本文翻譯自Attention Insight，本網站已獲得Attention Insight授權。
原文連結：Complete Guide to Data-Driven Design
設計過程通常被視為藝術，並且通常依賴直覺。不幸的是，設計師無法讀取使用者的心思。這就是為什麼這種方法可能導致與使用者需求不符的設計。這就是數據驅動設計（Data-driven design）的幫助之處。
數據驅動設計的方法有助於創建以使用者為中心的設計和更好的使用者體驗。它使您能夠基於關於使用者行為、態度、需求等真實證據做出更好的設計選擇。
然而，對於數據驅動設計仍存在許多混淆和對其重要性的缺乏理解。
為了澄清這些問題，我們為您準備了這份數據驅動設計過程的完整指南。本指南將涵蓋數據驅動設計的定義、重要性、什麼屬於數據、如何使用數據、如何獲得利益相關者的支持以及實施數據驅動設計過程的第一步。
目錄
第一部分：數據驅動設計的概念解釋
- 什麼是數據驅動設計？
- 什麼是數據？
- 為什麼你需要關注數據驅動設計？
- 數據存在是為了幫助你。
- 數據並不是一切。
第二部分：如何讓利害關係人支持數據驅動設計？
- 面對來自上層的阻力。
- 解釋基本概念並提供背景說明。
- 展示數據驅動設計對業務的價值。
- 展示數據驅動設計的成功案例。
- 將數據可視化。
第三部分：開始進行數據驅動的設計流程
- 起步前的困惑。
- 確保數據的可獲取性。
- 對數據驅動設計達成共識。
- 明確且實際的目標。
- 建立假設。
- 選擇數據驅動設計策略。
- 通過數據了解您的客戶。
- 尋找數據中的異常。
- 熟練使用數據。
- 耐心等待。
結論
- 關於使用者關注力的獨家見解。
第一部分：數據驅動設計概念解釋
什麼是數據驅動設計？
數據驅動設計可以被定義為一種在設計過程中，大量依賴收集的客戶行為和態度數據的決策方法。
關於客戶如何與你的設計互動的資訊作為反饋，傳達你的設計是否實現了其目的。
例如，在一個登陸頁面的案例中，CTA按鈕是否足夠顯眼，是否有足夠的點擊量？設計是否能夠吸引注意力，而不會掩蓋主要的資訊？如果是一個電子商務頁面，購買過程中的所有步驟，對使用者來說是否清晰明確？
什麼是數據？
當人們聽到「數據」這個詞時，幾乎立即會想到定量數據（Quantitative data）——即以數字形式呈現的數據。
數據不僅僅指數字。定性數據（Qualitative data）也涉及到無法以數字形式表達的感受、觀點和觀察，這也是數據。
你可以使用定量和定性數據來支持設計過程。
定量數據以數字形式呈現，回答關於「多少」「多少次」「多常」等問題。A/B或多變量測試、網站分析、眼動追蹤研究的熱圖、大樣本調查、資訊架構研究（如利用網路工具來進行樹測試或卡片分類）等方法，都是定量數據來源的例子。
另一方面，定性數據則聚焦於「為什麼」。它提供了關於使用者動機和意圖的洞察。你可以通過訪談、競爭者分析、易用性研究、焦點團體、日誌研究等方式獲取定性數據。
這兩種類型的數據都很有價值，它們可以互相輔助。
為什麼你應該關心數據驅動的設計？
僅僅依靠直覺，而不利用數據獲得實際反饋，可能是一種危險的做法。這可能會產生無效的設計，進而導致收入的損失，還有重新設計所浪費的時間和精力，甚至可能損害品牌形象。
有效地利用數據可以提高轉化率，推動企業取得整體上的成功。有很多成功故事表明，數據驅動的UX方法，對企業的成長有重大貢獻。
Continental Office 首頁的螢幕截圖
例如，一家客製化工作場所解決方案的提供商Continental Office，需要一個新的網站和重新品牌定位。他們希望融入買家的角色，提供引人入勝的用戶體驗，也能連結到內容行銷。
他們基於使用者數據的重新設計結果如下：
- 年度流量增長了103%
- 全新聯繫人數增長了645%
然而，並非總是需要進行如此大的改變才能取得類似的改善。
Vocier 首頁的螢幕截圖
Vocier奢侈行李品牌，應用數據驅動的技術，在不重新設計網站的情況下，將轉化率提高了75%。他們只是通過修復一些UX問題就取得了這個成果。
如果這還不夠，你可以閱讀更多關於UX重新設計的案例研究。
數據存在是為了幫助你
設計師通常不喜歡數據驅動的設計概念，因為他們擔心這會限制，甚至取代創造力。更不用說，有個錯誤的假設認為會需要處理數字——但這並不是事實。
數據就像一個工具，幫助設計師創建最佳的使用者體驗。設計師可以藉此驗證他們的直覺選擇。此外，他們可以通過質性數據，更好地理解客戶的需求和動機，並相應地調整設計。
設計師無需處理數字和學習統計分析。他們仍然專注於創造性的工作，但與研究人員和數據科學家合作，後者將提供基於數據的有益反饋。
所有數據都可以以簡單的方式呈現，甚至可以進行可視化，使其更加清晰。因此，對設計師來說，數學素養真的不是必須的。
此外，數據驅動的設計技術可以節省時間和資源。適當的使用者研究和測試，可以減少所需的迭代次數，從而獲得最終設計，甚至可能在第一次就得到正確的設計。
這是設計師的夢想——減少修訂的繁瑣工作，有更多時間進行創造性工作。
數據並不是一切
但是，數據驅動的設計過程也有負面的一面。
不要陷入優化數字，而忽視整體情況的陷阱。這可能導致長期下來，使用者體驗變差，並損害品牌形象。
你需要在直覺和實證證據之間保持健康的平衡。這是一種微妙的藝術，需要知道何時使用哪一種方向。基本上，當數據沒有給出非常明確的答案，或者你需要將許多元素組合成一個和諧的整體時，你可以信任自己的專業知識和直覺感覺。
受數字的啟發，但不要成為它們的奴隸。
畢竟，數據可以提供資訊，但設計師需要加入神秘的元素，讓設計鮮活起來。這種人為因素是真正驅動創新的力量，而數字只能啟發或提供一些有用的洞察。
第二部分：如何讓利害關係人支持數據驅動設計？
面對來自上層的阻力
到目前為止，我們已經解釋了什麼是數據驅動設計，以及它可以創造什麼價值。同時，我們也解答了一些對它的誤解。
數據驅動的設計過程，是透過關於使用者的證據作為支持，這是使用者中心設計（User-centric）的核心支柱。正如我們所展示的，這種以客戶為導向，並以數據為基礎的設計方法，可以為您的業務創造重要價值。
儘管如此，數據驅動設計經常被誤解，它的使用可能會在公司中引起很多摩擦。您可能會遇到來自利害關係人的阻力，他們可能有不同的觀點。如果設計師可以獨自創造出好的設計並讓收益不斷增長，那為什麼還要花時間，來進行這些研究、分析、數據解讀，並投入額外的人力資源呢？
因此，要讓利害關係人接受這種數據驅動設計的概念，可能是具有挑戰性的。然而，如果您使用我們的建議，這個任務可能會變得更加容易一些。
解釋基礎知識並提供背景
首先，如果您希望利害關係人可以支持數據驅動設計，您需要確保他們清楚了解數據驅動方法的含義。其中一個重要的部分是——什麼被視為「數據」。
通常情況下，當人們聽到「數據」這個詞時，幾乎立即想到的是「數字」，特別是對於不太熟悉使用者體驗研究的人來說。但實際上，數據不只是指數字——「定性數據」——也就是無法用數字表達的感受、意見和觀察，同樣是數據的一部分。
你可以將數據視為證據。其中很大一部分的數據是以「數字」形式呈現，回答了「什麼」、「何時」、「在哪裡」和「多常」等問題。儘管這種定量數據非常有價值，但它無法回答人們為什麼會有這些行為。
我們需要利用定性研究來深入了解使用者的動機。通過觀察使用者、聆聽他們的意見和同理他們，我們可以獲得那些缺失的資訊，這可能會對設計產生重要的影響。
這就是為什麼我們應該將這種相對不具體，且無法完整結構化的資訊，視為與數字數據同等重要。請花一些時間，確保您與利害關係人對於這一點有共識。
此外，您不能將數據視為不容置疑的真理。儘管數據為我們提供了關於客戶行為的證據，但我們需要記住，這只是使用者體驗的部分呈現。無論擁有多少數據，我們討論的只是整個故事的一部分。要看到完整的觀點，我們需要將數據擴大和多樣化。請盡可能考慮不同的數據來源，即使如此，請記住這只是近似使用者體驗，而不是終極真理。
與利害關係人討論，透過數據可以做到哪些是必要的。這對於成功實施數據驅動的設計方法是關鍵。
展示數據驅動設計對業務的價值
儘管許多公司仍然沒有將設計放在優先次序，但事實表明，他們應該改變這種看法。讓我們來看看DMI設計價值指（DMI Design Value Index），其中包括一份精心挑選，以設計為主導的美國上市公司列表。如下圖所示，這些公司在過去十年中，在股票市場上的表現，超過了標準普爾指數公司（S&P index companies），增長了228％。
DMI設計價值指數與S＆P指數的股票市場表現比較。資料來源：dmi.org
如果設計能帶來如此大的差異，請確保使用數據來支持它，而不僅僅靠臆測和直覺。研究支持了這種觀點，即數據驅動的方法可以為您帶來業務優勢。
正如麻省理工學院（MIT）的Andrew McAfee和Erik Brynjolfsson在《哈佛商業評論》中所述：
「在使用數據驅動進行決策的行業排名中，前三分之一的公司，其生產力平均比競爭對手提高了5％，利潤提高了6％。」
此外，數據驅動的設計原則可以幫助提高設計師的工作效率。使用者研究和一些測試可以減少設計所需的迭代和修訂次數，因此設計師在同樣時間內做更多的工作。
了解設計的重要性，並將數據驅動理念作為公司工作的核心原則，長期來看可以獲得很多好處。
展示數據驅動設計的成功案例
當你試圖說服利害關係人採用數據驅動設計時，你可能希望使用成功案例，來展示基於數據的UX研究方法所帶來的投資回報價值。當你展示他人如何受益時，你可以更容易推銷這個想法。
讓事實說話。當你看到數據驅動設計可以創造的價值時，你將無法忽視它。
將數據可視化
百聞不如一見。
在與利害關係人交流時，我們可以應用這個觀念。
當你以多種方式呈現資訊時，人們更容易理解。一項2016年的研究顯示，在介紹新資訊時，使用視覺元素可以幫助人們吸收資訊。
正如研究者在該研究中結論所指出的：「創造視覺解釋，會比口語帶來更大的效益。」
因此，在為利害關係人準備呈現時，可以考慮包含一些視覺化圖像和圖表。一些有說服力的圖表，可以產生長遠的影響。
第三部分：開始進行數據驅動的設計流程
起步前的困惑
在前兩個部分中，我們已經講解了很多內容。
我們解釋了什麼是數據驅動的設計，以及為什麼它在當今的商業世界中至關重要，並給出了如何獲得利害關係人支持的建議，以在公司中實施數據驅動的設計。
然而，我們還沒有談到如何開始進行數據驅動的設計流程。
在既有的工作框架中，引入數據驅動的設計模式，可能是一項艱鉅的任務。由於存在著如此多的「可移動元素」，這更難啟動流程。本節將帶您了解可以從哪裡開始，以及在工作場所中實施這個模式的重要元素。
確保數據的可獲取性
首先且最重要的，是關鍵人員需要能夠獲取數據，才能使數據驅動設計流程能夠運作。在大型組織中，部門之間的資訊流通常很受限。這對於實施新流程來說，可能是真正的障礙。
認為只有專家在處理定量數據，UX 研究員和設計師負責處理體驗的觀點已經過時。這些界限正在逐漸模糊。
設計師也需要定量數據，特別是關於使用者行為的數據。當然，他們需要這些數據以可理解的方式呈現，而不僅僅是原始數據。對非專業人員來說，這些數據可能像外星語一樣。
與您的團隊進行討論，決定在您的組織中，如何共享這些資訊，包括數據人員和設計師之間的資訊共享。考慮誰需要了解什麼，如何結構化整個流程，以及使用哪些工具。確保每個人都能夠輕鬆地獲取所有必要的資訊。
對數據驅動設計達成共識
確保有效的資訊流量並不足夠。同事們還需要相互理解。這將帶領我們面對另一個可能從一開始就遇到的挑戰——數據部門和設計部門之間沒有共同語言。設計師不一定需要學習數據人員使用的術語，但至少需要相互理解。
一個很好的起點是：確定基本概念。解釋定量和定性數據之間的關聯，以及為什麼在設計過程中使用這兩種數據類型非常重要，進而觸及這個主題（我們已經在第二部份中談論過這個部分）。
在早期階段，釐清關於定量/定性問題的誤解，以避免與定性數據可信度相關議題的不必要衝突，並改善團隊成員之間的溝通。同時，在溝通或使用某些數據提取工具時，定義將要使用的術語也非常重要。
同樣重要的是，要清楚理解成功的樣子，並確保團隊中的每個人都同意。您可能會有許多不同的目標，但無法一次達成所有目標。再次確認參與特定任務的每個人，是否擁有相同的目標——這將引導我們進入定義目標的過程。
明確且實際的目標
在開始收集數據之前，需要知道希望透過數據實現什麼目標。盡可能清晰化目標，對於有效施行以數據為中心的方法至關重要。
您是想引入一個全新的產品？還是只是修改現有產品並創造新的版本？在這兩種情況下，數據收集過程將不同。
同樣，確保您的目標是實際可行的。最好可以從一開始就應用數據驅動的技術，這會增加使用數據驅動的設計原則，從頭開始重新設計產品的可能性。除了數據外，還有其他重要因素應該影響決策，如成本、時間和可行性。
您可以考慮這些額外的變因，並問自己在此具體情況下，重新設計是否是一個實際的選擇？有時候，只是修改產品，就有可能變得更好。
建立假設
一旦您知道為什麼要收集數據後，接下來可以專注於建立假說（Hypotheses）。
假說源自於科學實驗，但在建立使用者體驗實驗時，這個原則也適用。
讓我們來看看加利福尼亞州州立大學貝克斯菲爾德分校生物學系提供的假說定義：
「假說是一種暫定性陳述，提出對某一現象或事件的可能解釋。有用的假設是一個可測試的陳述，可能包含一個預測。」
不要將假說與理論混淆。假說更像是一種預測性的假設，而理論則是由數據支持的知識體系用於解釋現象。
一個正式的假說範例——
如果葉子顏色的變化與溫度有關，那麼將植物暴露於低溫，將導致葉子顏色的變化。
請注意，此陳述有兩部分：可測試的關係提議，以及預期結果的預測。如果 A 關係成立，那麼 B 將發生。這樣，假說會假設自變數（Independent variabl）和應變數（Dependent variabl）之間存在因果（Cause-and-effect）關係。在建立使用者體驗研究的假設時，此原則也同樣適用。
以下是一個使用者體驗實驗的正式假說範例：
如果對比元素能夠吸引注意力，那麼將CTA按鈕的顏色與背景形成對比將增加轉換率，因為這樣會更容易被訪問我們網頁的訪客注意到。
像這樣的假設將是使用者體驗實驗的良好起點。您可以進行幾種設計的A/B測試——其中一個是高對比的CTA按鈕，另一個則是較低對比的CTA按鈕。數據將在這種情況下揭示真相。
選擇數據驅動設計策略
既然您已經有了建立假說的指導方針，關鍵問題是，您要如何選擇要測試的內容？從哪裡開始進行研究？
測試所有可以測試的內容並不是一個好主意。同樣，避免盲目地尋找希望能夠碰到目標。
在這兩種情況下，結果可能不會提供有影響力的改變。更糟糕的是，你可能會在決策者眼中失去可信度，並且可能很難獲得下一個測試。
好消息是，您已經擁有一些關於客戶行為的數據。不管是進行了簡單的用戶測試，還是擁有來自分析的數據，如果您正在使用這些數據做出決策，那麼可以稱之為簡化版本的數據驅動方法。
這是一個很好的開始，它將使您更容易在決策中，引入更複雜的數據驅動設計過程。您可以從手頭擁有的數據，開始應用數據驅動技術。在您習慣並利用這些可用的數據之後，您可以開始考慮其他數據收集方法。
通過數據了解您的客戶
有幾種方法可以嘗試。如果您對理想客戶概要（Ideal customer profile, ICP）不太自信，那麼第一種方法非常好用。您可以使用數據更好地了解您的客戶。檢查網頁分析數據，並分析行為流程，以了解他們在您的網頁上在做什麼。分析人口統計數據和受眾分析數據，以獲得對您的客戶更詳細的觀點。
使用這些數據，您可以開始在真實世界中，和真人尋找對您的猜測的確認或反駁。通過客戶調查和訪談，獲取有關人們如何使用您的產品，以及為什麼使用它的更多資訊。分析這些新資訊，並使用您從這些使用者研究中發現的重複性主題和模式，建立理想的人物誌（User personas）。
現在，你擁有了人物誌，你可以與符合理想客戶概要（ICP）的使用者進行測試。在早期開發階段，獲取他們的反饋意見。在發布之前，將這些使用者納入測試版測試，以便可以找到可能的錯誤和其他問題。在開發產品或網站時，與這些使用者保持聯繫，以獲得有價值的反饋意見。
尋找數據中的異常
第二種方法適合於以下狀況，如果您對理想客戶概要（ICP）有良好的掌握，但感覺有些不對勁的時候。通過分析網站分析中的定量數據，您可以發現使用者行為中的異常。這些奇怪的客戶模式，可能表現在某些指標明顯偏高或偏低。它可能是極高的跳出率，非常短的平均停留時間，或某些子頁面的較高退出百分比。要弄清楚這些指標意味著什麼並不容易，因為可能有許多不同的原因。
假設您有一個銷售給客戶的SaaS平台或應用程序。您的登陸頁面將使用者引導到試用註冊表單。在檢查分析數據時，您觀察到從造訪人數到試用者的轉換情況非常不錯。然而，您發現註冊的幾個小時內，大多數使用者停止使用您的平台，變成非活躍用戶。發生了什麼事？
可能有各種情形——也許某些錯誤太過煩擾使用者，或者不好操作的界面最終使他們不滿。也許他們在教學中迷失了方向，或者您的動畫說明在某些時候卡住了？或者這是溝通的問題，您的客戶期望某種情況，但在註冊後並沒有完全得到他們想要的。定量數據能呈現出這些。
但定量數據只能告訴你發生了什麼，無法說明為什麼會發生這種情況。
現在，您需要使用定性數據深入挖掘。與您的客戶取得聯繫，並從他們的角度來思考。使用調查、訪談或錄影，來收集更多數據。
更好的做法，是實際觀察符合理想客戶概要的人，在真實情況下使用產品，並在操作過程中向他詢問為什麼會這樣操作。這可能會比較昂貴，但可能會帶來一些有價值的洞察。當找到問題所在時，可以制定幾種潛在解決方案，然後進行A/B測試，以找出哪種解決方案能更好解決問題。
熟練使用數據
如果您正在學習如何利用數據的力量，請確保正確使用數據，避免導致資料品質下降，甚至取得錯誤結論。
以下是一些指南，以便充分利用您的數據：
- 收集足夠的數據。確保您從中得出結論的數據樣本足夠大，以使結果具有統計學的意義。如果收集的數據太少，可能會顯示出偏斜的現實觀點。您將無法從這樣的數據中獲得太多價值。同時，嘗試在較長的時間段內收集數據，以減少瞬時效應（Transient effects）和隨機波動（Random fluctuations）的影響。
- 將數據與參考點相比較。假設您正在檢查頁面分析數據，您看到一天有500位用戶訪問了您的網站。這是好還是壞的結果？只有與每週或每月平均值進行比較後，您才能知道。此方法在進行競爭者統計比較時也很有用。
- 在A/B測試中，一次只測試一個變數。例如，當您測試CTA按鈕對轉化率的對比度時，改變其位置並不是一個好主意，因為您將不知道哪個變化起到了作用。
- 如果有可能，同時使用定量和定性數據。這兩種不同的數據類型，揭示了有關使用者的不同洞察。定量數據顯示使用者行為，但只有定性數據才能顯示背後的原因。儘管你或同事可能有先入為主的負面觀念，但請嘗試在分析中包含定性數據。
- 在優化時考慮上下文。成功的優化，在不同類型的頁面、內容和訪問者之間可能會有所不同。有些頁面完全是為了轉化，而其他頁面則用於向使用者提供資訊，或滿足其他目的。請記住，新訪問者的需求和目標可能與重複訪問者不同。同時，考慮來自不同來源的使用者之間的差異，例如有機搜索（Organic search）、電子郵件行銷（Email marketing）和廣告。
要有耐心
僅僅獲取數據，並了解如何進行分析是不夠的。擁有耐心是至關重要的，也可能是在您的組織中，建立一個功能完全的數據驅動設計流程中，最具挑戰性的面向之一。
在分析數據並相應地進行調整之後，您必須等待並觀察。這時另一個挑戰出現了。人們傾向於嘗試以最快的速度理解和分類一切，但在這種情況下，這種趨勢對他們不利。
監測您對設計所做的更改如何影響客戶非常重要。然而，請記住，總會有一段調整期。如果您改變了網站的設計或應用程序的界面，使用者需要一些時間，來重新學習如何使用它並習慣它。
因此，無論您早期看到的效果是正面還是負面，都不要急於下結論，因為您可能還未看到整個局勢。當新設計的初始熱潮過去時，用戶可能會發現它並不那麼實用，影響他們的使用。反之，在一次不受歡迎的更改後，隨著時間的推移，客戶可能會看到更多的好處，並發現它實際上很有用。
下一次您實施設計更改時，在解釋新數據之前，請給您的客戶一些時間適應。
結論
這就是我們介紹的所有關鍵點，讓您能夠成功在組織中開始實施數據驅動的設計流程。
隨著時間的推移，數據驅動的設計將變得更加流行，並且將持續存在。因此，最好的策略是擁抱這種基於證據的設計方法，並幫助利害關係人，看到它對企業在這個數字時代所能創造的價值。
了解數據驅動的設計流程，可以讓設計師在職業生涯中獲得優勢。用戶研究、分析、A/B測試和其他技術，使設計師能夠更輕鬆地創建更好的設計，並使用證據來支持你的設計。
這種方法還可以創造更好的使用者體驗、提高轉化率和長期最大化投資回報率，並為企業創造顯著價值。學習實施這些技術可能需要一些時間，但這是值得努力的。它將在長期中帶來巨大的益處。
明智地利用數據提供的洞察，進行實驗，並保持耐心。
本文轉載自Complete Guide to Data-Driven Design
