規范。不過下面的指導原則你可以參考一下。

       ·使用來自各種數據源的數據指導設計： 站點分析、A/B 測試、 社交媒體關鍵字、客服日志、銷售數據、問卷調查、訪談、可用性測試、情境訪談以及其他研究。

       ·包含數字和情境。無論你怎樣命名，定量或定性，研究或非研究（non-studies），大數據或厚數據（ thick data），你需要數字和情境結合來反映真實的情況。確保數據對于人類體驗的復雜性是敏感的。謹慎得使用平均數，大膽假設，小心求證。

       ·隨著時間的推移用數據來跟蹤變化，探索新的模式，深入分析問題，而不僅僅是為了證明誰對誰錯。

       ·選定有意義的分類（categories ），讓你從數據中發現關于用戶體驗的故事。

       ·找到一種在組織中分享和討論數據的形式，在一開始定義數據時就一起討論。

       數據驅動設計已經不在是算法設計、自動化、A/B測試和站點分析的問題了。相反，我們的目標是利用所有數據更好的理解用戶日常的體驗。

核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。

轉載請注明出處：拓步ERP資訊網http://m.guhuozai8.cn/

本文標題：關于數據驅動設計的6個誤區

本文網址：http://m.guhuozai8.cn/html/consultation/10839319234.html