Data Driven Design 數據導向設計
信仰, 是使用者經驗設計師很重要的一個精神支柱, 我們相信我們所學所用的方法, ㄧ定可以幫助我們在所處的工作崗位, 開發出好的使用者體驗產品, 讓用戶感動, 讓用戶驚豔, 同時也讓公司賺錢。是嗎？這幾年, 我這個信仰不斷地被摧毀, 再重建, 我知道很多人在過程當中，就失去了這個信仰, 安於現狀的為企業賣命, 另一批人選擇殉道, 當個不食人間煙火的設計師走高格調路線, 可是路越走越窄, 跟設計的本質越離越遠。其實我們可以不用的那麼極端, 只要擁有我們所做的ㄧ切是要在好的用戶體驗與商業獲利的平衡點思維, 很多路就越來越清晰，唯一剩下的是, 對不同的單位, 讓大家都在這平衡點的慣性中運作使用者經驗, 這才是真正考驗開始。
幾年前開始涉入使用者經驗設計策略研究, 幾年下來, 方法研究當然有很多樣, 但對於數據（Data）來驅動設計, 我卻有著相當的認同，這主要是因為, 一直以來, 使用者為中心的設計
最後一哩路, 設計師總是走的坎坷, 我們可能離用戶近, 可是常常離企業本質遠, 但數據本身是中性的, 可以把兩端拉在一起, 我們要知道能夠在商業上所作的任何決定, 大部分都是大膽猜測, 小心去執行, 其實專業經理人, 有時候膽子比想像的要小, 他們非常仰賴數據來幫助他們做決策, 雖然數據不見得可以精準預測, 但總比什麼都沒得參考的好, 再者, 使用者經驗設計師更要理解數據之於自己的設計判斷決策, 有了數據的支持，設計師會更清楚的知道, 要解決的是什麼事？目標是什麼？數據當然也是一個商業與設計上要做校準的一個很好工具, 只是數據要怎麼用, 卻是對於使用者設計師也是相當挑戰的事。
過往數據導向設計中多被提及與運用的是 AB testing, 所謂AB testing是在測試期間或上線時分流用戶到不同的兩個或多個版本上, 分別記錄所產生的數據, 然後判斷哪個較佳, 最終全流量切往較佳方案, 記錄數據的同時, 也可觀測一些關鍵數據配合可用性測試及定性訪談來搜集更多意見來作為是否修改設計的判斷, 當然這樣的確協助判斷了設計方案對某部分客觀使用者體驗上的數字反應, 但可能無法完全具體體現使用者的主觀體驗, 而且由於AB testing往往安排在流程最後階段, 代表設計迭代必須快速因應, 在資源不足或商業模式混亂的公司, 這樣容易使設計師疲累反應而降低創新力。
電商業界也正有一些數據導向設計的方法, 如 Google 提出 HEART （Happy, Engagement, Adoption, Retention and Task success）框架，配合GSM（Goals-Signal-Metrics）Process，以目標決定要取哪些數據作為指標，這設定的指標維度，可以幫助在產品面向上得到一定的決策依據效果與商業需求上的校準, 原本google是希望能透過這樣子的模型在做大量分析的時候, 除了一般的網頁分析外, 加入用戶態度的元素, 不過這套框架運用在商業導向明顯的公司, 對於Singal的設定有一定難度, 常常會偏向用簡單的數據來解釋複雜的使用者行為, 且Happy 跟 Engagement 的主觀量測仍會偏弱, 這也反映了對於使用者主觀感受的數據量測耗時, 有一定的困難度, 所以在用這個框架的過程中, 容易直接取用過去熟悉的商業指標(Business Intelligent), 來取代了使用對使用者的情感上的洞見數據。
上面兩種方法是跑Lean UX很好的工具, 它考慮是快速試錯->量測->反應來取代較長時間的研究設計規劃, 但同時間我也發現以上方法有三點不足
- 取得的數據算是落後指標
AB testing 的數據比較屬於落後指標, 對設計師效率的幫助比較小, 取得的數據常常只反映了上線後的直接結果, 這方法無法在設計前期就能提供設計師好的方向, 還是得靠著其他使用者研究方式來幫助設計師補足使用者及場景洞見, 這就跟產品ship out 之後再做可用性測試是一樣了意思, 設計師能做的可能是為下一版做準備。
2. 設定的數據多為商業指標, 體驗指標要列入還是有一定的困難度
另外, 能夠快速收集的數據多為可以埋程式碼蒐集數據的商業指標, 這也會引起分析偏誤, 舉個例子來說, 假設我們設定的指標是點擊流量的提升及轉化率, A案比B案 兩個指標各都優於10個百分點, 這個只能體現, A案的設計比B案更容易引起用戶點擊行為及有效引導轉化, 表面上看起來不是很好嗎? 但我認為沒有去探討用戶點擊行為背後的動機, 容易錯估對於未來流程改善的重要數據, 有種情況是使用者明知道你的設計很差, 但市場及你的資訊架構讓他們沒有更好的選擇, 只好選擇你引導的路徑, 某方面你的設計成功的引導了用戶的行為, 但同時間你也讓用戶有種不得不的心情, 這是會造成忠誠度流失的原因，但忠誠度的數據體現, 卻要一段時間才會反映出來, 可能當你的競爭者出現時, 你的用戶會快速流失, 這一切都難以挽回, 當然, 你可以一直投資保持產品的領先, 但這也不是所有公司都辦得到的事。
3. 使用者的情感較難被分析出來
什麼事快樂？撇開一般的網頁分析數據, 在使用者經驗的數據部分要量測的難度是在情感, 單純情感這件事很難推到決策桌上去討論, 這也是為何使用者的定性研究, 常常叫好不叫座, 因為他聽起來很高尚, 用起來有點憋手, 所以如何能夠快速有效監測使用者的行為背後反應的情感數據, 也是可以去提升的一個方向。
除了一些網頁分析數據指標來因應快速設計迭代外, 數據的價值也應該體現在前期設計思維, 我認為一個數據導向的設計, 在前期的使用者的研究也應該列入框架中, 也許直接使用洞見的質性報告有一些難度, 但可以有個轉化的過程, 可以把研究結果與目標結果, 也就是說一個較完整的數據導向設計框架需要考慮到多面向的數據同時匯入來設定目標, 數據包含定性與定量, 商業與行為等等, 最後經過分析後, 可以轉化成設計策略與未來行為與情感量策目標, 配合向GSM這樣的運作, 會完整度高一些。
但單單談定性和定量數據的區分也很難準確設立體驗算法模型，我會建議先從兩個維度切入, 建立初步及中度模型, 再從這基礎上加深, 這兩個維度分別是
平行維度 商业目标与体验目标
也就是類似像 Google HEART、KANO 等等這樣的模型加上一些行為維度的量測指標
垂直維度 用戶群體分層
另外再把服務的使用者會產生的行為、認知及情感程度用輪廓形態劃分出來, 這一部分是絕對是好的數據化使用者經驗設計基礎, 一定要清楚自己的客戶, 才能去設計與改善他們的體驗, 不然都是瞎猜。
BIG DATA 大數據下的使用者中心設計的未來
數據的價值是越來越高, 網路發展幾十年, 搜索及社群網站帶動用戶開放自己的數據放在雲端, 多少用戶的喜好、行為、對介面的反應及時間因子, 都被存放在網路上等著被挖掘, 隨著運算速度加快, 快速的利用數據來解決用戶體驗問題, 是可以非常快實現的, 接下來我們期待只要把用戶分層做好, 由機器去運算可能的行為與對應的design pattern, 依照使用者行為的改變, 在自動優化最佳方案, 這樣適應性設計Adaptive Design, 就會很有效率的完成, 將來使用者經驗設計的流程模式也會改變。
