量化设计价值(三):如何创建体系化的监控系统

小青爱吃草2021-06-19  73

编辑导语:在用户体验设计中,数据也是一个十分重要的衡量因素。通过数据指标的建立,设计师可以更好地观察到用户行为、用户特征等信息。本篇文章里,作者结合其实际工作案例,总结、分享了量化设计中的数据类型与后续的数据可视化等环节流程,一起来看一下。

随着用户体验设计的发展,我们已经过了仅依赖需求和直觉就可以完成产品设计决策的阶段了。

💥️数据对用户体验设计师的价值可以总结为两点

  1. 数据可以在「产品设计决策阶段」提供了更多元的参考意见;
  2. 数据可以在「产品设计复盘阶段」提供更客观的评价标准。

一、数据使用的场景

无论所处哪一种设计阶段,总的来说,设计师的数据需求主要可以分为两大类。

💥️1. 探索事物间关系的“内因/外因”

是什么东西影响了用户的购买决策 ?❓❓我的新版网站首页的改版是否为产品提升了注册的转化率 ?❓❓

这类需求的本质是探究一种事物间的欢喜和因果性,常用「推论性统计」、「相关&非参数校验」进行分析。对于这类需求,往往会有专业的数据分析师,用户研究设计师,数据产品经理承接。

💥️2. 发现数据中的“模式/异常”

在一天之中随着时间的变化,用户的访问量有什么规律 ?❓❓这类需求的本质是在对已经发生的事物规律做一种总结 ,使用的统计方法更多的是「描述性统计」。对于绝大多数设计师而言,能够做到发现数据中的 “模式/异常” 基本可以覆盖绝大多数日常工作的需求。

本文主要关注解决设计师的第二类使用场景——发现数据中的“模式/异常”。目前各大互联网企业内部都会提供自研或者第三方的BI工具,因此笔者建议设计师可以通过建立一个包含关键的体验指标的数据看板系统,对自己负责的业务进行系统的总结和复盘。

以我曾经的工作内容为例。

我们的产品是服务商家进行“前后端对接生产”的订单审核系统。【💥️效率】👉是制造业至关重要的关注面,在一个企业用户的付费决策中也起到了相当重要的分量,客户使用我们的工具进行订单审核和流转的效率是整个用户体验模型中的重要部分。

因此我们需要构建一系列合理的指标来判断订单系统的处理效率。除【💥️效率】👉外,【💥️用户行为】👉【💥️用户特征】👉等都是设计师关系的信息。以【💥️效率】👉为起点,最终我们构建了一个笼统的包含设计师所有要监测的信息看板系统。

二、关键概念

本质上互联网产品中的看板(kanban)⭐与自然科学领域研究人员的用 R 或者 Seaborn 绘制的精美图表没有本质上的区别,差异点可能在于看板更加关注时效性,同时更加具备可交互性。

随着仪表盘工具和各种BI软件产品在人群中的普及,人们对仪表盘,指标(💥️Metric)⭐和关键绩效指标(💥️KPI)⭐的组成有不同的理解。为了确保我们都说相同的语言,我将定义一组术语,这些术语将构成我们讨论的基础:

  • 💥️度量(Measure)⭐:度量是一段数字上可量化的数据。销售额、利润、留存率,都是具体衡量的例子。
  • 💥️维度(Dimension)⭐:维度表示给定指标的不同方面属性。例如,时间通常被用作分析不同度量的维度。其他一些常见的维度包括地区、产品、部门、细分市场等。
  • 💥️层次结构(Hierarchy)⭐:维度可以进一步分解为层次结构。例如,时间维度还可以形成层次结构,例如,年>季度>月>日。
  • 💥️粒度(Grain)⭐:层次结构中的每个级别都称为维度的粒度。例如,年 > 季度 > 月 > 日 ,中的“年”是一个特定的粒度。
  • 💥️指标(Metric)⭐:指标是我们经常在仪表板中显示的数据类型,它表示一个💥️度量(💥️Measure)⭐的数据段与一个或多个特定💥️维度💥️(Dimension)⭐和相关💥️粒度💥️(Grain)⭐的关系。

上图是在Tableau中一个标准的指标示例-💥️“每周销售总额” 的构建方式。

在这个指标中,我们需要量化的“💥️度💥️量”是美元——即总销售额,用来观察量化数据的“💥️维度”——即时间,而时间维度可以被进一步分解为“年>季度>周”的💥️层级结构,💥️“每周销售总额”需要关联的维度中的特定“💥️粒度”💥️——即周。

  • 💥️看板(Cards or KanBan)⭐: 观察一个或多个💥️指标(Metric)⭐运行情况的图表。
  • 💥️仪表板(Dashboard)⭐: 仪表板是多个图形、图表、量表或其他直观表示的集合。多个看板可组成一个仪表板。
  • 💥️报告(Report)⭐: 报告可以是对应图表和其他可视化的表示,也可以是可能直接相关或不直接相关的大量图表和可视化。多个仪表盘可组成一个报告。

💥️“实时、受众群体、流量获取、行为……” 上图为Google Analytics 中提供的多种类型的数据分析报告,报告可以非常广泛地涵盖广泛的相关信息。每一种特定报告内包含了若干个回答特定问题的dashboard,一个dashboard内可以包含多个相互关联的指标的看板。

一个可分析、可追踪的数据系统中,最原子的构成单位理解成一个“看板”。如何从0-1构建一个客观有效的数据看板系统?❓❓我们可以类比【一个人学习做菜】👉的过程,做菜的过程可以总结为三个阶段:

  1. 学习菜谱&列一个采购清单;
  2. 采购食材&烹饪食材;
  3. 摆盘料理&品尝美食。

对应到数据看板系统的创建,我们亦可以总结为三个阶段:

  1. 了解数据的特性、明确自己需要哪些数据;
  2. 通过技术手段获取数据、将粗数据加工成意义明确的指标;
  3. 将指标数据可视化,观察数据并尝试分析现象。

三、度量 Measure & 维度 Dimension

“ Data is more than numbers, and to visualize it, you must know what it represents. ”数据不仅仅是数字,数字、数组、表格、都可以被称之为数据。要将数据形象化,你必须知道它代表什么。

为了构建有效的效率指标,第一步是:明确为了解决当前的问题,要观察的【💥️度量】👉是哪些,以及这些度量又需要从哪些【💥️维度】👉进行观察。

💥️1. 了解数据类型

一个线上的项目每天都在收集成百上千种数据,怎样确定自己需要什么数据作为💥️度量(Measure)⭐呢?❓❓首先值得注意的是,不是所有类型的数据都适合作为💥️度量(💥️Measure)⭐被加工成指标。

不同学科、不同课程、不同领域,对于数据类型的定义基本一样,但称呼并不完全一样。

统计学中,数据类型分为四种:定类,定序,定距,和定比。这四种类型是从低到高的递进关系,高级的类型可以用低级类型的分析方法来分析,而反过来却不行。

定性数据与定量数据

从宏观角度分析,数据类型分为💥️定性和💥️定量两种。

一个通俗的例子,以自身为例:例如衣服的颜色,头发的类型和鼻子的形状这些标识标识的是定性数据;例如身高、体重、年龄和鞋子的尺码,这些可测量的是定量数据。

💥️1)⭐定量数据

定量数据是统计数据,通常具有自然结构性,意味着它更加严格和明确,可再细分为连续/离散两种。

此类数据使用数字和值进行测量,这使其更适合进行数据分析。可以通过以下方式获取定量数据:

💥️2)⭐定性数据

转载请注明原文地址: https://www.pcnow.com.cn/tech/503654
00