數據驅動設計入門。 完整指南

已發表: 2021-12-30

2017年, 《經濟學人》發表了一篇題為《世界上最有價值的資源不再是石油,而是數據》的文章,這應該不足為奇。 畢竟,目前,Facebook、亞馬遜、微軟和谷歌等全球巨頭擁有大量數據供他們使用,並且他們將其用於各種目的。

簡單地說,數據是一種強大的資產,可以在任何地方成功應用,設計也不例外! 如果您仍然沒有使用數據進行設計,那麼是時候改變它了。

閱讀本數據驅動設計指南。 在這裡,我將告訴您有關使用不同數據集進行設計的所有信息。

讓我們開始吧!

什麼是數據驅動設計?

數據驅動設計是用可測量的數據設計和改進數字產品的過程。 在實踐中,這意味著您的設計決策得到了有關用戶、他們的行為、參與度或您的數字產品整體性能的寶貴數據的支持。

在數據驅動的設計中,您幾乎可以測量任何您想要的東西。 您想了解用戶與您的網站的交互是否無縫且愉快? 深入研究參與度指標,例如跳出率或平均頁面停留時間。 或者,也許您想發現哪種微文案效果最好? 那麼 A/B 測試會告訴你真相!

與我們一起制定成功的產品戰略

學到更多

關於錯誤共識效應的幾句話

在從事數字項目時,許多設計師陷入了錯誤共識效應的陷阱。 讓我給你看一個簡單的例子,我相信你會明白的。

假設您正在設計移動應用程序中的入職流程。 在某些時候,您需要選擇登錄選項。 您不能僅憑直覺做出決定,諸如“我們的用戶將使用 Gmail 登錄,因為每個人都喜歡它”或“用戶在入職時需要看到最重要的功能,我總是更喜歡”這樣的論點絕不是正確的道路讓經驗豐富的 UX 設計師效仿。

這就是正確的數據集應該發揮作用的地方。 明智地使用數據,您將避免錯誤共識效應,即傾向於假設您的信念、行為和意見相對普遍。

數據驅動與數據知情設計:有什麼區別嗎?

儘管數據驅動和數據通知設計看起來是相似的概念,但實際上它們是處理數據的兩種不同方法。 這就是為什麼您不應該互換使用這些術語的原因。

數據驅動與數據知情設計

在數據驅動設計中,數據是設計過程的核心和靈魂。 這意味著最關鍵的決策主要是根據數據做出的。 在實踐中,如果您想解決最緊迫的問題,您和您的設計團隊會分析您擁有的數據,只有在此基礎上您才能選擇正確的解決方案。

在數據知情設計中,處理數據的方法略有不同。 在這裡,數據僅作為信息的補充來源。 簡而言之,數據對您有很大的價值,但它不是您做出決策的驅動力。

以下是數據驅動和數據知情設計方法之間主要區別的快速總結:

數據驅動設計數據知情設計
問題什麼,多少為什麼
方法基於數據的決策數據是額外的信息來源
首選研究方法定量的定性的

為什麼要選擇數據驅動的設計方法?

正確的問題應該是:你為什麼不在設計中使用數據?

數據意味著力量,你可以用它做出更明智的決定。 這是給定的。 但是,如果您仍然對在設計過程中使用數據持懷疑態度,那麼這種方法的主要優勢可能會讓您信服:

  • 數據驅動的設計可以幫助您改善用戶體驗和產品性能
  • 通過正確使用數據,您可以觀察到轉化率和銷售額的顯著增長
  • 通過依賴數據,您可以避免上述錯誤共識效應
  • 這是驗證您的假設的最佳方式。
  • 您可以降低做出成本低效決策的風險,例如構建不必要的功能。
  • 數據(通常)是無偏的。

如您所見,通過使用相關數據及其正確解釋,您可以提升您的數字產品,並更輕鬆地實現您的業務目標。

數據驅動的設計流程

如果您很少或根本沒有使用數據的經驗,那麼數據驅動設計的概念一開始可能會顯得過於龐大。 但沒有必要擔心。

數據驅動的設計流程

我將逐步指導您完成整個過程,從識別最緊迫的問題到數據分析。 借助此框架,您將準確了解如何充分利用可測量的數據。

讓我們切入正題!

選擇對數據驅動設計感興趣的領域

1. 確定您感興趣的領域

每個數據驅動的設計過程都應該從一件特定的事情開始——發現你想要探索、測量和測試的東西。

那麼您的網站上是否有任何具體的內容目前表現不佳? 用戶拒絕點擊的任何 CTA 按鈕? 或者也許在某個階段,跳出率達到了驚人的水平? 您可以使用設計中的數據備份數以千計的東西。 您需要深入了解您的 Google Analytics(分析)或其他工具,以確定需要更深入分析和測量的最緊迫問題。

如果您不能自己做,或者您完全不知道如何正確做,則無需擔心。 您可以請專家為您進行UX 審核——本文檔將查明所有危險信號和高級別問題,這些問題應該是您主要感興趣的領域。

在數據驅動設計中設定目標

2. 設定目標

在數據驅動的設計中,您既可以設定快速目標,也可以設定長期的、更複雜的挑戰。

但是,請記住,設定一般和模糊的目標,例如“提高轉化率”或“提高用戶滿意度”,從長遠來看會讓你一事無成。 影響轉化率和用戶滿意度的因素太多了,你無法同時衡量它們。

更好的方法是設定更具體的目標,例如“我希望我的轉化率在 3 個月內從 2% 提高到 5%”。 這個目標很容易衡量,這就是你想要的,對吧?

在數據驅動設計中選擇指標

3. 選擇指標

您已經知道要實現什麼目標,但現在的問題是:您如何衡量它們?

根據您設定的目標,您可以選擇自定義指標來告訴您什麼不起作用以及原因。 這些可以是:

用戶參與用戶滿意度移動應用指標
瀏覽量淨推薦值 (NPS) 每日活躍用戶 (DAU)
每個會話的頁數客戶滿意度得分 (CSAT) 月活躍用戶 (MAU)
跳出率顧客評論留存率
頁面停留時間客戶努力分數 (CES) 客戶流失率
唯一身份訪問者終身價值(LTV)
新訪客與回訪訪客
滾動深度

請記住,列表並不止於此!

這些是數據驅動設計中最常見的指標,但如果您想嘗試其他指標,看看它們是否會告訴您有關用戶的更具體信息並提供更多相關數據,您可以選擇它們。 什麼最適合你!

在數據驅動設計中選擇數據收集方法

4. 選擇數據收集方式

現在您已經知道需要什麼類型的數據以及如何衡量它,是時候收集數據了。 幸運的是,您可以使用大量的研究方法。

您可能已經知道,數據收集方法主要有兩種類型:您可以選擇定性和定量方法或兩者的組合,這將為您提供更深入的數據。

如果您想使用 Google Analytics 等分析工具分析統計相關數據,您可以選擇定量研究方法。 他們將為您提供諸如“多少”或“多久”之類的問題的答案。

另一方面,如果您更喜歡檢查特定用戶的行為、動機和意見並找出發生某事的“原因”,那麼您應該使用定性方法。 我希望這對你來說很清楚。

以下是一些收集大量有價值數據的高效方法:

定量方法

  • A/B 測試:進行各種實驗,在這些實驗中創建兩個變量並衡量哪個變量表現更好
  • 調查:您發送給目標群體的問題列表
  • 分析:使用谷歌分析等分析工具跟踪各種可測量的數據
  • 熱圖:指示網站的哪些部分獲得最多的參與

定性方法

  • 深度訪談:您與目標群體進行的一系列面對面對話
  • 焦點小組:與幾位參與者的主持討論
  • 可用性測試:參與者在產品原型上執行的預先計劃的任務
  • 用戶觀察:觀察和分析用戶如何與數字產品交互
  • 日記研究:參與者的意見、活動或行為的自我報告

渴望更多關於定量和定性方法的知識? 閱讀我們的文章,了解最佳 UX 研究方法並獲得啟發!

在數據驅動設計中收集和可視化數據

5. 收集和可視化數據

因此,您已經涵蓋了整個規劃過程:您已經設定了關鍵目標、選擇了指標和數據分析方法。 現在是時候收集您需要的數據了。 要正確執行此操作,請遵循以下幾條規則:

  • 結合來自定性和定量方法的數據——這樣,您將獲得全貌並做出最準確的設計決策。
  • 如果您需要統計相關的數據,您的樣本量至少應該是幾十人。 在這裡,規則很簡單——越多越好。
  • 對於定性方法,您可以從少數參與者那裡收集到豐富的見解。

將所有這些數據收集在一起後,就可以對其進行可視化了。 這是您永遠不應忽視的關鍵步驟。 為什麼? 因為只有當您將數據可視化並將其放在漂亮的圖表中時,您才能看到模式。 這正是您所需要的。

尋找趨勢、季節性、奇怪的異常、不尋常的相似之處不同之處——這樣,您將從分析中提取有價值的見解。

做出數據驅動的決策

6. 做出數據驅動的決策

你得到數據分析的結果了嗎? 那很完美! 現在,您應該將結果與最初的假設進行比較,並問自己以下問題:

  • 我收到的結果有什麼改變嗎?
  • 它們是否揭示了一些有趣、出乎意料或令人驚訝的事情?
  • 我可以根據這些對我的數字產品進行任何改進嗎?
  • 它們足以做出設計決策嗎?

即使是對您的數字產品的微小更改也會產生影響,因此請謹慎做出設計決策,即使它們有數據支持

將數據驅動的方法視為一個迭代過程。 你不能進行一次數據分析,然後就認為你的工作已經完成了。 相反,您應該不時重複測試。

包起來

通過數據驅動的設計,您可以提高產品性能、提供無縫的用戶體驗並驗證您的設計理念。

相信我們的應用程序設計

我們一起工作吧!

請記住,數據可以有多種形式,因此請使用多種定性和定量方法來獲取有價值的數據。 無論是調查、A/B 測試還是分析——選擇適合您需求和範圍的數據收集方法。

相信我的話:如果有價值的數據支持,您的設計決策將更加明智和準確。

想通過數據驅動的方法提高您的產品性能嗎? 聯繫我們!