數量優勢——數據驅動設計概述

設計通常被視為一門藝術而不是一門科學。 實際上，兩者兼而有之。 設計藝術應該受到數據和信息科學的影響。 收集和分析數據是創建更好的設計和用戶體驗的關鍵。

數據驅動的設計可能會讓不熟悉它的設計師感到害怕。 一些設計師甚至不明白為什麼它是必要的，或者只是在有限的基礎上利用數據。 了解這個過程可以揭開它的神秘面紗，並使所有經驗水平的設計師都可以使用它。

為什麼在設計過程中使用數據？

許多設計師認為他們知道用戶想要什麼，而無需進行任何類型的用戶研究。 他們也傾向於迷戀自己的設計。 但在絕大多數情況下，設計師不是用戶。 如果沒有數據來支持有關如何創建最佳用戶體驗的決策，設計師實際上只是在黑暗中刺痛。

數據為設計師提供了洞察力，因此他們可以為使用他們產品的人創造最好的設計。 這些數據可以有多種形式，來自主要和次要來源。 對於設計師來說，重要的是要弄清楚哪些數據集值得用來作為他們設計的基礎，哪些數據集可以忽略。

使用什麼數據

數據驅動的 UI 設計可能需要各種不同類型的數據來確定創建最佳用戶體驗的最佳方式。 這些數據可以包括對現有產品迭代的網站或應用程序分析、用戶訪談、A/B 和多變量測試結果、行為流和其他類型的用戶體驗研究。

設計人員預先收集的數據越多，設計的早期迭代就越好。 當然，對於某些類型的數據收集，通常需要原型（例如 A/B 或多變量測試）。 但即使是那些早期的原型也可以依賴於行業數據或類似項目的數據（案例研究在這方面可能是非常寶貴的資源）。

使用設計分析

分析可以成為設計師最豐富的數據源。 如果一個網站或應用程序正在重新設計而不是從頭開始設計，設計人員可以利用現有的分析信息來確定哪些有效，哪些無效。

查看網站上流行、平均頁面停留時間統計數據較高或跳出率較低的頁面是了解哪些頁面有效的好方法。 但是查看那些退出率和跳出率高或平均頁面停留時間較低的頁面可以深入了解需要幫助的頁面。

高退出率和跳出率可能表明頁面不包含訪問該頁面的人正在尋找的信息。 或者如果信息在那裡，它可能表明它不容易找到或理解。

在對設計進行更改時關注用戶體驗分析也是關鍵。 如果頁面在重新設計之前表現良好，請注意它在重新設計之後的表現。 積極指標的改善意味著重新設計處於正確的軌道上，反之亦然。

最後，行業分析基準可以提供有關網站或應用程序與同行業其他人相比表現如何的重要信息。 單獨看時，通常很難知道頁面上 2 分鐘的平均時間是好還是壞。 但是能夠比較它並看到行業平均值是 3 分鐘的平均頁面時間意味著當前的網站設計或內容可以改進。 Google Analytics 具有內置的基準測試工具，可以輕鬆查看網站與行業平均水平相比的表現。

使用 A/B 和多變量測試結果

A/B 和多變量測試是查看網站或應用程序的不同版本如何相互執行的密切相關的方法。 它們可用於極大地改善用戶體驗和用戶行為。

A/B 測試在兩個版本之間更改設計中的一個元素（例如按鈕的顏色或標題的文本），以查看哪個效果更好。 多變量測試更改多個元素（例如整個頁眉或頁面上的所有副本）。 在這兩種測試中，網站或應用程序的訪問者會隨機顯示頁面的不同版本，並記錄分析數據。

持續運行 A/B 或多變量測試以改進設計可能會導致巨大的轉化率增加。 例如，37Signals 在其主頁上運行了各種 A/B 測試以確定最佳設計（有時會發現兩個版本之間的差異超過 100%）。

使用行為流

行為流是用戶瀏覽網站的方式，從他們第一次登陸的頁面到他們在退出網站之前查看的最後一頁。 在大多數情況下，用戶體驗專家有他們希望用戶通過網站進行的特定流程。 如果實際行為流程與此相差很大，則表明用戶體驗存在問題。

Google Analytics 具有用於探索用戶行為流的內置工具。 將這些數據與 UX 設計師為項目創建的理想行為流進行比較，可以深入了解設計是否真正實現了用戶體驗和行為目標。

用戶研究

設計師可以採用多種用戶研究方法來收集數據，這些數據可以幫助設計過程創造更好的用戶體驗並更有效地影響用戶行為。

這些方法包括卡片分類、與實際用戶的上下文訪談、焦點小組、調查和啟發式分析等。 用戶研究還包括創建角色和用例等內容。

用戶研究是一種資源較多的數據收集方法，但也可能是最有價值的——尤其是對於沒有現有主要數據源的新項目和產品。 有多種方法可以進行有效的用戶研究，每一種方法都可以為流程添加自己獨特的價值。

用戶測試是用戶研究過程的一個方面，它通常包括可用性測試以及前面提到的 A/B 和多變量測試。 具有成本效益的用戶測試是設計過程的重要組成部分，應該在每個步驟中進行。

如何分析數據

收集數據只是數據驅動設計過程的一個方面。 定量數據，例如設計和用戶體驗分析，至關重要，但定性數據，例如從用戶訪談中收集的數據，同樣重要，甚至更重要。

定量數據讓設計師了解網站或應用程序上正在發生的事情。 但是需要定性數據來闡明用戶為什麼要做他們所做的事情。 弄清楚用戶為什麼會以某種方式行事是用戶體驗理論和設計心理學的重要組成部分。

一旦收集了定性和定量數據，設計師就應該尋找數據中的趨勢以及異常值。 異常值可以洞察用戶可能遇到的潛在問題，隨著流量的增加，這些問題可能會變得很重要。

創建數據可視化在處理大型數據集時很有用。 即使是簡單的圖表和圖形也可以更輕鬆地分析可用信息。 這就是為什麼包括谷歌分析在內的大多數分析程序都以可視方式顯示數據，而不僅僅是原始數據。

隨著新數據的收集，應持續分析數據。 設計變更、內容變更、搜索引擎算法變更以及其他發展都會影響用戶體驗和用戶行為。 設計人員可以分析這些數據，以不斷改進並對其產品進行新的迭代。

向利益相關者展示數據

除了分析數據之外，將其呈現給項目中的利益相關者通常對於讓他們購買最佳設計解決方案也很重要。 直觀地顯示數據是呈現信息的最佳方式之一。

創建帶有圖表和圖形的幻燈片通常可以在讓客戶或經理批准項目和在每個步驟中面臨阻力之間產生差異。 數據可以支持設計師關於做出正確設計選擇的“直覺”。

用數據做出決策

數據最好的部分之一是幾乎總是可以收集更多。 數據驅動的設計決策過程是循環的：設計師應該收集和分析數據，根據它做出決策，然後通過收集和分析更多數據來測試這些決策。

不斷設計基於數據而不是直覺或預感的改進的產品的新迭代，使設計師能夠為使用其產品的人們創造更好的體驗。 掌握可用數據可以讓設計人員在用戶體驗和行為變化影響底線之前避免這些問題。

結論

了解數據驅動的設計過程是設計師的一項重要職業技能。 深入研究用戶研究和測試過程，了解數據分析的工作原理，為設計師提供了額外的工具來支持他們的想法。 它還允許他們創建最好的產品，並使用支持該斷言的數據。

數據驅動的 UI 設計既是藝術也是科學。 了解如何收集和分析數據並在此基礎上實施設計對於初學者和專家設計師來說都是一項重要技能。

進一步閱讀 Toptal 設計博客：

• 面向大眾的 UX 測試：保持簡單且具有成本效益
• 在不發瘋的情況下將可用性測試數據轉化為行動
• 用戶體驗研究方法和用戶同理心之路
• 數據可視化 - 最佳實踐和基礎
• 從這些數據可視化中獲得靈感