作者：（美）罗谢尔·肯（Rochelle King） 著,傅婕 译
出版社：机械工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
数据驱动设计：A／B测试提升用户体验试读：
前言
设计与数据：完美组合
依靠直觉进行完美设计决策的“设计天才”的理念相当受推崇。这种迷思认为，设计从不以数据为基础，也并非一门以经验为依据的学科，设计原则与数据科学是相互对立的。
这种迷思很好理解。表面上看，数据科学与设计实践显然并不合拍。设计理念与原则强调用户同理心并打造有效的用户体验。对某些设计师（以及被外界视为“灵感天才”的人）而言，设计是一场未知的探索。不同于“科学”的严谨与程序化，设计是一种以人为本，充满了不确定性的创造性过程。他们认为设计是感性的，不能归纳为固定的程序或步骤，不能被限制或束缚。对这些设计师而言，数据与设计流程融合是问题的源头。
设计师担心：
·数据动摇并低估了他们的直觉与经验。
·数据扼杀了创造力，抹去了设计的“艺术感”。
·数据使设计丧失人性化，使体验与设计评估成为一堆“数字”。
·数据过分强调细枝末节与小改动的优化。
·数据束缚了他们，强调数据才是评估设计的最佳方式会剥夺设计实践的价值。
另一方面，支持者通过实验与数据科学证明了数据的价值。一种观点认为，数据合理且无可辩驳。数据科学体现了这类想法，它是一种科学性的探索研究，精确严谨地产出确信的结果并推导出某种必然结论，是一种值得信赖的精确工艺。持续升温的数据魅力强调了这一点，即当下所谓的“大数据”。一种极端观点认为，通过定量实验收集百万用户的数据信息，能够回答所有的设计问题，因而，数据分析方法可替代设计。那么字体、颜色、尺寸，以及“使用蓝色还是红色对话框”“用户倾向于列表还是幻灯片导航”或“新手向导能否帮助新用户上手”等诸如此类的问题，统统应归属数据科学而非设计实践的范畴。该观点可归纳为“用户行为决定一切”。
这些极端的观点错误地将数据与设计置于对立面。实际上，数据科学与设计实践的目标相同：了解用户并打造完美体验。数据启发了设计，数据信息体现了经验及日常观察的累积，为设计天才与专业知识的形成奠定基础。数据也源于对用户活动与观点更为系统化的研究。比如，实验室研究、实地观察与调研。而设计实践体现了不同形式的数据。在一个新产品与新行为持续涌现、不断变化的市场行业中，数据帮助我们及时了解并响应用户偏好与诉求。通过大规模数据（即来自数百万用户的各类型数据）了解人们的方式在不断涌现。千百万用户的数据，通过系统化收集、分析、传达及应用，将有效改善设计。
我们承认，这些担忧有些道理。个人而言，我们曾遇到过这种问题，例如，数据收集结果与我们的认知相冲突。我们认为理念的冲突源于设计师以往从未参与过实验、数据收集和分析这些能够启发设计的活动，也从未与数据科学家及机器学习专家进行过沟通交流，因而设计目的与评估通常也很难与数据收集分析的结果相吻合。对话是双向的：设计能体现数据的深层价值，数据也能改善设计实践。增加对数据的认知理解，对设计与数据运用都有价值。数据科学能够激发设计的创造力，而非扼杀它。
总而言之，我们认为，设计师应参与数据相关的沟通，探讨何时收集哪类数据，最重要的是为何收集这类数据，积极参与实验的设计实践以及数据收集活动。
本书核心：A/B测试
本书的目标受众是对大规模实验一无所知的人。我们将专注于A/B测试——互联网领域最常见的定量试验与数据收集方式。A/B测试是一种通过一些客观指标，对比不同体验方案来衡量哪种效果更佳的方法。本质上，A/B测试是一种在线开展的大规模的科学方法。它的主要优势在于在“真实环境中”（即复杂的现实世界中），通过部分用户验证不同的设计方案。A/B测试能够将用户行为结果与体验改动关联起来。这是真实了解体验对用户行为造成哪些影响的最佳方式。
构建A/B测试的步骤较多，有许多要点，本书将主要专注于实施与实践。从更高维度来讲，定量实验有助于构建：
·同用户之间的直接反馈渠道，提升你思考用户行为的方式，不断训练你的用户直觉。
·用户诉求与业务成功标准之间更紧密的联系，组建跨职能团队。
·一种消除阶级、层级与派系决策的严谨方式，专注于达成用户诉求。
数据收集与分析，将帮助你建立起一种针对用户行为诉求、产品功效（包括潜在创新）与业务目标的沟通讨论框架。
方向性原则
我们有三大方向性原则。
第一，设计应当永远代表用户，为用户负责。好的设计有责任通过精心设计的产品与体验响应并解决用户的诉求。
第二，投入资源进行设计实践，准确恰当地体现用户需求。这需要保持一份好奇心，积极参与创造能够了解用户及用户行为的新方法。数据是整个过程的一个组成部分。
第三，设计理念需要确保最佳用户体验能够体现在业务目标、衡量方法与指标中。
从这三点来看，设计师应该会对或必须对数据收集、分析及使用产生兴趣。希望通过本书，读者能够熟知迭代与持续学习的概念，并将这些观点融入数据收集与分析的设计中，以及设计实践中。
本书受众
本书面向参与数字产品市场投放但对在产品开发中进行数据运用毫无经验的设计师与产品经理。也许你是一家小型创业公司的员工，仅有少量成员开发产品，或是一家大型企业某团队的成员，希望在自己的团队中运用数据的方法论。也许你对设计思维有一些基本了解，正与产品及技术伙伴一同打造产品。也许你是一名甲方设计师，或是与客户一起工作的乙方成员。但最重要的是，你对整合数据与设计、解决产品问题充满兴趣。
基于已有经验，设计师个人或机构在数据运用上的最大观念调整是，他们首先需要充分了解数据类型及其基本工作原理。做这些基本不会影响或改变设计流程和基础原则，但需要以一种开放性的思维来接受这些改变。
我们注意到，设计学科的定义非常宽泛，涵盖了行业中的各类角色。因此，我们需要仔细考虑一下，哪些人通过阅读本书能够得到最多收获。
假如你接受过正规的设计教育……
本书主要写给那些接受过正式或非正式设计教育但是不熟悉如何针对大量用户做线上定量试验的人。也许你以良好的艺术或创造性学科的背景而非工程技术背景开始了自己的事业，或你曾经在完全没有涉及丰富数据使用的公司工作。
假如你是一名用户研究员……
本书也同样写给专注于人们使用体验的用户研究员。也许你以社会学或人类学方面的背景开始了职业生涯，或接受过定量用户研究方面的专业训练，但你从未考虑过定量的数据结果可以帮助你更好地研究人类行为活动。如果你是一名有同理心的人文主义者，想要真实了解他人感受，并想要拓展你的研究方法，了解定量实验的方方面面，无论结果好与坏，那么你将会从本书中有所收获。
假如你是一名数据科学家……
如果你对日志分析非常了解，但从未实践过定量实验，那么本书对你会有所助益，因为它提供了一种与众不同的用户体验视角。希望本书可以鼓励你尽早参与用户体验相关的沟通对话，积极寻求与设计师的合作，虽然这种合作也许是你从未考虑过的。
如果你是一名产品经理、开发人员或其他角色……
如果你对设计和数据整合非常感兴趣，那么本书将帮助你洞察设计师如何通过使用数据来完成工作。我们知道，当产品、技术和设计紧密配合时，才有可能打造出优秀的产品。因而，我们会非常乐于看到来自不同学科的人也能阅读本书并从中获益。
本书范围
本书旨在帮你了解数据引导设计的基本原则，了解数据与设计流程整合的价值，避免常见的陷阱与误区。作为设计师，你也许会接触多种数据。如前面所提，本书重点关注定量实验与A/B测试，因为我们发现，数据分析与设计实践在此鲜有交集，但相对的潜在价值与机会也最大。
我们的目的在于提供一些关于在组织中开展数据实践的观点。通过这本书，我们会分享来自我们自己和其他人的经验、建议，以帮助你的团队转变工作方式，从数据中获得最大受益。
我们希望你可以在衡量指标的选择、最佳展示方式与展示时机、测试以及设计意图增强方面，自信地表达自己的思路。
关于我们
我们认为，设计师、数据科学家、开发人员和业务负责人应该一同考虑收集什么数据、何时收集、为何收集，以及如何管理、规划、总结和借助数据沟通这一系列的问题。我们着手写这本书，是想鼓励设计师影响和改变旨在体现产品或服务价值的有关衡量标准的对话。可以将数据和设计看作“一枚硬币的正反两面”。
Rochelle和Elizabeth曾经管理和推动了互联网企业中以用户为核心的设计及评估流程。Caitlin虽然刚刚开始她的职业生涯，但我们发现，在本书中，她提供了一种全新的视角，有助于读者更好地接受本书观点。
我们三人非常关注人们如何与技术对接、与技术交互、汲取技术产生的价值。我们强烈地认为，仔细收集、分析数据，有助于增进对于技术的理解，但我们急需拓展这样的沟通对话。我们希望所分享的——将不同形式的编程数据整合在设计流程中的这种热忱，能够激发以人为本开展设计的人更加集中地关注数据设计流程。
虽然本书专注于A/B测试，但关于数据收集依然存在很多其他方法。例如，调研、访谈、实地调研、日志研究以及实验室研究，都是关于如何收集各类产品用户有效数据的绝佳方法。在日常工作中，我们不仅利用这些或其他方法来收集数据，也会借助可用性会议直接与用户交谈，获得关于产品有效性、可用性、愉悦感方面的反馈数据，然后追踪监测数据，以准确衡量用户在产品中的操作行为。如果企业仅仅考虑某一种形式的“数据”（比如，“点击”或“点击流量”的数据统计——仅仅记录了用户在一个屏幕中的行为），那么将无法全面了解用户的体验。因此，我们认为数据的统计范围应当广泛，还要不断回顾与改进，因为总有新的特别的方法论不断涌现，帮助我们全面了解用户。
我们很高兴写了这本书，因为我们非常期待看到这本书能够鼓励设计师运用数据来规划、启发、评估产品设计的方法。
Rochelle说
记忆中，我第一次在设计中整合数据是在2001年。当时我正在一家小型创业公司工作，有同事提到了亚马逊如何运用A/B测试在用户体验中做决策。我所在的创业公司在每周业务指标回顾方面一直非常出色，我们一直非常渴望尽可能多地获得数据。然而，了解A/B测试是什么后，我们采用了比之前更加高效而复杂的方式来运用数据。在接下来的几年中，这家公司采用了一种DIY和自我学习的方式来改善用户体验，更加注重由数据驱动提升用户体验。那时，我们尽量了解和学习其他数据驱动公司的做法，比如Netflix和亚马逊，并尝试在实践中运用。
这些年来，我接触了大量在用户数据和信息收集方面有所建树的公司——我的公司也被Intuit收购，Intuit在用户研究方法方面广受赞誉。后来，我加入了Netflix，它是在使用数据进行决策方面最规范化的科技公司之一。目睹了世界顶尖公司如何全面运用数据后，我由衷赞叹，能够改变整体产品组织运作方式的工具非常了不起。同时我也了解到，数据和设计的整合存在许多细节，整合虽然能够带来诸多益处，但也存在许多陷阱。我的目标就是帮助越来越多的设计师利用这些优势，规避那些其他人和我都曾深受其扰的陷阱。
我希望可以把在以数据为核心的环境中工作的热情与激情分享给其他的设计师和产品管理者，希望本书可以提升你运用数据的能力。
Elizabeth说
对我而言，大学里对心理学的学习令我埋下了对设计狂热的种子——通过精心研究形成的设计，帮助我们了解大众，了解他们的特征与动机、经历及行为习惯。
除了关注个体，我对于人们与外界沟通互动的方式，以及这些环境与社会因素又是如何影响并塑造了他们的行为同样充满了热情。
因此，我的职业生涯沉迷于对以人为本的设计的长期探索。从毕业算起，我已在人机交互（HCI）领域工作了十多年。作为一个调研领域，人机交互涉及如何构建起有效的用户交互体系与服务。作为一门学科，它涉及多种学术领域，包括应用心理学、计算机科学、人类学与人机工程学。
写书源于我坚信以人为本的设计实践与“数据科学”合二为一时效果最棒。当他人专注于用户体验时，我却相信，这两种学科应进行更为有效的互动与对话。
当数据科学已然成为企业开发产品的有效工具时，设计有效的研究方案、提出正确的问题（假设）、设定合适的衡量方法、开展探索性的研究分析相关的以人为本的设计活动，并未受到同等程度的重视。我遇见过许多设计师，他们的直觉出色，所设计的产品凸显了对用户心理的敏锐感知。但产品上线时，他们却回避躲闪，避免参与产品相关的测试研究。多年来，我一直在与设计师对话，同他们一起工作，显而易见的是，一部分设计师愿意参与实验以及其他数据科学实践，可他们缺乏自信与参与感。如果这听起来与你很像，那么这本书就是为你而写的。本书旨在帮助你推动设计、实验、数据分析间的深入互动和关联，参与专注于设计的数据科学的创造过程中，帮助你展现优秀的设计，展现好的设计如何对人与世界产生积极的影响。
Caitlin说
同大多数临近毕业的大学生一样，我曾非常纠结于如何将看似完全不相关的兴趣融入我的职业生涯中。MIT的本科学习让我明白了借助定量的实验方法解决问题的价值，培养了我在运用数据化测量指标揭示令人惊讶但普遍的关于世界的真理方面的强烈自信。然而，我却无法摆脱追寻严格意义上“科学性”或“技术性”工作的念头，这使我忽视了对于了解人类复杂性的本能渴望，而这在许多方面都是不可估量的。
现在，从事了一年用户研究工作后，我开始意识到，将科学和艺术完全割裂开是错误的。设计学科——更宽泛地讲，设计应用的领域和行业——为艺术与科学的融合提供了一致的目标：了解他人。协同作用最让我感兴趣的是，如何通过数据运用培养对产品使用者以及跨学科合作者的同理心。我们需要站在产品人性化的角度提出问题，然后借助科学研究的工具解答这些问题。通过数据分享，来自不同背景的人能够与他们的用户进行有效沟通，在追求真理的过程中挑战我们的信念和假设。运用这种方法时，数据记录了人们行为的复杂细节，并向我们提供了信息和工具来理解这种复杂度。同等重要的是，数据化的设计实践打开了跨学科沟通合作的交流渠道，在这之前，不同学科是相互孤立的。而这种跨学科合作的价值远大于相互孤立工作的价值。
希望这本书在整个建立良好体验的设计实践中能够唤起更强的同理心，对于拥有艺术或是理工科设计背景的用户和合作者都是如此。同样，我希望这本书能向和我一样的年轻人表明，追寻类似于设计和数据学科交叉的跨学科的领域，可以将他们的兴趣与技能通过一些特别的但令人兴奋的方式结合在一起。对这类领域的探索，将会激发通过技术运用和产品开发来解决人类问题及适应21世纪需求所必备的创造力。
本书结构
本书共分成8章，摘要如下。
第1章阐述了我们关于数据运用的观点与态度，即数据与设计的交叉运用不仅是一个激动人心的过程，也是一个创造性的过程。我们谈了设计师日常接触到的数据类型，企业内的各种角色如何运用数据，此外还涉及一些基础术语。
第2章介绍了一些数据相关的基础知识，也更为深入地介绍了数据类型及收集它们的方法，阐述了必备的实验方法，确保你能够借助实验有效运用数据，定义了A/B测试的基本组成部分，为后续内容奠定基础。
第3章把这些概念投诸实践。我们将向你阐述如何构建实验框架。这是我们自己的一套做法，但许多人也在实践类似的方式。
第4章通过一些基础问题，更加详细地阐述如何运用第3章勾画的实验框架。我们将探讨假设的概念，展示如何构建一个合适的假设，如何构建大量不同的假设。我们也将描述如何发散生成多重假设，然后将其收敛至最重要的若干假设。
第5章重点关注如何打造体验并进行测试。我们将再次强调A/B测试推广的重要性，以及设计最终将对收集的数据产生哪些影响。
第6章介绍A/B测试中的一些注意事项，并探讨如何分析实验结果，制订下一步计划。
第7章侧重于在企业内部构建并推广一种以数据为核心的学习型文化，并谈论该文化更细节的方面，包括可有效适应该文化的群体，开放权限，使每个人都能访问这些数据，在设计流程中运用数据的长远价值等。
第8章篇幅较短，简要总结书中涉及的概念，针对数据收集及实验，强调考虑道德立场的必要性。
如何阅读本书
假如你对数据运用不甚了解，建议你从前6章顺序阅读。假如你比较熟悉这些概念，建议从第3章开始，了解实验框架，再翻阅其他你所感兴趣的章节。
无论你有多少在设计中运用数据的经验，你都能从本书源自于业内人士的真实案例中获益并更深入地理解如何实践理论知识的方法。我们采访了一些业内人士对在设计中运用数据的看法，并在书中分享了一部分，用于完善我们的观点。当然，这些可能并不适用于你的情况，也许你的用户、产品或面临的问题都不相同。但希望这些观点能够阐明如何将书中涉及的抽象概念投诸实践。除了这些真实案例，前面几章引入了一些示例，帮助阐述各类概念。我们主要采用了运营夏令营的例子，凡涉及之处都标有一个篝火标志。
每章末尾都设有一些问题，帮助你深入回顾本章内容。这些问题旨在推动企业内的一些交流探讨或自我对话，帮助你更好地在实践中运用这些概念。
希望本书能够帮助你开启数据运用的旅程，基于客观的用户反馈，建立一种团队内的信息共享模式。“夏令营”的比喻
通过本书你会发现，我们喜欢使用比喻。从第2章起，我们将利用一个形象的比喻帮助阐述一些概念与场景。我们发现，通常一个强有力的比喻有助于生动传达某些概念的内涵，而真实案例有时难以做到这一点。有时，相比搜集真实的案例，简单的示例更适于当下的情形。
所以时不时，我们会邀请你扮演夏令营的拥有者。每年，你将迎接大约200名儿童，并将与他们一起远足，开展户外活动，一同进餐。由于夏令营的规模很大且活动丰富，一些营员的反馈也许不能代表整体营员的感受。夏令营已运营了一些年头，每年都有一些老营员光顾，但这毕竟是在做生意，你希望能够持续吸引更多新成员。夏令营是一个循环往复的过程，这也解释了你为何希望采用新方式来改进夏令营的体验，进而提升你的业务。
第2~5章将反复提及夏令营的比喻，届时希望你思考：
·如何定义并衡量你的目标。
·如何了解你的用户（包括老用户与新用户）。
·如何设计能够通过实验检验的体验，从中获得洞察，不断改进业务。
通过这个示例，你能明白如何将比喻运用于真实的实验中。假如你希望改进夏令营的体验，那么需要了解哪些方式可行而哪些不可行。你需要先在小范围内做一些新的尝试，再进行大范围的投入推广。扩大业务规模前，你也想保证改动带来的结果与影响符合预期。我们将为你展示，如何通过比喻熟悉一些统计术语，比如队列及用户细分（第2章），如何在定义目标（第4章）、设计体验方案（第5章）及分析结果（第6章）时考虑周全。是的，这种方式似乎有些愚笨，但如果你有耐心，它一定对你有所帮助！
那么，让我们开始吧！
Safari在线电子书
Safari（之前叫作Safari图书在线）是面向企业、政府、教育家及个人的会员制的培训和信息查询平台。
会员能够查阅数以千计的图书、培训视频、学习指南、互动培训教程以及从250家出版社中挑选的精品书单。这些出版社包括O’Reilly Media、Harvard Business Review、Prentice Hall Professional、Addison-Wesley Professional、Microsoft Press、Sams、Que、Peachpit Press、Adobe、Focal Press、Cisco Press、John Wiley&Sons、Syngress、Morgan Kaufmann、IBM Redbooks、Packt、Adobe Press、FT Press、Apress、Manning、New Riders、McGraw-Hill、Jones&Bartlett、Course Technology等。
欲了解更多信息，请访问http://oreilly.com/safari。
如何联系我们
关于本书的评论和问题可以发给出版商：
美国：
O’Reilly Media，Inc.
1005Gravenstein Highway North
Sebastopol，CA 95472
中国：
北京市西城区西直门南大街2号成铭大厦C座807室（100035）
奥莱利技术咨询（北京）有限公司
本书的配套网站列举了一些勘误、案例及其他额外的内容，请访问http://bit.ly/designing-with-data了解更多信息。
技术相关的反馈与问题，请发邮件至bookquestions@oreilly.com。
出版社相关的书籍、教程、文献及新闻，请访问http://www.oreilly.com。
致谢
完成这本书真是一个漫长又曲折的过程。假如没有很多人的帮助与支持，就无法按时完成。在我们的职业生涯中，有幸遇到了许多优秀的同事，也有幸在那些奠定了我们所从事领域的黄金标准的企业中工作。感谢朋友的慷慨与睿智见解。
感谢O’Reilly出版社好心的朋友。Mary Treseler和Rochelle共同发起了这个项目，从开始筹划到出版，他们从未放弃过。Angela Rufino作为我们的编辑，在整个过程中始终耐心地敦促我们，给予我们鼓励与支持。也感谢O’Reilly出版小组的其他成员：Colleen Lobner、Jasmine Kwityn与Jose Marzan，Jr。
感谢那些抽出宝贵时间接受访谈的慷慨的人。他们的反馈与观点对我们非常宝贵，同他们的对话使这本书更加生动具体。感谢Arianna McClain、John Ciancutti、Katie Dill、Eric Colson、Dan McKinley、Patty McCord、Jon Wiley、Josh Brewer、Chris Maliwat、David Ayman Shamma、David Draper、Amy Bruckman、Casey Fiesler以及Jeff Hancock。也要感激在第4~6章案例研究中出现的人们：Marcus Persson、Julian Kirby、Natasa Soltic、Chris Smith、Alvin Lee、Dantley Davis、Steven Dreyer、Neil Hunt、Matt Marenghi以及Todd Yellin。特别感谢Ben Dressler与Annina Koskinen耐心倾听书中提及的诸多概念与主题。感激本书审稿人Tim Lynch、Kevin Ho、Khoi Vihn、Martin Charlier、Sean Power及其他朋友，他们的反馈帮助我们更好地塑造了这本书。
特别感谢Colin McFarland，他的慷慨付出给予了我们支持与建议。他的观点对我们而言非常珍贵。他阅读本书粗糙的草稿，鼓励我们尝试不同的概念与比喻，耐着性子在谷歌群聊中分享他的意见，指出由于语言的马虎造成的纰漏。
Rochelle
我很感激我的丈夫Warren和我们的两个儿子Genta与Tatsuya。他们纵容我无数个周末都在电脑前度过，而非与他们相处。如今，我打算用同等的时间来补偿他们。儿子的话“我们家的人从来不会半途而废”时常提醒并鼓励着我，尤其在无数个文思枯竭或灰心失望的时刻。感谢我的母亲，她不辞辛劳地工作，为我提供了更好的生活，她始终如一地支持与信任着我，从不敷衍。最后，我想要给Elizabeth和Caitlin一个大大的拥抱，没有他们，就没有这本书。
Elizabeth
首先，要感谢其他两位作者在写作过程中的坚持。这是一段相当特别的旅程。也要感谢我的朋友与家人，感谢他们在我投入精力写书的这段时间里的陪伴。最后，我想感谢我的同事，在那些与艺术、科学以及实验相关的私下对话中，他们一次次包容我的想法。谢谢你们。
Caitlin
我要感谢我的男朋友Harvey，在漫长的写作过程中，他给予了我无尽的支持和无限量供应的自制咖啡。现在我们已经圆满完成了这本书，是时候补偿你了。我也非常感激我的家人——我的妈妈、爸爸、Darrien与Amelia阿姨。他们是我最强大的后援团和支持者，始终认为我能够做得更好。感谢我亲爱的朋友，尤其是Cecile、Michelle与Zo。他们是我最佳的听众，容忍了我近乎混乱的时间表。最后十分感谢Rochelle与Elizabeth，非常自豪成为你们的合作者，但我更加感激在整个过程中，我有你们这两位特别的导师与朋友相伴。Rochelle King纽约，纽约州，美国Elizabeth F.Churchill旧金山，加利福尼亚州，美国Caitlin Tan布鲁克林，纽约州，美国第1章数据思维数据趋势
数据，这个词已经完全吸引了媒体的目光和想象。每一天，新闻故事都在鼓吹大数据的重要性，探讨商业数据、自适应技术体验的数据，或数据营销的价值。很明显，无论相关应用程序的发展如何，数据是当今极为火热的话题与流行趋势。
看起来，数据运用似乎是当今的重大新闻，但事实上，早在很久之前，我们就已在互联网业务中运用数据了。以数字化内容与行为轨迹为形式呈现的数据正是互联网体验的核心。过去的20年间，我们不断创造新的数字化体验，并在数字化世界中重构现实世界的体验。分享照片、沟通交流、找寻真爱等这些日常生活中的行为，已经转化为一种数字化体验。数字化意味着，我们能够轻松登录查看与追踪这些行为。数字接口使数据的收集变得非常容易。如今，我们面临的最大挑战不再是获取数据，而是如何避免产生错误观点，即认为数据永远是好的，而认识到分析数据并抽取结果本身也是一种挑战。换句话说，数据收集的便利会使我们懒于思考。当数据量少、样本不具代表性或数据分析有缺陷时，便会导致错误的结论。
当然，数据分析存在更多潜在机会。数字化革命和互联网平台化意味着我们也可以借助实验来收集数据，这使我们能够将一种体验与另一种进行比较。我们有潜力开展许多实验，有时会一次性在大量用户上同时实验。这种实践被称作“定量实验”。
然后就说到写这本书的原因。有两个重要原因，第一，可以让更多以用户为中心思考的人参与到数据收集、数据质量和数据分析的对话与讨论中。第二，因而，他们可以在设计工作中运用本书分享的这些内容，并且更有效地运用数据。希望你能有效运用书中的信息，进一步实践设计中的数据运用。
在这个充斥着实验设计和统计分析、复杂而不断变化的世界中，你需要了解一些非常重要的基本原则。我们旨在为你提供一些基础框架，让你批判地以及谨慎地思考实验设计，避免过于信任数据而落入陷阱。我们希望你更加感兴趣于采用合适的方式与框架收集分析合适的数据，以便最大限度地了解上下文中最重要的东西是什么。
运用数据与实验时，“一刀切”的方式是不可取的。根据你尝试解决的问题的性质，或是所处的问题解决的阶段，你可能会采用不同的方式或技术，考虑解决方案范围内不同的约束条件。重要的是始终认识到，哪些方式最合适，不同方法具有哪些优缺点。强调一点，面临不同设计场景时，你要考虑所处的环境及可行的方法（见图1-1）。
本书专注于A/B测试，原因在于，我们已经窥测到A/B测试中设计与数据协作的苗头，范围虽然不大，但这种协作却能在A/B测试中发挥出最大的潜在影响力。不过，A/B测试也只是数据工具中的一种。它能够发挥其他你所熟悉的方法的价值，是一种基础而通用的方法，可以完美地适用于许多不同的设计阶段、不同类型的设计问题。图1-1：设计活动的情况
正如前言中所提，我们期望数据学家、设计师、用户研究院以及其他人能够参与用户行为的对话讨论中。在设计中运用数据，并不是为了最终替代设计流程以及设计师擅长的部分，而是提出一个不同的角度看待设计对用户的影响，提升设计的价值。A/B测试无法回答所有的问题，但针对一些其他方法或实践无法回答的问题，它却能给出答案。实际上，A/B测试和其他设计评估流程非常类似。运用得当，它将是创造性的、可持续迭代且能够提供价值。本书将帮助你通过这种方式着手实践A/B测试。关于数据的三种思考
继续之前，我们想指出一些数据与设计的不同定位，介绍三个术语：数据驱动、数据启示及数据感知。
数据驱动与数据启示比较类似，但我们额外提出了一个术语——数据感知。关于数据驱动与数据启示差异的最好描述之一来自于Andrew Chen，一位人气颇高的在线营销写作的博主。他在一则“了解数据启示与数据驱动的差异”的文章中，解释道：“在我看来，它们的差异性在于你将数据看作混乱问题的一个部分，使用成千上万不断变化的变量解决问题。尽管数据是具体的，但往往存在系统偏差。这个工具也不合适，因为并非所有问题都是优化问题。仅考虑能够衡量的部分，通常会使你忽略问题最重要的部分。”
从这个角度出发，我们给出了一些建议性的定义。
数据驱动设计，指通过收集的数据来决定（换句话说，驱动）设计决策。在一些情况下，这是正确的思路。实验收集的数据有时可以解答团队中不同类型的提问，而数据结果则直接反映出一个明确的最佳设计决策。
假如你在清楚了解所面临的问题、目标，以及有一个明确希望获得答案的问题的前提下，完成了工作，可采用数据驱动的方式。这也建立在一个假设的前提下，即方法与衡量手段合理有效，问题类型也在数据能够回应的范畴。这种方法需要敏锐感知数据可能带来的陷阱，并能采取有效的措施进行补救（见图1-2）。图1-2：“数据驱动”“数据启示”和“数据感知”之间的关系——数据驱动可以回答针对性强的问题，而单一的数据能够驱动决策
然而某些情况下，你的设计决策可能更加微妙，数据可能指向了一个与众不同的答案。这就是所谓的数据启示设计，仅把数据看作决策中的一种信息输入。在这类设计中，结果可能不是一个明确的答案，而是导向了另一个迭代或是探索研究。此时需要开展更多调研，收集各种数据，并/或采取更加大胆的创造。
因此，数据启示的观点表明，你也许并不直接思考所希望了解的内容。相反，你尝试更多思考问题与问题域的方式。也许在这个过程中，你得到了一些答案，但你始终受到数据的启发，因为你始终围绕目标了解问题域是什么。这是一个更具创造性的、更广泛的、极为关键的迭代空间。某些时候，只有采取数据启示的方式思考你的问题域，才能实现数据驱动（见图1-3）。图1-3：“数据驱动”“数据启示”和“数据感知”的关系——数据启示使你了解数据驱动的决策如何适应一个更大范围的设计空间，从而解决问题
最终，我们使用术语数据感知设计来强调设计是一个创造性的过程。而设计决策不仅仅来自数据，更应源于数据收集的实践中——如何设计系统，收集哪些数据类型，如何进行组合，本身就是一个设计问题。在我们看来，设计师和数据学家需要与开发人员和商业战略家合作，积极地设计系统，以便收集正确的数据类型，解决正确的问题。我们认为设计师在设计用于收集数据来测试设计假设的实验性假设方面拥有重要而独特的观点。
在数据感知思维模式中，你将了解到，许多类型的数据可以用来解答各种问题。假如你能了解到有许多针对更大目标的解决方案，那么你也能了解到各种适合你的数据类型，不断质疑如何更好地实现你的目标。这是一种策略性更强的来考虑数据如何体现你的需求的方式。同样，假如你从未考虑过数据感知，那么你就无法了解数据启示（见图1-4）。图1-4：“数据驱动”“数据启示”和“数据感知”的关系——数据感知表明，存在许多类似的问题，你可以运用相关的数据解答各类问题
着手数据驱动的过程，类似于在月台候车（见图1-5）。火车已停靠在右边的轨道（非常明确，目的地已预先规划好，不断往复）。你非常确信自己搭乘了正确的火车并去往正确的方向，其中不会涉及太多需要解决的问题。你完成了所有确认及其他工作（定义问题、目标等）以明确目标，那么数据将可以解决具体的实战性问题。数据是真理的源泉（这是数据的一种应用场景）。图1-5：轨道上停靠火车是一个绝妙的针对数据驱动过程的比喻：你熟悉将采用的方式，这种方式非常可靠，你的调研目的清晰、指向明确、事先制定好、可不断迭代重复
数据启示类似于，你站在车站，驶向不同地点的火车停靠在不同的轨道上（见图1-6）。你需要思考你的目的地，以及搭乘哪趟列车。数据启示的过程是关于建立问题思考模式的过程。这是一种创造性迭代的过程，通过这个过程，你能够了解你的问题域（这是数据的一项原则与实践）。图1-6：火车站是一个很好的针对数据启示的比喻：你了解车站的火车驶向不同的地点。你意识到自己有许多选择，有一些机制可以帮你筛选到最适合的那趟火车。这个过程存在许多不确定性、探索的可能性，以及可能的目的地
最后，假如你使用了数据感知的方式，你的思考会更加广泛。以类似的比喻举例，你熟悉交通运输的整体格局，意识到运输空间存在许多不同的可能性（见图1-7）、选择、行程表、路线。事实上，甚至有许多地点你可以选择前往。你会考虑到各种不同的问题以及各种可利用的数据信息。在这个过程中，你运用了多种数据与多种方法（这是数据的一种哲学）。
本质上，数据感知设计与本能驱动设计之间的差异归结于设计决策所依赖的信息是什么。凭借数据感知的设计中，数据是一种创造的过程。当且仅当数据经过精心的设计，通过实践证实符合初衷时，它将成为设计决策的主要工具。在凭借本能或经验驱动的设计中，决策更多依赖于实验，更具实验性。图1-7：以地图、交通运输、导航的方式来比喻数据感知非常贴切。火车仅仅是这种视角的一个例子，整个世界的元素都可以用来做比喻
两种途径都能得到优秀的设计。只有一种合适吗？当然不是。它们相互冲突吗？也不是。“合适”的方式并非一成不变，它根据你所面临问题的性质以及最佳实践方式的不同而有所差别，依赖于经验、直觉与数据之间的权衡。无论怎样，一个优秀的设计师，应拥有敏锐的直觉与丰富经验。数据将成为你所拥有的另一项强大的技能与工具。数据对设计师意味着什么
以用户为中心进行设计和借助数据实践了解行为，都旨在为商业或产品的潜在及当前用户，建立起有效的、有价值的、可复制的用户体验。数据获取、管理及分析是连接设计、用户体验及相关商业的最佳方式。基于之前的表述，这就是为什么，我们认为使用数据感知，而非通常所用的数据驱动，来设计优秀的用户体验更好地代表了我们的期望。我们感到，数据正在逐渐融入创造性的设计流程中，它是多样的、创造性的，针对一个问题提供了各种可能的解决方法。
不过先回顾一下我们正在进行的一些假设，看看你是哪类设计师。如果你买了这本书，那么我们认为：
·你热衷于打造优秀的用户体验，设定了一些目标来改变或影响你的产品或服务的用户行为。
·你对于和自己产品相关的用户行为非常好奇，并开始通过一些非正式的方法观察、了解你的用户，包括产品使用行为。
·你仔细地思考过当前的用户群体，以及未来谁有可能成为你的用户。
·虽然你不具备数据分析的背景，也不是数据学家，但你依然希望可以更加熟练地借助实验设计测试你的想法。
我们认为，实验性方法与产生的数据，能够磨炼技能，改进产品，真实地衡量出你在用户中，最终在商业中的影响力。总之，我们认为，熟知这些在大规模互联网用户中进行实验，收集各类数据所采取的方式，即定量试验，将有助于推动和优化你的设计实践。我们认为，优秀的设计和智能数据化实践是打造企业战略影响力的关键。数据结合了设计与业务
我们的观点中，进行数据感知是在任何规模企业中进行跨职能团队合作的基础。这是影响并连接起设计与商业目标的绝佳方式，关注业务的重点，比如为用户与客户提供一切可能的最佳服务，了解用户目标与问题，消除挫败感。以用户为核心和进行数据感知意味着，你与合作伙伴应当积极为用户创造有价值的业务目标，用户才是所有商业中最重要的资产。
这就是说，用户体验设计也应包含对数据收集的规划，以助于了解你的设计。数据收集、分析和问题的设计应当作为设计流程的一部分。透彻地了解数据将有助于衡量与了解设计对于用户以及业务的影响，明智地选择合适的数据来支撑决策将带来巨大的优势。首先，在企业内部制定一套通用的成功标准，有助于设计师与产品团队就整体目标达成一致，了解目标用户，理解维持业务增长和稳定发展所需的努力。数据能够为个人、团队与组织机构的决策提供事实相关的支撑，并有助于识别来自内部高层的假设或是个人想法引起的糟糕不明智的决策。另外，数据有助于建立对用户的同理心，在决策时表达用户的心声。
其次，数据有助于阐明设计在目标实践中的潜在影响，数据提供了捍卫设计决策，基于用户与业务需求进行决策的方法，以及具体的标准，来衡量设计对业务的价值。无论是否信任数据，你都应捍卫设计的价值。阐明设计对业务的影响有助于就设计的重要性对利益相关人进行沟通教育。
最后，数据运用可以检验你的假设，磨炼你的直觉，助你成为一个更好的设计师。你可能已经实践了基于数据的设计流程，通过数据了解外界与用户。当你不断地运用数据（尤其是复杂类型的数据），你会更加清晰地了解人们的行为方式，进而明白如何为他们提供更好的体验。
需要注意的是，有时我们无法获得体现用户使用流程的信息。但是，显而易见的是，当你不断地通过观察用户的使用行为和使用时的反应更好地了解他们时，你就更善于了解哪种体验吸引他们，而哪些不会。基于设计收集的数据有助于思考你的设计是否达到了预期的目标。让我们举个简单的例子，假设你在设计一套新的注册流程。你可以通过数据衡量，你做的设计更改是否导致更多用户注册了账号，还是用户在注册流程的不同阶段放弃退出了。这也有助于你了解所设计的哪部分让用户感到了困扰。
借助数据，你可以更好地了解哪些内容对用户影响深远，哪些影响较少，是否纳入结果的衡量。后面章节将探讨更多相关内容。毕竟，采用数据感知设计方式的一个核心原因是，能够同用户进行持续对话，打造更好的体验。
数据质量
希望你通过具体客观的依据（即数据）进行设计决策。在决策中使用数据需考虑数据质量、哪些适合制定决策，以下内容至关重要：
·问题相关性（是否提出了正确的问题？）
·数据合适性（数据是否能够解答这些问题？）
·数据质量（收集的数据是否准确可信？在数据收集与筛选中，是否有信息遗漏？是否对数据存有偏见？）
还需要回答：
·假如采用其他不同的数据，或是进行不同的分析，是否更加适合当前的情况？我们是否在做合适的事而非正确的事？
Jon Wiley，谷歌公司浸入式设计总监，作为设计师，针对世界上最受欢迎、使用率最高的产品开展数据运用已长达10年。在谷歌，他负责所有虚拟现实（VR）和增强现实（AR）产品的用户体验。我们和Jon进行了交谈，他当时正就职于一家国际领先的数据运用企业，负责搜索产品的用户体验团队。
他说：
设计与艺术不同，不会无缘无故地存在。设计的存在是为了解决问题。有时，设计师之间会在数据和衡量指标方面存在一些分歧。也许他们觉得数据扼杀了创造力，或是他们不想被数字或类似的衡量指标束缚。
我认为设计师应该思考他们是否真的解决过问题。解决问题的方法不止一种。设计师可以走出大楼，同用户交谈，还可以观察他们。更严谨一点，借助一些显而易见的衡量指标，设计师就可以提前定义问题解决的成功标准，针对这些标准进行设计评估。在谷歌工作最棒的事之一是，我们拥有相当多聪明的计算机科学家和数据分析师，他们有着惊人的数据测算能力。
假设我做了一个设计，使用了蓝色按钮，所有人觉得棒极了。接着，我又设计了一版，用了绿色按钮，大家的反应一样，棒极了。如果通过实验来比较两种设计，我就可以说：“嗯，你猜怎么着，明显的统计差异说明，蓝色按钮的设计其实更好，人们点击蓝色按钮完成任务的速度更快。”
假如你拥有这样的数据，你就会使用它。另一方面，你并不希望被数据束缚。我们发现，增加衡量内容或改善衡量的颗粒度通常并不会使结果更明确。实际上并不会明确得知，这个比那个好。只是揭示出了更深程度的复杂性，然后需要进行平衡、判断，什么是重要的，什么不重要。
实际的产品决策始终需要人来做判断。指标、数据及A/B测试仅是工具，非常重要的工具。我非常荣幸地说：“这些工具正在解决用户的痛点。”但这些工具不是做出判断的唯一标准。
关于数据与设计关系，60dB公司的创始人John Ciancutti有一些很棒的想法。John在数据驱动产品开发方面博闻广识，曾在多个数据运用领域的领头企业就职，包括Netflix，Facebook和Coursera。如今，他带着一身看家本领开创了自己的公司60dB。这家公司旨在将个性化语音新闻与故事带给用户。John分享了从担任Coursera首席执行官起，与设计师着手运用数据的挑战有关的一些想法。他认为传统的数据与设计原则在教学与实践中是剥离的，如何教育、培养对数据的本能直觉是开展数据设计的关键一步：
在Coursera，我们雇用了一名失学但前途无量的设计师，她如同来自另一个国家，完全不理解数据与数据分析。这与她在学校所做的事情，以及作品集中的经历完全不相关。这种不安很正常，就像是“我不理解这些，这完全是另一个领域的知识，我不擅长这些”或是“它在影响我的进度，我不想这样，我更喜欢自己掌控的进度”。
了解数据运用等同于了解统计学的基础。我不认为询问100个人同一个问题，就可以凭直觉推断出1000甚至更多人的答案。这不是一种直觉判断的方式，因为你会想“我不是他们。他们不了解我，我同样不了解他们”。除非你确实了解统计数据的工作原理，完成过相关统计运算，参与过实践，否则你不会相信随机的被测试者会带来什么真相。
除非将数据及数据分析基础知识作为设计师培养的一部分，否则这部分对设计师而言十分困难。作为设计师，你在数据能力方面比你所认为的具有更多的提升空间，但你不熟悉这个领域，不知该如何思考。
希望本书可帮助你熟悉关键的数据概念，并在设计中运用。有了数据好友的帮助
当你将数据运用纳入到日常工作中时，你会发现，除了解数据外，你还需了解数据收集涉及的不同角色，了解组织中以不同方法进行数据工作的人有哪些。有时，一人充当一种角色——用户研究员、数据学家或其他角色。有时，整个团队都只专注于一种特定角色——许多公司拥有大型数据学家团队，唯一的任务就是进行实验测试与数据分析。有时，一人充当多个角色，进行可用性测试，管理大规模数据集合，进行数据分析等。许多创业公司体量小，一人身兼多职。虽然这些角色有所不同，但有两个关键任务。一，收集、管理、总结和分析数据，获得一些数据解读。二，借助多种方式分析数据，证明观点，产生业务价值。我们将收集、管理数据的角色称作“数据生产者”，依靠数据进行思考的角色称作“数据消费者”。一人可能身兼两种角色。
设计与数据的整合实践需要许多人一同协作。你应当积极运用来自不同学历背景的人的知识技能。对创新流程来说，不同的想法和信息输入至关重要。使用数据感知并非让你独自承担数据收集和分析工作，而是你（与其他共事者）可以发挥各自不同的能力，一同定义更值得思考的问题，制定更好的方案验证这些问题。
我们注意到，许多公司开始在设计团队与数据工作人员之间建立更紧密的工作联系。无论这意味着将使用开放式的空间格局，鼓励更多自发性的协作，还是进行组织架构调整。无论怎样，即使你的公司尚未进行此类调整，我们仍然鼓励你建立自己的关系网。你的“数据好友”，暂且这么说，对于从未接触过数据及在数据运用方面游刃有余的设计师而言，非常重要。第7章将用大量篇幅着重探讨这些组织与文化方面的主题。
数据生产者
和数据生成相关的角色有数据分析师、数据学家、用户研究员、设计师及市场营销人员。我们一个个来介绍他们。
数据分析师与数据学家应贯穿产品整个生命周期。他们从产品中收集大量数据，进行数据整理、分析、解读、建模与验证。所有这些工作都旨在帮助企业进行更好的商业决策。他们经常借助洞察帮助企业预测业务走向，分析商业决策的结果数据来了解企业是否完成了最初的业务目标。数据学家也可能会针对业务与用户驱动度量标准制定的讨论。数据分析师与数据学家的共同背景包含统计学、信息管理、计算机科学及商业智能。“数据好友”拥有丰富的产品数据运用经验，对用户了如指掌。他们能够收集产品数据，帮助你大致了解之前的设计与产品改动是否达到了预期，不同功能使用量多少，使用频率多少。如果你打算去除某个功能，可以通过数据好友了解多少用户正在使用该功能，去除后是否影响用户对产品的使用，即该功能是否与产品以往的使用量相关。通常，你的数据好友负责分析A/B测试结果。他们拥有丰富的实践经验，可以在构建A/B测试时提供大量的有效建议。
用户研究员是对数据分析师与数据学家的补充，有时会在技能和兴趣点上与他们有所重叠，尤其是在大规模的数据工作中。通常，用户研究员通过了解用户及用户诉求来赢用户。他们关注用户的观点及行为信息，通过访谈、调研、日志研究及其他形式的人种志研究，专注于定性信息收集。然而，许多用户研究员也采用定量数据。他们的背景可能涉及社会与行为科学，比如心理学、认知心理学、社会学或是人类学，以及与设计师类似的背景。用户研究员与分析师应当互为数据的消费者。这种数据分享有助于广泛了解产品或服务的用户行为，缓解对产品某些特征的过度关注。
如果你对某个特殊领域或用户一无所知，可以通过用户研究伙伴来了解你的用户、需求、期望，以及令用户感到失望的产品体验部分。因为他们花费了大量精力观察用户使用体验不佳的任务类型，了解用户所处的上下文，询问用户的需求，所以练就了用户相关的敏锐直觉。由于许多用户研究员接受过多种方法论的培训，也就是说，多种方法的整合运用可以带来多方位的洞察与见解，他们还能指出最适于解决你的特定问题的数据类型。
设计师也需要关注数据。收集用户信息或是评估设计对设计师来说，并不少见。在一些没有专职用户研究员或数据分析师的企业中，设计师不得不偶尔兼任这些角色来完成设计。设计师也在数据生成中
试读结束[说明：试读内容隐藏了图片]