数据驱动设计和生成设计–概述

本文概述

• 数据驱动设计
• 生成设计
• 优化的未来

在出色的设计和更好的用户体验的交汇处, 是两个相辅相成的关键概念, 但它们的方法也截然不同。

数据驱动设计

“数据”一词的首次使用是在1640年代。根据一个普遍的观点, 一旦数据被分析, 就被收集起来并成为适合做出决定的信息。

分析数据可以帮助揭示问题, 提供有关这些问题的更多信息以及评估解决方案的有效性。无论是处理科学数据还是与设计相关的数据, 这都是事实。

“收集和分析数据是创建更好的设计和用户体验的关键, “设计博客编辑Cameron Chapman写道。

因此, 数据驱动的设计使用数据(定性和定量)在整个设计过程中通知设计师。最终的设计更具吸引力, 并可以根据用户的偏好, 目标和行为进行定制。

数据是设计过程中所有阶段的重要因素, 因此可以带来更可靠的结果。

从整体上看设计过程, 我们可以看到数据驱动设计适合的位置：

• 发现
  • 定义问题
  • 收集信息(数据驱动)
  • 头脑风暴和分析
• 设计
  • 开发解决方案(数据驱动)
  • 重复
• 验证方式
  • 反馈(数据驱动)
  • 重复

我们从哪里获得数据？数据可以来自多种来源, 例如分析, 用户测试, 研究(主要, 次要, 生成性)和可用性测试。在整个设计过程中, 可以采用多种方式使用它, 因为在每种情况下, 没有一种适用于所有人的规范方法。以下是有关设计数据应用的一些技巧：

• 数字和上下文–定量和定性数据可以很好地结合在一起, 讲述一个完整的故事。
• 各种数据–分析, 客户服务日志, 销售数据, 访谈, 调查, 可用性测试和A / B测试就是一些示例。
• 对人类经验敏感–谨慎使用平均数, 谨慎使用并谨慎推断。
• 标准化共享–开发讨论和共享数据的方法, 以便每个人都可以一起理解基础知识。

一两个数据不会提供充分的信息, 并且由于目标是对日常经验有清晰的了解, 因此最好考虑尽可能多的数据类型。

当我们根据用户研究, 理论或流程创建设计时, 这些数据可为我们提供更多可信的答案。我们可以猜测并”勇往直前”, 但这可能代价高昂且效率低下。制定策略比猜测更有效。

请注意。过度简化和误解数据很容易。我们可能只专注于一个方面, 而忽略了我们不感兴趣的内容, 或者插入了一种主观的观点, 这可能会导致设计者和用户陷入困境。客观, 开放的胸怀并考虑所有数据点是一种很好的方法。

Unbounce提供A / B测试工具以优化以获得更好的结果。

用于数据驱动设计的工具

作为设计师, 我们使用定性和定量数据来指导和塑造我们的设计, 因此了解一些可用的工具非常有用。这绝不是所有可用的各种技术工具或软件的详尽列表。

定量数据驱动设计工具

假定已安装了Google Analytics(分析), Adobe SiteCatalyst等工具。

• Unbounce-用于A / B测试各种页面布局的着陆页工具。
• 优化-另一个登陆页面工具, 还提供分析和多变量登陆页面测试。
• Google Optimize – Optimize集成到Google Analytics(分析)中, 可帮助设计人员了解如何改进网站。

定性数据驱动设计工具

• UserTesting –用户研究的工具, 提供可行的见解。
• 可用性中心–端到端的远程用户测试平台。
• Optimal Workshop –用于网站和信息架构的在线可用性工具套件。
• Crazy Egg(疯狂蛋)–一个帮助了解和改善网站布局的热图工具。

数据驱动设计的最佳实践

当组织在所有设计团队中遵守标准和实践时, 以数据为驱动的设计效果最好。以下是成功进行数据驱动设计的一些最佳做法：

• 实施更改后, 使用定量数据来跟踪进度, 例如, 分析会话, 跳出率和热图结果。
• 使用数据三角剖分法找到正确的问题/机会区域并缩小假设范围。
• 编写并记录可以测量和验证的结构合理的假设。
• 制定可以广泛传播的测试策略。它应该深入几层, 但不要太多, 并且应该定期更新。

数据虽然可以说对设计过程有用, 但不应排他地使用。很容易想到一种情况, 其中数据驱动方法的即时反馈可能会导致项目的最终结论, 而无需考虑其他类型的输入。

生成设计

数据驱动的设计由定量输入(在较小程度上是定性输入)驱动, 而生成设计将信息引入到设计流程中, 该信息可以自由流动和迭代。

在制造业中, 生成设计利用机器学习来模仿自然界的进化方法。设计参数输入软件, 算法探索解决方案的所有可能组合, 通常会产生数百种选择。

AutoCAD之类的软件可以使用AI和迭代来创建生成设计, 从而产生以前不可能的设计模式。

生成式设计是对可能组合的探索, 在设计过程中将其称为迭代, 即循环浏览许多不同的”设计”以得出各种解决方案。

在产品设计中, 此概念非常类似于设计思维过程, 只是人们在进行迭代和构思, 而不是软件。设计是根据一组输入(思想, 生活经验等)生成的。

在1980年代, 作者布莱恩·劳森(Bryan Lawson)提出了一系列设计实践, 设计师和建筑师以参与性的方式并肩工作。到目前为止, 设计人员还没有意识到需要将”外部人员”纳入其流程的一部分。尽管当时颇有争议, 但这些练习的成功证明了早期生成方法是正确的做法。

在生成设计过程中, 存在一个迭代过程, 该迭代过程从构思到评估一直循环到可能的组合。

生成设计和设计过程

与数据驱动设计一样, 生成设计在设计过程的所有阶段中进行：

• 发现
  • 定义问题(生成)
  • 收集信息(数据驱动)
  • 头脑风暴和分析(生成)
• 设计
  • 开发解决方案(数据驱动)
  • 迭代(生成)
• 验证方式
  • 反馈(数据驱动)
  • 迭代(生成)

请注意, 采用新设计时, 尚无数据可利用, 因此我们倾向于先进行生成式设计。一旦我们有一些想法可以付诸实践, 我们就可以收集定性和定量数据。

生成和数据驱动的设计是相辅相成的。借助数据驱动的设计, 由于输入的定量性质, 我们得出的解决方案是静态的。然后, 我们应用生成设计, 最后得到自由流动的结果, 随着提出更多的想法而不断迭代和塑造结果。

生成式设计可以在使设计师解决原本无法解决的更大问题方面发挥关键作用。数据驱动的设计将确认那些问题已成功解决。

以下是生成设计过程的一些优点：

• 创造力的提高–由于生成设计的迭代性质, 形成了更多的创意。
• 包容性设计–在流程中包含不同的声音和投入将推动流程更具包容性。
• 提高结果–随着过程持续进行到设计阶段, 将产生更多结果。

生成设计迭代基于用户测试和定性输入。 (礼貌青蛙设计)

用于生成设计的工具

设计师用于生成设计的工具与我们用于数据驱动设计的工具有很大不同。借助生成设计, 我们对有助于从定性角度迭代并更好地理解人们的工具感兴趣：

• 便笺–产生想法的最简单方法。便利贴在头脑风暴会议中被使用, 可以快速, 轻松地捕捉人们的想法。
• 白板–集思广益是一项包容性练习, 使人们可以将外部观点和想法作为一个整体。
• Balsamiq –低保真线框图软件工具, 可用于迭代和收集用户反馈。
• 草图–一种流行的软件工具, 可在设计过程的所有阶段用于线框图, 原型制作和模型制作。

成功的生成设计

生成式设计是一个持续的过程, 是对人类经验的深思熟虑, 因为它与手头的设计问题有关。这里有一些提示要记住：

• UX研究–尽早将以客户为中心的思想引入设计过程。生成式设计依赖于以人为中心的反馈
• 尽早进行测试设计–迭代测试是生成设计的重要组成部分, 并且贯穿整个设计过程。
• 包容性设计–包括具有不同背景和经验水平的人们, 可以帮助你带来崭新的观点。

优化的未来

数据驱动设计和生成设计共存, 可以通过设计创造更好的人类体验。数据和数据驱动的设计为我们提供了可用于分析问题的具体信息。

如果没有数据, 我们将没有任何值得检查的东西。一旦有了一套解决方案, 我们就可以注入生成设计, 以帮助将这些解决方案转化为结果。

在许多方面, 这些设计过程的融合可能体现设计的未来：弥合设计思想与传统设计之间的鸿沟。

我们才刚刚开始摸索这两种设计方法可以带给我们的表面。如果数据驱动设计在某些世界上最具创新性的产品和服务中发挥了重要作用, 那么将其与生成式设计相结合可以从中获得很多好处。也许两者可以为解决复杂的设计问题铺平道路。

• • •

在srcmini设计博客上进一步阅读：

• 数字优势–数据驱动设计概述
• 如果你不使用UX数据, 则不是UX设计
• 分解设计思维过程
• UX研究方法和用户共鸣之路
• 了解你的用户-UX统计信息和见解(带有信息图)