数据推动设计创新是一个新颖而重要的议题。对于设计师来说，理解并学习数据驱动设计能更好地帮助我们去进行设计决策。本文结合实例探讨了数据是如何影响设计决策，解释了数据驱动和数据响应的区别，并介绍了多种数据收集的方式。
在这篇文章中，我们将深入探讨什么是数据驱动设计，以及为什么它能更好地推动用户体验的提升 。与此同时，我们还将了解为什么它能帮助我们做出更实际的决策。
作为设计师，我们需要接受和拥抱现实世界中的数据指标，并利用它们的神奇力量来调整我们做事的方式。— Jared Spool
我们当前面临着来自用户交互的海量数据 。虽然有大量工具可以帮助我们了解所设计的产品，但是我们是在为人类设计产品。因此，作为设计师，我们需要分析人类的行为，并根据对人类交互的理解做设计。这将有助于我们基于数据做出更好的设计决策。
我们从用户那里收集的数据可以帮助我们做出更好的设计决策 。通过分析和理解数据，我们可以设计出更好的用户体验。基于交互行为中定性和定量研究的结果，我们能更好地进行设计决策。
数据帮助我们探寻用户如何使用我们的产品，以及设计师如何基于数据为用户优化使用体验。
我们收集的数据可以从四个维度帮助我们。
什么是数据驱动的设计?
设计是以累积的数据研究结果为支撑的 。在设计过程中，设计决策是基于数据和用户行为研究的。精细的用户体验设计包含对体验本身的评测研究。而只有数据才能映射出有价值的评测结论。用户的行为和反馈有助于产品设计师验证其发现、假设和评测结果。
评测数据的整理与分析能揭露重要信息。— Peter Drucker.
这些数据可以帮助产品团队了解其目标用户，发现用户痛点，发掘新的趋势，支持数据驱动的设计，并确保团队前进方向的正确性 。用户数据可以直接推动商业成果的提升。通过数据驱动设计，以提升用户体验，被证实是切实可行的方法。
为什么要进行数据驱动设计?
我们设计师在设计产品的过程中，会对用户进行调查、研究和观察。设计产品的过程中，唯一能验证假设的就是数据 。如果我们在没有任何数据驱动的情况下进行研究，凭借直觉或经验来做决策，就很有可能把钱浪费在无效的或一文不值的设计改动中。
产品的性能可以通过合理使用、验证和分析用户数据而得到提升，它也能直观地反映在用户数据中。即使是世界上最好的设计师也无法预测用户的需求。数据驱动的设计是一个向用户学习的过程，它能确保用户的问题得到解决。满足用户需求是产品成功的首要条件 ，而这一切都需要数据来驱动设计迭代。
数据驱动与数据响应设计
上述术语来源于在 Rochelle King、Elizabeth Churchill 和 Caitlin Tan 所著的《数据驱动设计(Designing with Data)》一书。本书有助于我们理解和阐明有关数据驱动设计的不同术语，并将其与数据响应设计和数据感知设计进行对比 。
数据驱动和数据响应是两种不同的方法 。它们都是以数据为基础，产品团队的每一个决策都是由数据评估和驱动的。数据驱动的重点在于数据辅助产品优化和效率提升。数据响应让我们在数据的使用上拥有更宽阔的发展方向 。我们能处理的也不仅仅是量化的数据。不同体验的 A/B 测试或结构化的可用性测试在数据响应中可能会失效。
数据感知让我们理解数据收集上的广泛性和局限性 。我们可以根据不同的问题来判断哪种方法是最合适的。有数据感知能力的团队可能会发现，基于利益相关者研讨会、用户访谈、甚至 A/B 测试研究结果而做出的决策，具有同等的价值。
麻省理工学院数字商业中心的研究表明：“在通过数据驱动决策方面，处于行业领先地位的前三分之一的公司，其平均生产效率比竞争对手高 5%，盈利能力高 6%。“
我们发现增加评测的事物数量或提高评测的保真度，实际上并不能提升结果的准确性。数据结果并不因性能的优劣而发生鲜明的改变。它只能揭示更深层次的复杂性—— 性能优劣牵扯到更多的东西。因此数据实际上只是一种衡量标准，我们仍然需要依靠直觉。我们仍然要对成因的重要程度做出判决。— Jon Wiley(谷歌沉浸式设计总监)
如何收集数据?
我们有很多收集定性和定量数据的方法。很多用户体验从业者认为数据就是数字，但这是一个误区，是一个谬论。为了用数据驱动设计，我们需要定性和定量数据 。定量数据会告诉你，用户在使用我们的产品时采取了哪些行为。而定性数据会告诉你，他们为什么这么做，以及更重要的 —— 他们对整体体验的感受。所以，我们在制定设计决策时需要收集这两种数据。
1. 定量数据收集法
定量数据的数据类型是数字、人物、事物、时间、地点。定量数据能显示程度 ，而不能说明原因 。我们能从 Google Analytics、Google Tag Manager、Google Optimize 和其他测量工具(例如：Hotjar、Crazy Egg、Optimizely、Usertesting)中获取许多关于网站或应用程序使用情况的定量数据。
A/B 测试
A/B 测试也被称为 分组测试 。Hubspot 将 A/B 测试定义为：
在(一个)实验中，’划分’ 出多个测试群体，测试一系列变量，并确定哪个变量表现更好。换句话说，你可以向一半的测试者展示版本 A，向另一半的测试者展示版本 B。
在进行 A/B 测试时，最重要的是尽可能确保每次只改变一个变量，并且使对照组和实验组的人数相同。你可以向我们一半的测试者展示 A 版本，向另一半展示 B 版本。测试的主要目标是在同等条件下，对不同变量进行比较 。
解析
通过解析，我们可以知道谁来到了我们的网站，他们是如何到达那里的，他们在那里停留了多长时间，他们点击了什么。这类数据能有效整理出很多价值的指标，比如用户的平均会话时长、退出率等。如果你想让应用程序或网站转化率得到提升，建议从用户流量大的页面开始解析，因为它们能让你更快地收集到有价值的数据。
我们还可以使用眼球追踪工具，比如热力图。热力图通过眼球追踪技术，了解用户在屏幕上所关注的位置 。当来自多个用户的热力图展示出类似的模式，说明网站或应用程序更新的内容模块或设计迭代是有价值的。
调研
用户体验调研是用户体验研究中，定量和定性数据的重要来源。
一个好的调研需要精心设计好问题，确保问题没有引导性，并且目的明确。我们应该尽量控制问题的数量(不超过 10-15 个)，以免用户中途放弃调研问卷。
2. 定性数据收集法
定性数据能说明原因和发生过程 。为什么不同组用户采取不同的行为?为什么不同的内容让用户在网站上停留的时长不同?定性数据提供了一个视角，不仅帮助我们了解发生了什么，还能让我们了解事件发生的原因以及过程。我们经常通过用户画像、体验旅程图或移情图来收集定性数据。
有了清晰的定性数据，我们可以创造更好的用户体验，更有效地服务于用户。
用户旅程 / 流程图
为理解用户与产品之间的交互，创建用户使用模型是非常有帮助的方法 。从用户流程图中收集到的信息有助于确定潜在的薄弱环节，为 A/B 测试或用户访谈的深入调研打下基础。
竞品分析
这是找出竞品弱点的附加方法 。竞品分析通过调研竞品来找出类似产品的优势、劣势或有待改进的地方。
在进行竞品分析时，必须谨慎。一味地模仿竞品并不是一个有效的解决方案。相反，最好将竞品分析作为获取灵感的手段。通过对竞品的理解，我们可以取长补短。
用户访谈
用户访谈是收集用户定性数据的有效方法 。它通过开放式和封闭式的问题，较好地定位到用户核心问题。同时，我们也要限制访谈对象的数量。电话或面谈能够得到更深入的数据。
社交媒体和用户反馈
社交媒体反映了用户对体验的期望 。通过了解用户共同的不满，能够确定产品需求的优先级。了解用户对产品的评价和反馈，也能获得更多的相关信息。
收集数据的方法需要根据项目的内容和需求而变化 。我们可能不需要去研究数据，也不需要去做运算，就能高效利用数据以推动设计决策。但作为一个产品设计师，在设计用户体验时，我们都要利用现有的工具对设计进行迭代和评估。因此，我们不应该只是基于数据进行盲目的决策，而是要对自己所做的决策知情知理。
无论我们的目标是什么，数据驱动设计都有助于 提高产品性能，提高转化率，满足用户需求 。通过数据驱动设计，我们的设计能得到更好的投资回报率。这也有助于提高产品整体的使用率和复用率。
原文地址：https://www.uisdc.com/data-driven-design-2
