国产精品高潮呻吟久久AV无码,在线观看亚洲糸列,888奇米亚洲影视四色,中文字幕动漫精品第1页,国产大屁股视频免费区,半夜他强行挺进了我的体内,免费看国产曰批40分钟,国产女人片最新视频,要做AV在线播放,欧美韩日精品一区二区三区

數(shù)據(jù)驅(qū)動設(shè)計易走入的六個誤區(qū)，你遇到了嗎？

數(shù)據(jù)驅(qū)動誤區(qū) 大數(shù)據(jù)

數(shù)據(jù)分析網(wǎng) | 2016-06-21 14:35

【數(shù)據(jù)猿導讀】最近不少人喜歡談做設(shè)計要讓數(shù)據(jù)說話，但對于什么才是數(shù)據(jù)驅(qū)動的設(shè)計，往往莫衷一是。甚至在同一個團隊中，由于收集的數(shù)據(jù)質(zhì)量不一，理解上有差異或缺乏共同語言，單就是關(guān)于如何定義數(shù)據(jù)這事，都很難達成共識

數(shù)據(jù)驅(qū)動設(shè)計易走入的六個誤區(qū)，你遇到了嗎？

無論哪家網(wǎng)站或是APP，都有一套標準做法，包括站點分析， A/B 測試，調(diào)查問卷，監(jiān)聽，跑分測試，可用性評分，人種學研究，訪談等等。那么數(shù)據(jù)意味著什么?更重要的是，如何運用數(shù)據(jù)來指導設(shè)計呢?

在試圖了解什么是數(shù)據(jù)驅(qū)動設(shè)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(shù)據(jù)如何能讓用戶體驗變得更好。

誤區(qū) 1 ：數(shù)據(jù)就是數(shù)字

當進行站點分析的時候，大量的數(shù)據(jù)涌入進來，站點分析基本上是對訪客量，他們?nèi)绾翁D(zhuǎn)進來，在頁面上停留了多久，以及點擊了哪些東西的計數(shù)。或者像是 A 和 B 被點擊了多少次。更多的數(shù)據(jù)，然后通過監(jiān)聽和問卷調(diào)查來評分，又是更多的數(shù)據(jù)。

數(shù)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(shù)字，并非總是有用而可信的。即使公司掌握了這些數(shù)據(jù)，還是無法解答那些關(guān)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(shù)數(shù)據(jù)的不足。但是由于定性的觀點往往不依賴數(shù)據(jù)，那之前收集的數(shù)據(jù)又沒有了用武之地。

在其他領(lǐng)域，比如社會科學和醫(yī)學方面，無論是小數(shù)字，或是厚數(shù)據(jù)( Thick Data )，無論是敘述性或是量化的都是根據(jù)數(shù)據(jù)得出的。這是對用數(shù)據(jù)驅(qū)動設(shè)計來說是值得學習的。

關(guān)于數(shù)據(jù)的確切定義應該是那些無論來源于哪里，由用戶產(chǎn)生并可以用來指導設(shè)計的東西。

誤區(qū) 2 ：數(shù)據(jù)就是客觀真理

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

雖然數(shù)據(jù)量很大，并不代表它是客觀的。這是對于數(shù)據(jù)的固有偏見。數(shù)據(jù)是人創(chuàng)造的，只有人會解釋和分析數(shù)據(jù)，而運行數(shù)據(jù)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(diào)——都是一個常見的偏見，尤其是關(guān)于大數(shù)據(jù) 。比如，社交媒體的數(shù)據(jù)只能顯示某一部分用戶群——那些在 Twitter 或是 Facebook 上發(fā)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(jié)果已經(jīng)在你的觀測中改變了。在可用性測試中，無論你的實驗環(huán)境和協(xié)調(diào)人員時多么中立，當你開始觀察用戶行為，一切都已經(jīng)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(diào)查和監(jiān)聽，我們都是通過詢問用戶問題來研究用戶體驗的。

數(shù)據(jù)驅(qū)動設(shè)計已經(jīng)不在是算法設(shè)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(diào)查同現(xiàn)場調(diào)查做比較，前者不接觸用戶，后者是讓用戶和協(xié)調(diào)人員或另一個用戶交流，我們發(fā)現(xiàn)當有另外一個人在場時，用戶使用網(wǎng)站或應用程序時態(tài)度往往會更積極。比如他們?nèi)绾卧u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(shù)據(jù)是完美的。任何類型的數(shù)據(jù)都有其限制和偏差。但是好的數(shù)據(jù)會描述其誤差，并總能展現(xiàn)當時的情境。

誤區(qū) 3 ：越大越好

總有人鼓吹大數(shù)據(jù)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(shù)據(jù)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(jié)果的信心就越足。

而我們想要獲取更多的數(shù)據(jù)，就會考慮用計數(shù)的方法：數(shù)量與速度僅僅是大數(shù)據(jù)的一部分。大數(shù)據(jù)是具有多樣性的，因為數(shù)據(jù)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(guān)于用戶行為的一切知識。我們應該關(guān)注如何結(jié)合使用各種數(shù)據(jù)，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(jù)不同來源的數(shù)據(jù)能繪制出一幅更細致的圖景，并能產(chǎn)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(qū) 4 ：管理人員才關(guān)心數(shù)據(jù)，設(shè)計師不在乎

數(shù)據(jù)通常被用來判斷一個網(wǎng)站或APP的效果(比如，數(shù)據(jù)顯示最近一次改版導致了轉(zhuǎn)化率的下降)。當然這時，會導致用戶體驗設(shè)計從業(yè)人員的極力反抗，或者干脆否認數(shù)據(jù)。當然，很容易找到數(shù)據(jù)指導明智決策的例子，無論是解決內(nèi)部斗爭，還是運用反常規(guī)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(shù)據(jù)的一部分。

如果你想運用數(shù)據(jù)來指導設(shè)計，你需要三種方法：事實證明，改進完善，和探索發(fā)現(xiàn)。運用數(shù)據(jù)去改進完善指的是用數(shù)據(jù)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(fā)現(xiàn)指的是尋找數(shù)據(jù)之間的關(guān)聯(lián)性，發(fā)現(xiàn)規(guī)律和趨勢。

但問題是，數(shù)據(jù)的使用是孤立的 ( 中文版 ) ——領(lǐng)導手里拿著一種類型的數(shù)據(jù)，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(shù)據(jù)不可信。

數(shù)據(jù)不是用來證明誰對誰錯的，而是用來改進問題和發(fā)現(xiàn)新可能性的。數(shù)據(jù)只是通過科技手段來講述一個真實存在的用戶故事。

誤區(qū) 5 ：數(shù)據(jù)抹殺創(chuàng)新

數(shù)據(jù)有時又被看做是創(chuàng)新的對立面。主要有三種觀點：

無論何種數(shù)據(jù)，網(wǎng)站分析也好，調(diào)查數(shù)據(jù)，或是客戶服務數(shù)據(jù)，都是對過往的回溯。盡管我們發(fā)現(xiàn)了某種規(guī)律或趨勢，但基于這些發(fā)現(xiàn)做出預測也并非易事。

數(shù)據(jù)是戰(zhàn)術(shù)，而不是戰(zhàn)略。想想谷歌的41種深淺不同藍色測試( 41 shades of blue testing )。數(shù)據(jù)驅(qū)動與 A / B 測試結(jié)合，對于調(diào)整設(shè)計元素是個不錯的方法，但可能無法帶來令人驚艷的體驗。

數(shù)據(jù)，特別是站點分析，有點像蜻蜓點水?？吹饺藗凕c擊什么，或者滾動了多長，或在那里駐留，對于指導產(chǎn)品營銷倒是很有幫助。但是對于設(shè)計的指導效果并不太好，因為它缺乏有關(guān)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(shù)據(jù)本身。而是如何使用它。

對于所有數(shù)據(jù)指導設(shè)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(qū) 6 ：一定有用數(shù)據(jù)指導設(shè)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(tǒng)一的規(guī)范。不過下面的指導原則你可以參考一下。

使用來自各種數(shù)據(jù)源的數(shù)據(jù)指導設(shè)計：站點分析、A/B 測試、社交媒體關(guān)鍵字、客服日志、銷售數(shù)據(jù)、問卷調(diào)查、訪談、可用性測試、情境訪談以及其他研究。

包含數(shù)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(shù)據(jù)或厚數(shù)據(jù)( thick data)，你需要數(shù)字和情境結(jié)合來反映真實的情況。確保數(shù)據(jù)對于人類體驗的復雜性是敏感的。謹慎得使用平均數(shù)，大膽假設(shè)，小心求證。

隨著時間的推移用數(shù)據(jù)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(shù)據(jù)中發(fā)現(xiàn)關(guān)于用戶體驗的故事。

找到一種在組織中分享和討論數(shù)據(jù)的形式，在一開始定義數(shù)據(jù)時就一起討論。

數(shù)據(jù)驅(qū)動設(shè)計已經(jīng)不在是算法設(shè)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(shù)據(jù)更好的理解用戶日常的體驗。

來源：數(shù)據(jù)分析網(wǎng)

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責。