第二章 運用數據的基礎
數據的多樣性
如果你需要想出如何餵飽這個夏令營的成員那過往的成員不太愛吃綠色蔬菜不就是最有用的資訊。
針對你在思考的議題或問題提供最有用和最相關的資訊就是最好的數據
為什麼要收集數據
你首先需要決定為什麼要收集數據換。換句話說，希望數據捕捉做到關於使用者的什麼?
相較於行為數據，態度及情緒比較難不帶偏誤的測量 。
儘管存在這些困難，態度及情緒數據對於給予使用者良好經驗還是必須的。即使每個使用者都會去按新的按鈕，但如果效應和預期不同，他們就會失望的對產品的品牌失去信心。
在什麼時候收集數據 可分為兩種類別
1.縱貫性數據
縱貫線數據是在一段時間內，從同一個使用者收集到的數據。他可以讓你看到使用者在這段時間中如何改變 適應 及學習。你可以了解過去的體驗如何 形塑未來的體驗 。為你的數據分析賦予脈絡。然而因為你必須等待並經歷時間區段，不可避免的需要花費更長的時間收集。
2.快照數據
如果縱貫性數據想是一段影片，快照數據就像是一張照片。比起觀察使用者的互動如何演變，或許你只想要觀察他們與產品互動的瞬間，這種數據收集起來比較快 ，但你無法了解一個人過往行為如何影未來行為脈絡，也無法了解他們的行為隨時間的改變。
如何收集數據
數據可以分成質性數據及量化數據，質性數據透過描述來回答 為什麼? 或 如何發生?等問題。 它可以被觀察，但不能用數據量測。
在設計流程中，質性數據可以協助建立使用者的同理心，並了解他們的態度 信仰 價值及需求 。
量化數據擅長於回答 有多少?類型的問題。 在設計流程中，你可以用量化數據來評估針對特定指標的影響，像是每日活躍使用者或使用者存留率。
收集多少數據
超大量受試者收起來的數據，通常稱為大樣本研究可以提供更精準的數量及頻率資訊:有多少人有特定的感受 有多少百分比的使用者會採取這樣的行為等等，在一個支援無限的理想世界中，當然是收集越多數據越好，這可以確保你學習到所以可能的東西。
A/B測試因果關係
A/B測試及試驗的力量在於他打造了控制的環境，讓我們得以了解事情發生的原因。換句話說，它讓我們能確立因果關係 透過了解行為背後的原因，我們可以了解產品和設計改變的影響，並做出有根據的決策，這能讓我們精準且有把握的了解決策如何影響使用者行為。
統計方法能幫助你確認數據可能有意義，而不是一定有意義。一家製藥公司不會因為數據顯示藥物的預期效應有統計顯著性就決定要生產，他們也會考慮到藥物的臨床效果 副作用及成本。
試驗是一種收集資訊以比對概念與現實的方法。
營地健行活用案例
同一個營地群體分成
A控制(地圖)-觀察A
B控制(地圖+GPS)-觀察B
判斷AB兩組間到達時間有什麼不同
在試驗中改變自變數，以期待看到應變數的改變。獲得設備就是自變數，而隊員到達營的所花費的時間這是應變數。
只要你小心控制所有干擾變數，試驗可以有效的判別你改變的自變數及觀察到的應變數之間的因果關係
A /B測試線上測試
概念基本上都是做出改變並和控制組比較改變的效應。當你想要透過數據來了解使用者，首先要問你的是要向哪些使用者收集數據，找到對的使用者群體來做研究非常重要。 也會影響你如何詮釋結果。你的使用者群體多半很多樣化，必須將群體切分為世代或細分， 以獲得更多不同關於行為和動機的洞見。
世代是一群有相同體驗的使用者，相同體驗可能是基於時間和也可能是給予他們相同體驗的因素。
細分是較細微的特徵分類你的使用者群體，這可以是基於人口要素，像是性別 年齡 居住國家或是他們的行為，像是新使用者 專業使用者。
不同群體的使用者基於他們不同需求，對於你的產品和設計可能會有不同的反應。
產品過去的樣貌會形塑習慣和行為，這可能會在A/B測試中引入偏誤，因此你必須留意你是對新的還是現有的使用者進行測試。
A/B測試一再告訴我們這種類型的變更會存在於學習效應，這代表著我們的指標一開始會測不準，要過一陣子才開始穩定。也需要問自己現在的消費者是否能代表1年後你所期望的消費者族群。
想要測試結果代表哪些世代和細分 哪些人口要素有相關係 你要了解現有還是新使用者，每次執行測試都要考慮的三點
指標是A/B測試的應變數
應變數是你做的改變所影響的變數
測量值是任何你觀察 捕捉 計數得到的東西。例如造訪人數
指標是一個事前訂定的評估參考基準，並具備有某一些商業價值。 指標有時候是一些測量值比較的結果經常是一個比例。
指標是A/B測試的應變數。
指標讓你可以測量及量化設計或產品變更帶來的影響，並藉此量測你是否有成功影響使用者的行為。
A/B測試的一大部分即是在細心決定量測指標，也就是在測量結束時要追蹤什麼樣數據。
你所做的事情如何和指標與測量值連結，取決於三件事情 1.你身處在什麼企業類型2.你的營收模式是什麼3.你的企業有多成熟。你對於這些問題的答案 會決定你會需要收集哪些類型的數據
我們很在意指標看起來數據漂不漂亮，他們會直觀的覺得這些數據應該是越大越好，但如果你無法叫這些指標和你的商業做連結，他就無法推動任何行動。
消費者除了錢以外投資最多的資源就是時間，因此他們花的時間經常會和你的企業狀況以及你所在乎的指標有關係。
好的商業指標應該都會考慮到使用者
你可以正確的偵測到統計顯著性的機率就是檢定力。檢定力讓你知道是否有能力可以觀察到差別，在統計顯著性則是告訴你，你是否有看到差別。
效應規模是控制組和實驗組之間差異的大小。統計顯著性是會告訴你是否存在差異。 而效應規模則會為你量化差異有多大。
A/B測試的一大部分在於依據你的脈絡取捨不同的要素，然而要獲得資訊來了解使用者，測試的統計只是大拼圖中的一塊而已，建立嚴密的假設來表達你想要了解什麼也是同等重要。
假設的重要性
訂製假設會決定你能從測試中學習到什麼?
假設描述你認為自己的設計會如何影響消費者行為以及指標記，為什麼這個設計會有這樣的影響。
假設後不管結果如何，你都應該能夠學習到關於使用的一些什麼
打造假設時應該包含兩大要素
1.假設要能包含你打算要做的改變,以及你認為他會帶來的影響。
2.清楚了解你打算從測試這個假設中學習到什麼，以及相對的規劃。
A/B測試的本質:盡可能挖掘有用的使用者洞見,以及了解他們對產品及設計改變有什麼反應
執行測試
A/B測試本身並無法告訴你為什麼不同測試項目會有不同表現。A/B測試無法讓你了解使用者的態度和情緒，也無法對於一些有趣和讓人疑惑的行為了解得更深入。所以A/B測試應該要和其他方法並行。才能完整了解使用者。
探索:不一定要有明確的解決方案。相反的，你是在搜尋哪類型的解決方案會對你的使用者有用。
評估:你可能在找非常明確的答案。你會想知道自己的設計會不會如期運作，以及為什麼會這樣運作
局部性:會聚焦在特定的藉決方案，而且只會針對一兩個體驗做小幅度調整，以確切了解他的影響跟重要性。局部性問題通常花費的時間短也不會有太極端的變化
全面性:全面設計現有體驗，例如現有流程流失率太高要改掉整個報名過程。
如何選擇局部跟全面
全面性改變不一定會比局部改變對指標更有影響。局部跟全面的差異是在控制組跟實驗組的差異大小，不是對指標的影響。
全面改變需要更多資源和時間，應該要先考慮全域最大值跟局部最大值要好上多少，這差距是否值得投資這些資源人力
這樣的框架協助你思考面對問題有兩個重要原因
1.這會讓你花時間考慮其他可能的活動，讓團隊知道專注在哪些對的尺度跟問題
2.設計活動全景中的不同空間會以不同的方法運用數據。思考空間在哪裡，可以更有效設計A/B測試
UXUI工作坊-台北台中場
▲最新開課公告：https://reurl.cc/zreqy
加line諮詢 : https://goo.gl/iX1urT
加line ID : @aoh3399m
FACEBOOK : https://www.facebook.com/A4study/
文章標籤
全站熱搜
留言列表
