Статистика помогает нам суммировать и понимать твердые данные, которые мы собираем, а инстинкты делают то же самое для всех беспорядочных реальных событий, которые мы наблюдаем. И поэтому лучшие продукты — те, которые люди хотят использовать, любят использовать — строятся с небольшим количеством обоих.
— Braden Kowitz
Для многих технических компаний дизайн и данные переплетаются. Компании работают в постоянном потоке данных, обнаруживающих влияние каждого изменения минут, и полагаются на команды аналитиков, ученых или инженеров данных для постоянного мониторинга сотен показателей и нескольких итераций.
Хотя дизайнерские инстинкты по-прежнему ценны, данные и аналитика могут помочь вам отточить понимание вашего продукта и обеспечить соответствие ваших решений заинтересованным сторонам. Вот некоторые вещи, которые следует иметь в виду как дизайнеры UX, работающие с данными:
Содержание статьи
Эффект новизны
Определение: тенденция к производительности для первоначального улучшения при внедрении новых технологий не из-за какого-либо фактического улучшения в обучении или достижениях, а в ответ на повышенный интерес к новой технологии.
Для анализа данных это может означать период времени, когда вы выпустить новый инструмент, что результаты на удивление позитивны.
Совет. Будьте осторожны с ранними результатами, которые «слишком хороши, чтобы быть правдой», на самом деле это может быть связано с тем, что изменение выглядит лучше всего потому, что оно
Регрессия к среднему
. Правило гласит, что в любой серии со сложными явлениями, зависящими от многих переменных, где случайность имеет место, экстремальные исходы, как правило, сопровождаются более умеренными из них. Проще говоря, «вещи даже со временем».
Совет. Способ решения этого эффекта состоит в следующем: 1) наличие контрольной группы 2) опасаясь результатов малых размеров выборки
Эффект Хоторна
Определение: изменение поведения испытуемых исследования из-за их осознания того, что они наблюдаются.
Совет: Выберите сделать двойное слепое исследование — в котором ни участники, ни экспериментаторы не знают, кто получает конкретное лечение.
Подтверждение отклонения
… когда люди верят в то, что вывод также верен, они также с большой вероятностью верят аргументам, которые, по-видимому, поддерживают его, даже когда эти аргументы необоснованны.
-Далиэль Канеман, «Мышление», «Быстро и медленно»
Когда сталкиваются с крайними сроками и ограниченными ресурсами, могут быть люди, которые интересуются только цифрами, когда они поддерживают свои решения. В конце концов, инвестирование столь большого количества ресурсов и времени в эксперимент может заставить вас возлагать надежды на определенные результаты.
Совет. Обязательно помните о предвзятости вашей собственной / вашей команды — тенденции интерпретировать новые доказательства в качестве подтверждения существующих убеждений или теорий при интерпретации ваших данных.
Инструментальный эффект
Определение: изменения в инструменте, наблюдатели или бомбардиры, которые могут производить изменения в результатах.
Совет. Нет никаких трюков, чтобы победить этот. Протестируйте свои эксперименты, прежде чем они начнут жить в разных браузерах и устройствах. Получите еще одну пару глаз, чтобы провести контроль качества в процессе эксперимента, чтобы все ошибки или проблемы были решены до начала теста.
A / Тест
Выполнение теста A / A во многом аналогично тесту A / B, за исключением того, что в этом случае обе группы пользователей, случайным образом выбранные для каждого варианта, получают точный опыт.
]
В случае сомнений хорошо проверить качество исполнения (выбор вариации и липкость), сбор данных и целостность инструмента, а также то, что данные не теряются или не изменяются.
Закон Тьюмана
Названный в честь Тони Тьюмана, аналитика в области средств массовой информации, закон Тьюмана гласит: если статистика выглядит интересной или необычной, это, вероятно, неверно.
Результаты могут быть искажены по ряду причин — вышеупомянутые смещения / эффекты, аномалия данных, плохой (19459008)
Пользовательская сегментация
Знание того, кто ваши клиенты, замечательно, но знание того, как они себя ведут, еще лучше.
Джон Миллер
Вы можете сегментировать свою базу пользователей в разных группах на основе демографических данных (например, пол, возраст) или по их поведению (например, покупательское поведение, уровень взаимодействия, статус пользователя).
Приоритет ключевых показателей по локальным метрикам
. Одним из важных моментов для того, чтобы подчеркнуть, является остерегаться изменений, которые улучшают легкость перемещения локальной метрики (клики на функцию, приобретение) за счет важных ключевых показателей (выручка , удержание, общий опыт).
. Одним из таких примеров может быть Blue Apron — компания, которая имеет наибольшую долю продаж среди американских компаний по набору продуктов питания, но снижает уровень удержания клиентов. [1945908]
![](https://artforlife.ru/wp-content/uploads/2018/07/pre-konstruirovanie-s-pomoshhyu-data-ux-collective.png)
Выровнять по одному и тому же ключу Метрики
То, что измеряется, управляется.
— Питер Друкер
Команды, которые имеют одинаковый язык в отношении успешных показателей продукта, — это те, которые сфокусированы и ориентированы на погоню за правыми.
—