什么是數據驅動設計？極品干貨看這里

編輯導語：在產品設計中，數據也是設計過程的一個重要依據因素。通過數據，我們可以更加直觀且準確地了解到用戶體驗感受與用戶喜好，由此推進后續產品設計方案的優化改進。本篇文章里，作者介紹了數據驅動設計及相關方法，一起來看一下。

在這篇文章中，我們將深入探討什么是數據驅動設計，以及為什么它能更好地推動用戶體驗的提升。與此同時，我們還將了解為什么它能幫助我們做出更實際的決策。

圖片來源于Unsplash

作為設計師，我們需要接受和擁抱現實世界中的數據指標，并利用它們的神奇力量來調整我們做事的方式。

——Jared Spool

我們當前面臨著來自用戶交互的海量數據。雖然有大量工具可以幫助我們了解所設計的產品，但是我們是在為人類設計產品。因此，作為設計師，我們需要分析人類的行為，并根據對人類交互的理解做設計。這將有助于我們基于數據做出更好的設計決策。

我們從用戶那里收集的數據可以幫助我們做出更好的設計決策。通過分析和理解數據，我們可以設計出更好的用戶體驗。基于交互行為中定性和定量研究的結果，我們能更好地進行設計決策。

數據幫助我們探尋用戶如何使用我們的產品，以及設計師如何基于數據為用戶優化使用體驗。

我們收集的數據可以從四個維度幫助我們。

數據將從4個維度幫助設計師

一、什么是數據驅動的設計？What is data-driven design?

設計是以累積的數據研究結果為支撐的。在設計過程中，設計決策是基于數據和用戶行為研究的。精細的用戶體驗設計包含對體驗本身的評測研究。而只有數據才能映射出有價值的評測結論。用戶的行為和反饋有助于產品設計師驗證其發現、假設和評測結果。

評測數據的整理與分析能揭露重要信息。

——Peter Drucker

這些數據可以幫助產品團隊了解其目標用戶，發現用戶痛點，發掘新的趨勢，支持數據驅動的設計，并確保團隊前進方向的正確性。用戶數據可以直接推動商業成果的提升。通過數據驅動設計，以提升用戶體驗，被證實是切實可行的方法。

二、為什么要進行數據驅動設計？Why data-driven design?

我們設計師在設計產品的過程中，會對用戶進行調查、研究和觀察。設計產品的過程中，唯一能驗證假設的就是數據。如果我們在沒有任何數據驅動的情況下進行研究，憑借直覺或經驗來做決策，就很有可能把錢浪費在無效的或一文不值的設計改動中。

產品的性能可以通過合理使用、驗證和分析用戶數據而得到提升，它也能直觀地反映在用戶數據中。即使是世界上最好的設計師也無法預測用戶的需求。數據驅動的設計是一個向用戶學習的過程，它能確保用戶的問題得到解決。滿足用戶需求是產品成功的首要條件，而這一切都需要數據來驅動設計迭代。

三、數據驅動與數據響應設計 Data-driven vs data-informed design

上述術語來源于在 Rochelle King 、Elizabeth Churchill 和 Caitlin Tan 所著的《數據驅動設計（Designing with Data）》一書。本書有助于我們理解和闡明有關數據驅動設計的不同術語，并將其與數據響應設計和數據感知設計進行對比。

利用數據進行設計 —— King, Churchill, & Tan

數據驅動和數據響應是兩種不同的方法。它們都是以數據為基礎，產品團隊的每一個決策都是由數據評估和驅動的。數據驅動的重點在于數據輔助產品優化和效率提升。

數據響應讓我們在數據的使用上擁有更寬闊的發展方向。我們能處理的也不僅僅是量化的數據。不同體驗的 A/B 測試或結構化的可用性測試在數據響應中可能會失效。

數據感知讓我們理解數據收集上的廣泛性和局限性。我們可以根據不同的問題來判斷哪種方法是最合適的。有數據感知能力的團隊可能會發現，基于利益相關者研討會、用戶訪談、甚至 A/B 測試研究結果而做出的決策，具有同等的價值。

麻省理工學院數字商業中心的研究表明：“在通過數據驅動決策方面，處于行業領先地位的前三分之一的公司，其平均生產效率比競爭對手高 5%，盈利能力高 6%。”

我們發現增加評測的事物數量或提高評測的保真度，實際上并不能提升結果的準確性。數據結果并不因性能的優劣而發生鮮明的改變。它只能揭示更深層次的復雜性——性能優劣牽扯到更多的東西。因此數據實際上只是一種衡量標準。我們仍然需要依靠直覺。我們仍然要對成因的重要程度做出判決。

——Jon Wiley（谷歌沉浸式設計總監）

四、如何收集數據？How can we collect data？

smart UX 的數據可視化

我們有很多收集定性和定量數據的方法。很多用戶體驗從業者認為數據就是數字，但這是一個誤區，是一個謬論。

為了用數據驅動設計，我們需要定性和定量數據。定量數據會告訴你，用戶在使用我們的產品時采取了哪些行為。而定性數據會告訴你，他們為什么這么做，以及更重要的——他們對整體體驗的感受。所以，我們在制定設計決策時需要收集這兩種數據。

1. 定量數據收集法

定量數據的數據類型是數字、人物、事物、時間、地點。定量數據能顯示程度，而不能說明原因。

我們能從 Google Analytics 、Google Tag Manager 、Google Optimize 和其他測量工具（例如：Hotjar、Crazy Egg、Optimizely、Usertesting）中獲取許多關于網站或應用程序使用情況的定量數據。

1）A/B 測試

A/B 測試也被稱為 分組測試。Hubspot 將 A/B 測試定義為：

在（一個）實驗中，’劃分’ 出多個測試群體，測試一系列變量，并確定哪個變量表現更好。換句話說，你可以向一半的測試者展示版本 A，向另一半的測試者展示版本 B。

在進行 A/B 測試時，最重要的是盡可能確保每次只改變一個變量，并且使對照組和實驗組的人數相同。你可以向我們一半的測試者展示 A 版本，向另一半展示 B 版本。測試的主要目標是在同等條件下，對不同變量進行比較。

2）解析

通過解析，我們可以知道誰來到了我們的網站，他們是如何到達那里的，他們在那里停留了多長時間，他們點擊了什么。這類數據能有效整理出很多價值的指標，比如用戶的平均會話時長、退出率等。

如果你想讓應用程序或網站轉化率得到提升，建議從用戶流量大的頁面開始解析，因為它們能讓你更快地收集到有價值的數據。

我們還可以使用眼球追蹤工具，比如熱力圖。熱力圖通過眼球追蹤技術，了解用戶在屏幕上所關注的位置。當來自多個用戶的熱力圖展示出類似的模式，說明網站或應用程序更新的內容模塊或設計迭代是有價值的。

3）調研

用戶體驗調研是用戶體驗研究中，定量和定性數據的重要來源。

一個好的調研需要精心設計好問題，確保問題沒有引導性，并且目的明確。我們應該盡量控制問題的數量（不超過 10-15 個），以免用戶中途放棄調研問卷。

2. 定性數據收集法

定性數據能說明原因和發生過程。為什么不同組用戶采取不同的行為？為什么不同的內容讓用戶在網站上停留的時長不同？定性數據提供了一個視角，不僅幫助我們了解發生了什么，還能讓我們了解事件發生的原因以及過程。我們經常通過用戶畫像、體驗旅程圖或移情圖來收集定性數據。

有了清晰的定性數據，我們可以創造更好的用戶體驗，更有效地服務于用戶。

1）用戶旅程 / 流程圖

為理解用戶與產品之間的交互，創建用戶使用模型是非常有幫助的方法。從用戶流程圖中收集到的信息有助于確定潛在的薄弱環節，為 A/B 測試或用戶訪談的深入調研打下基礎。

2）競品分析

這是找出競品弱點的附加方法。競品分析通過調研競品來找出類似產品的優勢、劣勢或有待改進的地方。

在進行競品分析時，必須謹慎。一味地模仿競品并不是一個有效的解決方案。相反，最好將競品分析作為獲取靈感的手段。通過對競品的理解，我們可以取長補短。

3）用戶訪談

用戶訪談是收集用戶定性數據的有效方法。它通過開放式和封閉式的問題，較好地定位到用戶核心問題。同時，我們也要限制訪談對象的數量。電話或面談能夠得到更深入的數據。

4）社交媒體和用戶反饋

社交媒體反映了用戶對體驗的期望。通過了解用戶共同的不滿，能夠確定產品需求的優先級。了解用戶對產品的評價和反饋，也能獲得更多的相關信息。

收集數據的方法需要根據項目的內容和需求而變化。我們可能不需要去研究數據，也不需要去做運算，就能高效利用數據以推動設計決策。但作為一個產品設計師，在設計用戶體驗時，我們都要利用現有的工具對設計進行迭代和評估。因此，我們不應該只是基于數據進行盲目的決策，而是要對自己所做的決策知情知理。

無論我們的目標是什么，數據驅動設計都有助于提高產品性能，提高轉化率，滿足用戶需求。通過數據驅動設計，我們的設計能得到更好的投資回報率。這也有助于提高產品整體的使用率和復用率。

本文翻譯已獲得作者的正式授權（授權截圖如下）。

 

作者：Ish∆n，譯者：王英睿，編輯：孫淑雅，審核：劉倩茹、張聿彤；公眾號：TCC翻譯情報局

原文鏈接：https://uxdesign.cc/data-driven-design-providing-optimal-user-experience-4fdd31d51a00

本文由@TCC翻譯情報局 翻譯發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議