数据导向型用户体验设计
龙淼 刘刚 罗来福等
摘要：用户体验是“以用户为中心”设计理念的中心思想，倡导用户深入到设计中，激发并调动其主动性，结合大数据、用户定性、定量调研与相关洞察参与原型设计。本文先对用户体验设计师在设计中通常遇到的问题进行了分析，再对运用数据进行设计与测试的问题进行了梳理与观点阐述，并指出了后续数据导向设计的方向。
关键词：数据用户体验 AB testing 情感数据
中图分类号：TB472 文献标识码：A
文章编号：1003-0069（2017）07-0048-02
引言
体验经济进入加速爆发期，用户体验设计已广泛渗透进入各行各业，包括消费类电子、互联网电信、金融、教育、生产制造、服务、媒体广告、科研等；各个行业与互联网也在进一步加速融合，端云协同、软硬件协同、物联网等新兴行业方向无一不强调用户体验，具备强大的用户体验设计能力将成为产品在未来的核心竞争力，产品及服务的用户体验优劣也成为各个企业提升产品与服务的核心竞争要素.当前各种产品琳琅满目，为了获得用户的认可，除了提高产品质量之外，提高用户体验也是给产品加分的一个重要手段。产品体验设计强调体验，将产品视为消费者体验人生的一种表达，这就需要设计师对体验设计的主题理念和内涵有着深刻的认知。将产品所要表达的体验顺畅传递给消费者。
人们对体验的需求和关注来自于后物质主义的文化转变，设计的信仰，是用户体验设计师很重要的一个精神支柱，我们相信我们所学所用的方法，一定可以帮助我们在所处的工作岗位，开发出好的用户体验产品，让用户感动，让产品惊艳，同时也让企业赚钱，真实的情况是这样口马？这几年，设计师的这个信仰不断地被摧毁，再重建，很多人在过程当中，就失去了这个信仰，安于现状的为企业卖命，另一批人选择殉道，当个不食人间烟火的设计师走高格调路线，可是路越走越窄，与设计的本质越离越远。其实我们可以不用的那么极端，只要拥有“我们所做的一切是要在好的用户体验与商业获利中寻求平衡”的思维，很多思路就越来越清晰，让大家都在这平衡点的惯性中运用用户体验，这才是真正设计考验的开始。
几年前开始涉入用户体验设计策略研究，几年下来，方法研究当然有很多种，但对于数据来驱动设计，我有着相当的认同，主要是因为，一直以来，以用户为中心的设计最后阶段，设计师总是走得很坎坷，我们可能离用户近，可是常常距离企业本质却很远，但数据本身是中性的，可以把两端拉在一起，我们要知道能够在商业上所作的任何决定，大部分都是大胆猜测，小心去执行，其实专业经理人，有时候胆子比想象的要小，他们非常仰赖数据来帮助他们做决策，虽然数据不见得可以精准预测，但总比什么都没得参考的好；其次，用户体验设计师更要理解数据对于自己的设计判断决策，有了数据的支持，设计师会更清楚地知道，要解决的是什么事？目标是什么？数据当然也是一个商业与设计上要做校准的一个很好工具，只是数据要怎么用，却对用户体验设计师具有相当挑战的事；UX研究人员的研究对象是人，而人的活动是发生在一个具体的情境中，是由个人行为和有意义的情境组成的，随着情境的变化而发生变化；同时，情境也不能脱离活动独立存在，独立于活动之外的情境对于UX是没有意义和影响的。因此我们的UX数据采集需要紧紧围绕用户的活动来开展。过去数据导向UX设计中多被提及与运用的是AB testing，所谓AB testing是在测试期间或上线时分流用户到不同的两个或多个版本上，分别记录所产生的数据，然后判断哪个更好，最终决策将全流量切换到较佳方案上，记录数据的同时，也可观测一些关键数据配合可用性测试及定性访谈来搜集更多意见，来判断是否修改设计的决策，当然这样的确协助判断了设计方案在用户体验上的数据反应，但可能无法完全具体体现用户的主观体验，而且由于AB testing往往安排在流程最后阶段，这意味着设计迭代必须快速响应，在资源不足或商业模式混乱的公司，这样容易使设计师疲累反应而降低创新力（如图1）。
IT业界也正有一些数据导向设计的方法，如Google提出HEART（Happy＼Engagement＼Adoption＼Retention＼Task success）框架，配合GSM（GoaIs-Signal-Metrics）Process，以目标决定要获取哪些数据作为指标，这里设定的指标维度，可以帮助在产品面上得到一定的决策依据与商业需求校准，原本google是希望能通过这样的模型在做大量分析的时候，除了一般的网页分析外，加入用户态度的元素，不过这套框架运用在商业导向明显的公司，对于Signal的设定有一定难度，常常会偏向用简单的数据来解释复杂的用户行为，且Happy跟Engagement的主观量测仍会偏弱，这也反映了对于用户主观感受的数据量测耗时，有一定的困難度，所以在用这个框架的过程中，容易直接取用过去熟悉的商业指标，来取代了使用对用户的情感上的洞察数据。
上面两种方法是开展用户体验设计很好的工具，是通过快速试错->量测->反应的方法来取代较长时间的研究设计规划，但同时间我也发现以上方法有三点不足：
（一）取得的数据算是落后指标。
AB testing的数据比较属于落后指标对设计师效率的帮助比较小，取得的数据常常只反映了上线后的直接结果，这方法无法在设计前期就能提供设计师好的方向，还是得靠着其他用户研究方式来帮助设计师补足用户及场景洞察，这就跟产品发布之后再做可用性测试是一样了意思，设计师唯一能做的可能是为迭代做准备。
（二）设定的数据多为商业指标，体验指标要列入还是有一定的困难度。
能够快速收集的数据多为可以预埋程序代码搜集数据的商业指标，这也会引起分析误差，举个例子来说，假设我们设定的指标是点击流量的提升及转化率，A案比B案两个指标各都优于10个百分点，这个只能体现，A案的设计比B案更容易引起用户点击行为及有效引导转化，表面上看起来不是很好吗？但我认为没有去探讨用户点击行为背后的动机，容易误解对于未来流程改善的重要数据，有种情况是用户明知道你的设计很差，但市场及你的信息架构让他们没有更好的选择，只好选择你引导的路径，某方面你的设计成功地引导了用户的行为，但同时你也让用户有种不得不的情绪，这是会导致用户忠诚度下降的原因，但忠诚度的数据体现，却要一段时间才会反映出来，可能当你的竞争者出现时，你的用户会快速流失，这一切都难以挽回了，当然，你可以一直投入并保持产品的领先，但这也不是所有公司都办得到的事。
（三）用户的情感较难被分析出来
在现有基于网络用户情感分析的预测方法中，都以网络用户的情感作为现实中特定对象的预测依据。这些预测方法所隐含的一个前提是网络用户情感能够正确代表大多数现实生活中的人们的真实情感。尽管大多数相关研究最终用相关性分析证明了网络用户情感与待预测对象之间存在相关关系，如果不对此前提进行强调，那么很可能类似的预测方法在应用到其他一些领域时无法得到预想的结果。
什么是快乐？撇开一般的网页分析数据，在用户体验数据量化测评的难度是在于情感分析，单纯情感这件事很难放到决策层面上去讨论这也是为何用户的定性研究常常叫好不叫座，因为他听起来很高尚，但用起来有点蹩脚，所以如何能够快速有效监测用户的行为潜在反应的情感数据，也是可以去提升的一个方向。
除了一些网页分析数据指标来因应快速设计迭代外，数据的价值也应该体现在前期设计思路中，我认为一个数据导向的设计在前期的用户的研究也应该列入框架中，也许直接用户洞察的定性报告有一些难度，但可以有个转化的过程，可以把研究结果与目标结果，也就是说一个较完整的数据导向设计框架需要考虑到多方面的数据同时汇入来设定目标，数据包含定性与定量，商业与行为等，最后经过分析后，可以转化成設计策略与未来行为与情感量化目标，配合向GSM这样的运作，会完整度高一些（如图2）。
通常情况下，设计师通过用户访谈、分析用户问卷调查数据以及网站页面数据等方式，了解用户需求以及用户在使用产品时遇到的问题。数据导向与上述调研类型的不同，在于取样的大小、方式和角度。从内容上说，首先要分析与目标相关的所有的数据，而不是依靠分析少量或特定的数据样本。其次，由于数据的繁复因而多从整体的角度出发，不追求局部或个体的精确性。另外，更注重事物的相关性，不同于用户访谈和调查问卷对个体或现象产生原因的探求。但单单谈定性和定量数据的区分也很难准确设立体验算法模型，我会建议先从两个维度切入，建立初步及中度模型，再从这基础上加深，这两个维度分别是：平行维度：商业目标与体验目标，也就是类似像Google HEART、KANO等这样的模型加上一些行为维度的量测指标；垂直维度：用户群体分层，把服务的用户会产生的行为、认知及情感程度用轮廓形态划分出来，这一部分是绝对是好的数据导向型设计基础，一定要清楚自己的客户，才能去设计与改善他们的体验，不然都是瞎猜。
结语
数据导向强调从微观层面获取满足用户需求的精准信息，数据分析强调从宏观层面为用户提供数据洞察，进而提供决策支持，而数据探索则需要在宏观和微观两个层面进行自由切换。未来数据的价值是越来越高，网络发展几十年，搜索及社交网站带动用户开放自己的数据并放在云端，多少用户的喜好、行为、对界面的反应及时间因素，都被存放在网络上等待被挖掘，随着指令周期加快，快速地利用数据来解决用户体验问题，是可以非常快实现的，接下来我们期待只要把用户分层做好，由机器去运算可能的行为与对应的设计模式，依照用户行为的改变，再自动优化最佳方案，这样响应式设计，就会很有效率地完成，将来用户经验设计的流程模式也会改变。一款产品、系统的成功与否关系到整个设计团队的生存与发展，而一款产品、系统的用户体验关系到了其市场接受程度，决定了其成败，所以产品、系统都应注重其用户的需求、体验做到“以用户为中心”的设计，这有这样才能在“苛刻”的用户当中发展。
