如何運用數據用於設計和提高用戶體驗

在心理學沒有被大衆普遍接受之前，大部分人只會認爲心理學是研究精神病人的學科，與普羅大衆是絕無關係的。隨着市場經濟的發展需要，現代心理學在推動經濟發展方面顯得舉足輕重。那麼數據給我們的提示呢?數據給我們提供的難道只是預測市場波動的趨勢和產品模型證僞?在數據只被我們用來研究經濟的時候，大部分人都盲目地追求數值的精確性以確保經濟項目的“精確制導”，而忘卻了數據也可以用於設計和提高用戶體驗。下面我給大家分享一下在友盟組織的主題爲《iOS產品設計如何提升用戶體驗》沙龍中關於如何運用數據用於設計和提高用戶體驗。

基於數據的用戶體驗設計 創新工場用戶體驗總監卓浩

數據在設計當中的使用，不管是狹義的純粹的界面設計或者更廣義一點的產品設計。數據可以從這樣的一個維度來看，有專家級的極少量的數據，有量稍微大一點的就是定性的數據，還有大量的海量的定量數據。

專家視角，專家以專業的視角在做產品的時候對用戶行爲、產品體驗等方面進行預測，對產品產生的表現的一個分析。發過來，通過產品的實際使用數據可以幫助校正預測方法，以提高專家視角預測的效率。

定性數據，用用戶訪談，焦點小組等方法進行定性數據收集，以較少的樣本量獲得較高的調查準確率。

定量數據，憑藉互聯網產品數據收集的實時性，意味着開發者可以獲得快速、大量、真實的用戶數據，通過一定的數據研究方法可以起到很好的效果。定量數據和定性數據結合的方法更加規模稍小的一些團隊。第一：所謂的專家的視角就是在做產品的時候，或者在做產品過程中的用戶行爲分析、產品任務分析和流程分析的時候預先預測用戶使用自己產品的時候會需要什麼樣的功能，對產品會產生什麼樣的表現的一個分析。

在做具體預期之前，通常會根據自己的經驗，或者是一些第三方的數據來預測一下，比如預測在所有的用戶行爲當中可能有一些是比較主要的用戶行爲，並用一定的方法確定主要用戶行爲線路和哪幾個行爲是比較主要的。當你的產品真正上線以後，產品的使用數據會給你一個反饋，這個反饋有的時候會是和你預測的用戶行爲區域或主要用戶行爲是一樣。但是也有一些可能會出現一些出入，比如說本來在你預測當中的某個部分是用戶的主要行爲，但是在事實的數據上發現並不是這樣，或者說你並沒有預測這條線路會成爲用戶的主行爲，但是數據反應出來用戶實際上會把這個作爲一個主行爲。同時因爲數據是帶有量的信息的，所以你可以看到比如這條線路的用戶主行爲在用戶使用量上，就是要比其他的顯得更多一些，更粗一些。從專家的角度對產品設計進行預測，但是反過頭來，這個產品的實際使用數據是可以幫助你校正，這是一個很典型的用法。

第二：定性數據通常是指什麼?通常是指你取一定的樣本量，不會太多，不會說是成千上萬的，但是又不是像一兩個所謂的專家數據，通常會是幾十個量級，得到一些你對這個產品的想法的驗證，從而幫助你儘可能及早弄清楚你產品的方向。

舉個例子，比如說當大家看到這張圖(圖片點擊放大)的時候，我想問一下大家是看在哪裏，這是一個很嚴肅的問題，可能會有的朋友說，我看到他這個頭髮顏色很漂亮，身上有很漂亮的紋身，頭像的花很漂亮，可能會有同學這麼說。但事實上如果我們用專門的儀器來跟蹤一下大家的視線，你會發現這是真實的情況。實際上是有一些工具能夠幫助大家把用戶他自己不願意表達，或者沒有辦法表達清楚的事情，清晰地展現出來，這個就是一個很典型的定性研究的或者說定性數據分析起到的作用。當然這個定性研究裏面還有很多其他的方法，比如說像觀察法，我們去找到這個目標用戶，跟蹤他一天的行爲或者說他一段時間內的行爲，來看一看他是怎麼樣工作，怎麼樣生活的。而不是說你聽這個用戶說，我一天會用你的產品十多次，但你實際跑去看的話，發現他其實一次都沒用，或者說十多次只是打開看一下並沒有真正使用。然後也包括像用戶訪談、焦點小組等等，這些都算是比較經典的定性研究，或者說獲取定性數據的方法。像這個例子叫視覺追蹤這樣的方法，在做定性研究的時候其實我所經常看到的是另外一個誤區，就是大家會覺得，有的人會覺得定性研究因爲它的樣本量很小，一共才那麼十幾個人，它究竟靠譜嗎?是不是其實做了跟沒做其實沒什麼兩樣，因爲你樣本量這麼小，其實它不能夠代表最大量用戶的真實情況，會有人有這樣的看法。或者說另外一個極端是，有人會覺得要做研究，我們一定要很嚴謹，你十幾個人的量可能不行，我必須要做到幾百人，所以這樣投入很大，時間、金錢投入都很大，我也沒法做，乾脆不做了。

第三：接下來我們再看一下定量數據，定量數據其實是真正只有在進入了互聯網時代之後纔有的一種奢侈，當進入了互聯網產品時代，互聯網產品憑藉它的數據都是實時連通的，開發者可以得到快速、大量、真實的用戶數據。

大家想象一下，在過去比如說像九幾年甚至包括像兩千年前後，那時候微軟這個世界IT界軟件行業的巨頭，他在做產品的時候比如說office這樣的產品，他們在做用戶數據獲取、用戶研究，並且以此做分析來改進產品。他是什麼狀況?花大概半年的時間，就是請一個專業的諮詢公司花大概半年的時間做數千個用戶的訪談和調研，收集數據。然後再花將近半年的時間整理數據，反饋給產品研發團隊，改進產品。所以傳統的研發過程它的週期真的就是用年計的，但是當進入了互聯網產品時代，其實有一個巨大的好處給大家，因爲互聯網產品它的數據都是實時連通的，這意味着開發者可以得到快速、大量、真實的用戶數據。這三個非常非常關鍵，快速的、大量的、真實的用戶數據，這個意味着只要我們這個產品當中做好了準備，每一分每一秒用戶使用的情況，都可以成爲你下一個版本改進的依據。而且甚至這些做互聯網的人到今天，他們也正在去影響着很多傳統行業，比如像手機行業裏面以前是做市場的人員來主導的，因爲對於手機公司來說，做市場的人員看起來是離商品銷售距離最近的。他們覺得我跟店員接觸是最緊密的，所以我應該來決定做一個什麼樣的手機，有什麼樣的功能，甚至長什麼樣。但是反過頭來大家再看傳統的手機行業到今天已經潰不成軍，正是因爲有互聯網產品的思路正在進入到傳統的手機領域當中，徹徹底底地在改變這個領域。

在定量數據獲取當中或者定量的研究當中有這樣幾個主要的`方法：

第一個就是所謂AB測試，AB測試就是上線幾個不同的版本，然後讓用戶去使用，通過比較用戶所使用不同版本之間的差異來弄清楚究竟哪個好。做AB測試這裏面其實也是有幾個關鍵點，第一個就是AB測試的這兩個版本一定是利於比較。

比如說它可能是所有的指標當中只有那麼一個或者是很少幾個有區別的，其他大部分都作爲控制項是相同的。因爲只有這樣才能知道究竟是哪個因素在起作用，像有的經驗不是太豐富的團隊他們會憋大招，就是一個版本里面有很多很多的改進，很多很多的革新。如果是這種情況，經常就遇到你看到這個數據不管是好的還是壞的，不知道是因爲什麼，因爲中間發生的改動太多了。所以真正有經驗的團隊會是用短平快的方法，很快的一次改一個，一次改很少的幾個，然後來做比較，發現哪個更好確定下來，然後再有新的測試和記錄。當然如果說在更高深一點，其實這個實驗還可以被設計得更加巧妙，你可以把你的數學模型設計成，的確是你同時測試了好多個不同的屬性的變化，但是從數學模型的角度來說是可以把這些不同因素之間的相互影響分離出來的，這樣其實也可以。但是對於大家來說，可能最開始作爲起步還是短平快的方法，一次只比一個或者很少幾個，這是AB測試快速試錯的方法。

第二個實際上是很多互聯網企業的殺手鐗，就是所謂的百分之一測試。百分之一測試它的本質是什麼?本質是說我控制一小部分用戶，但是又足夠量的，控制一小部分客戶來使用我們的新版本或者新產品，然後得出反饋幫助我改進。

這個做法其實最主要的就是說避免一下子影響到太多的用戶而產生不可控制的後果。比如像在早些年其實用百分之一測試用得最好的首屈一指的就是Google，對於Google來說，一年當中可能會有幾千個這樣的實驗上線，然後會有幾百個或者說幾百次對產品的改進，僅僅對搜索而言。Google有那麼多產品線，還有更多更多。像今天大家可能會更熟悉的是像facebook甚至把這個作爲一種標準的上線機制，就是它的系統設計成爲就是可以同時支持很多個不同的控制實驗，所以它可以幫助我公司產品當中有很多的實驗性功能，或者是新的產品特性，可以同時以少量用戶測試的方法來進行。然後實驗數據好我就作爲正式產品上，實驗數據不好我就把它收回來，重新改進。當他做成是一種大規模自動行爲的時候，就出現了一個巨大的益處，就是你的產品新功能的改進、提交、發佈變成了一項非常非常順暢，不用說再像以往那樣好象特意準備一個月，實驗兩個月，再調整一個月。反過頭來看起來好象你是用了快速的方法，但實際上還是要經過兩三個月才能上線。對於facebook他把整個產品基礎架構設計成可以同時進行大量少量用戶控制實驗的這種結構，對於它的產品迭代改進非常有好處。

第三個就是對於這些數據的解讀。其實數據是中性的，一個數據出來很少有那種，當你看到這個數據就可以很清晰地判斷說，這個數據究竟代表着好還是代表着不好。大部分情況下，其實你需要首先確定的是你這個數據分析的目標，比如說舉個最簡單的例子，大家說一個網頁用戶來到這個產品上面，一個網頁產品用戶來到這個頁面上，究竟是快快的離開好還是停留的時間久好，其實這兩個沒有絕對的標準，完全要根據你產品的目標來定。

比如說如果像新浪這樣的門戶或者說像新聞類的產品，可能大家希望用戶來到這個頁面多停留一會兒。因爲這意味着用戶在上面有很多的瀏覽，但是如果說對於Google搜索頁面，停留得久意味着災難，意味着產品質量不好，設計不好，不能讓用戶很快地找到他想要找的結果，馬上離開。所以你的產品的數據，千萬不要把數據當做所謂的萬能的，看到一個數據就可以很快下結論，真的不