不少人喜欢谈做设计要让数据说话，但对于什么才是数据驱动的设计，往往莫衷一是。甚至在同一个团队中，由于收集的数据质量不一，理解上有差异或缺乏共同语言，单就是关于如何定义数据这事，都很难达成共识。无论哪家网站或是APP，都有一套标准做法，包括 站点分析，A/B 测试，调查问卷，监听，跑分测试，可用性评分，人种学研究，访谈等等。那么数据意味着什么？更重要的是，如何运用数据来指导设计呢？
误区 1：数据就是数字
当进行站点分析的时候，大量的数据涌入进来，站点分析基本上是对访客量，他们如何跳转进来，在页面上停留了多久，以及点击了哪些东西的计数。或者像是 A 和 B 被点击了多少次。更多的数据。然后通过监听和问卷调查来评分。又是更多的数据。
数字能代表一个人复杂生活中的一系列动作。但是把成百万的用户汇聚成一个简单的数字，并非总是有用而可信的。即使公司掌握了这些数据，还是无法解答那些关于用户体验的问题，比如用户为什么这样操作而不是那样，或是他们的感受如何，以及他们期望怎样的用户体验。而用户访谈，人种学研究，可用性测试弥补了计数数据的不足。但是由于定性的观点往往不依赖数据，那之前收集的数据又没有了用武之地。
在其他领域，比如社会科学和医学方面，无论是小数字，或是厚数据（Thick Data），无论是叙述性或是量化的都是根据数据得出的。这是对用数据驱动设计来说是值得学习的。
关于数据的确切定义应该是那些无论来源于哪里，由用户产生并可以用来指导设计的东西。
误区 2：数据就是客观真理
定量数据通常是对于用户操作行为的记录，而这些计数工作通常是由软件而不是人完成的。这就使得数据看上去是客观事实。
虽然数据量很大，并不代表它是客观的。这是对于数据的固有偏见。数据是人创造的，只有人会解释和分析数据，而运行数据的机器也是人来控制的。
讯号偏见（Signal bias）——或称之对于偏见的忽视，或强调——都是一个常见的偏见，尤其是关于大数据。比如，社交媒体的数据只能显示某一部分用户群——那些 在 Twitter 或是 Facebook 上发表意的人 。同样的，那些同意参与观察实验和用户研究的人也只能代表一小搓用户。
另一种偏见类似于海森伯（Heisenberg）测不准原理，结果已经在你的观测中改变了。在可用性测试中，无论你的实验环境和协调人员时多么中立，当你开始观察用户行为，一切都已经改变了。几乎没有一种研究，包括情境访谈和人种学研究，都不能完全隔离用户。这个问题在定量研究中也同样存在，像是问卷调查和监听，我们都是通过询问用户问题来研究用户体验的。
数据驱动设计已经不在是算法设计、自动化、A / B测试和站点分析的问题了。
而且，我们把线上调查同现场调查做比较，前者不接触用户，后者是让用户和协调人员或另一个用户交流，我们发现当有另外一个人在场时，用户使用网站或应用程序时态度往往会更积极。比如他们如何评价，如何打分，以及操作尝试等。我们称之为积极因子（nice factor）。
无论大小，没有数据是完美的。任何类型的数据都有其限制和偏差。但是好的数据会描述其误差，并总能展现当时的情境。
误区 3：越大越好
总有人鼓吹大数据有着揭示一切人类秘密并预测未来的神奇力量。不过得承认，单对数据来讲，确实是量越大越好。如果你在衡量一些具有主观性问题，比如人们对自己情绪变化的评价，得到的反馈越多，你对结果的信心就越足。
而我们想要获取更多的数据，就会考虑用计数的方法：数量与速度仅仅是大数据的一部分。大数据是具有多样性的，因为数据来源也是多种多样的。我们不能期望从站点分析中得到比用户测试带来的更多关于用户行为的一切知识。我们应该关注如何结合使用各种数据，而不是把精力放在后端集成上。我们要做的不仅仅是生成有意义的分类（categories）——或者叫指标（metrics）——哪些只是为了评估、推断和跟踪。
根据不同来源的数据能绘制出一幅更细致的图景，并能产生更具操作性指导。我想说，来源越广范而不是越大，才越好。
误区 4：管理人员才关心数据，设计师不在乎
数据通常被用来判断一个网站或APP的效果（比如，数据显示最近一次改版导致了转化率的下降）。当然这时，会导致用户体验设计从业人员的极力反抗，或者干脆否认数据。当然，很容易找到数据指导明智决策的例子，无论是解决内部斗争，还是运用反常规的方法，或者用投资回报来证实。就算证明这些观点的正确性，也不过是数据的一部分。
如果你想运用数据来指导设计，你需要三种方法：事实证明，改进完善，和探索发现。运用数据去改进完善指的是用数据指导迭代——跨时间和版本的跟踪或是针对于竞争对手。探索发现指的是寻找数据之间的关联性，发现规律和趋势。
但问题是，数据的使用是孤立的 （中文版） ——领导手里拿着一种类型的数据，而用户体验团队手里的又拿着另一种。每个团队的参考系不同，要么自己没意识到，要么觉得别人手里的数据不可信。
数据不是用来证明谁对谁错的，而是用来改进问题和发现新可能性的。数据只是通过科技手段来讲述一个真实存在的用户故事。
误区 5：数据抹杀创新
数据有时又被看做是创新的对立面。主要有三种观点：
1.无论何种数据，网站分析也好，调查数据，或是客户服务数据，都是对过往的回溯。 尽管我们发现了某种规律或趋势，但基于这些发现做出预测也并非易事。
2.数据是战术，而不是战略。想想谷歌的41种深浅不同蓝色测试（ 41 shades of blue testing）。数据驱动与 A / B 测试结合，对于调整设计元素是个不错的方法，但可能无法带来令人惊艳的体验。
3.数据，特别是站点分析，有点像蜻蜓点水。看到人们点击什么，或者滚动了多长，或在那里驻留，对于指导产品营销倒是很有帮助。但是对于设计的指导效果并不太好，因为它缺乏有关用户动机、预期、认知或情绪的信息。
通过观察当然能带来一些事实。但核心问题不是数据本身。而是如何使用它。
对于所有数据指导设计必须对其复杂性进行校准。用户体验的事并非是水到则渠成的。
误区 6：一定有用数据指导设计的通用法则
目前为止，不同的组织和团队之间还没有形成统一的规范。不过下面的指导原则你可以参考一下。
◎使用来自各种数据源的数据指导设计： 站点分析、A/B 测试、 社交媒体关键字、客服日志、销售数据、问卷调查、访谈、可用性测试、情境访谈以及其他研究。
◎包含数字和情境。无论你怎样命名，定量或定性，研究或非研究（non-studies），大数据或厚数据（ thick data），你需要数字和情境结合来反映真实的情况。确保数据对于人类体验的复杂性是敏感的。谨慎得使用平均数，大胆假设，小心求证。
◎随着时间的推移用数据来跟踪变化，探索新的模式，深入分析问题，而不仅仅是为了证明谁对谁错。
◎选定有意义的分类（categories ），让你从数据中发现关于用户体验的故事。
◎找到一种在组织中分享和讨论数据的形式，在一开始定义数据时就一起讨论。
数据驱动设计已经不在是算法设计、自动化、A / B测试和站点分析的问题了。相反，我们的目标是利用所有数据更好的理解用户日常的体验。
来源：uxmag.com
更多阅读：
