| 首先我想從一個故事講起，大家記不記得曾經當時是在08年，當時在矽谷鬧得沸沸颺颺的有件事，就是有個Google的設計師，實際是Google當時的視覺設計負責人他離職了，離職之後，他在自己部落格上面公開發表了一篇文章攻擊Google，説Google這個公司只信數據，完全沒有設計師的空間，完全沒有設計師的自由。這件事情甚至被像紐約時報很多大媒體來轉載，當時在整個美國設計界，尤其在矽谷都掀起軒然大波。這件事大家有沒有聽説過？首先我是很尊重我的這位同事，他最開始是Blogger設計總監，Blogger被Google收購之後，他加入Google，他離開Google之後，現在他是Twitter的設計總監，是一個非常有天賦，並且對設計非常有熱情跟執著的設計師，我非常非常讚賞他。但是在這件事情上，我倒是覺得我應該是和Google站在一起的。
當時他在寫攻擊Google一篇文章當中，舉了幾個例子，尤其一個最典型的就是Google的搜索頁面中間連結是藍色，我不知道大家面對這樣一個問題，怎麼樣選擇一個連結的藍色，我不知道大家會怎麼樣處理。但是按照Google當時的做法，他一共試了約43種不同的藍色，讓線上的真實用戶可以使用，然後根據用戶的使用情況來做的決定。他覺得這件事情太荒謬了，覺得應該直接由設計師挑選一個最能夠代表設計品位的藍色。但其實大家想一下，對於使用這個産品的用戶，雖然説設計師可以挑選一個很有設計品位的藍色，但是他怎麼知道用戶是使用什麼樣的電腦螢幕，使用什麼樣的作業系統，在什麼樣的比如説光線暗還是光線亮，是在室內還是室外，他的螢幕年頭是新的還是用了很多年的，所以其實設計師或者説産品的開發者這一關，你是沒有辦法知道用戶所處的真實環境。所以那種精英制的設計或者説開發者來替用戶做決定的這種方式，並不是在所有的情況下都適用的。在這個例子當中，Google通過他自己很工程化的一種實驗方法來做的決定。我把它看作是什麼？我把它看作是一種用戶的群體性選擇。一定不會説絕大部分用戶使用下來發現這一種藍色表現就是最好的，一定不會是沒有原因的，這種其實就是所有的使用用戶在他們所使用的環境下所做的一種群體性選擇。所以其實從這個角度來説，設計和數據這兩件事情其實真的可以不是，也不應該是一場戰爭。全看咱們怎麼去用它。
定性數據
定性數據通常是指什麼？通常是指你取一定的樣本量，不會太多，不會説是成千上萬的，但是又不是像一兩個所謂的專家數據，通常會是幾十個量級，得到一些你對這個産品的想法的驗證，從而幫助你盡可能及早弄清楚你産品的方向。我舉個例子，比如説當大家看到這張圖的時候，我想問一下大家是看在哪，這是一個很嚴肅的問題，可能會有的朋友説，我看到他這個頭髮顏色很漂亮，身上有很漂亮的紋身，嘴笑得很開心，可能會有朋友這麼説。但事實上如果咱們用專門的儀器來跟蹤一下大家的視線，你會發現這是真實的情況。實際上是有一些工具能夠幫助大家把用戶他自己不願意表達，或者沒有辦法表達清楚的事情，清晰地展現出來，這個就是一個很典型的定性研究的或者説定性數據分析起到的作用。當然這個定性研究裏面還有很多其他的方法，比如説像觀察法，咱們去找到這個目標用戶，跟蹤他一天的行為或者説他一段時間內的行為，來看一看他是怎麼樣工作，怎麼樣生活的。而不是説你聽這個用戶説，我一天會用你的産品十多次，但你實際跑去看的話，發現他其實一次都沒用，或者説十多次只是打開看一下並沒有真正使用。然後也包括像用戶訪談、焦點小組等等，這些都算是比較經典的定性研究，或者説獲取定性數據的方法。像這個例子叫視覺追蹤這樣的方法，在做定性研究的時候其實我所經常看到的是另外一個誤區，就是大家會覺得，有的人會覺得定性研究因為它的樣本量很小，一共才那麼十幾個人，它究竟靠譜嗎？是不是其實做了跟沒做其實沒什麼兩樣，因為你樣本量這麼小，其實它不能夠代表最大量用戶的真實情況，會有人有這樣的看法。或者説另外一個極端是，有人會覺得要做研究，我們一定要很嚴謹，你十幾個人的量可能不行，我必須要做到幾百人，所以這樣投入很大，時間、金錢投入都很大，我也沒法做，乾脆不做了。其實這裡有一個經驗數字。有一條曲線，橫軸是代表測試用戶的數量，就是你測試了多少用戶，縱軸就是你發現用戶遇到的問題或者説用戶遇到的困難，發現新問題的數量，你會發現這個曲線隨著用戶數量的增長，這個曲線逐漸趨於平緩，而它真正變成平緩的是在哪？大概十個人左右。這有個前提，你所找到的測試的這十個人或者這十幾個人都正好是你的目標用戶，你並沒有找錯人，不至於説明明是一個給白領用的産品，然後你去找了一個比如説剛剛從工地回來的農民工，或者明明是給一個孩子用的産品，然後你找了一個大人，這樣肯定不行。如果你能夠比較準確地找到目標用戶來做你産品測試的話，通常來説當做到十個人左右的時候，其實你産品當中的主要問題都可以被發現。這個根據不同的産品在過去的經歷當中，根本不同産品的情況，有的時候它的趨於平和的曲線是停在70%左右，有的是停在80%或者90%左右，但基本上它會趨於平緩。在這個之後，你再做更多的用戶，其實給你帶來的價值就並不是特別明顯。
當然，實際上大家在工作當中還會經常遇到的是，其實你並不是特別清楚自己的目標用戶是什麼樣的，或者説你是在找用戶的過程當中逐漸摸索目標用戶是什麼樣的，在這方面我也有另外一個經驗數據，因為我有很多朋友在世界知名的設計公司，他們所得到的經驗數據是，在一邊尋找目標用戶，一邊明確目標用戶來做研究的這個過程當中，總量大概四五十個用戶就可以達到類似這樣的效果。所以其實大家看這件事情並不是像大家想像的那麼誇張，那麼可望而不可及，就好象只有大公司才能花大價錢請到心理學的博士，請來幾百個用戶來做，其實真的不是那樣。尤其是對於咱們可能規模稍微小一些的團隊來説，如果説你能夠把定性的數據和定量的數據結合起來使用，往往會得到非常非常好的效果。
定量數據
定量數據其實是真正只有在進入了網際網路時代之後才有的一種奢侈。大家想像一下，在過去比如説像九幾年甚至包括像兩千年前後，那時候微軟這個世界IT界軟體行業的巨頭，他在做産品的時候比如説office這樣的産品，他們在做用戶數據獲取、用戶研究，並且以此做分析來改進産品。他是什麼狀況？花大概半年的時間，就是請一個專業的諮詢公司花大概半年的時間做數千個用戶的訪談和調研，收集數據。然後再花將近半年的時間整理數據，反饋給産品研發團隊，改進産品。所以傳統的研發過程它的週期真的就是用年計的，但是當進入了網際網路産品時代，其實有一個巨大的好處給大家，因為網際網路産品它的數據都是實時連通的，這意味著開發者可以得到快速、大量、真實的用戶數據。這三個非常非常關鍵，快速的、大量的、真實的用戶數據，這個意味著只要咱們這個産品當中做好了準備，每一分每一秒用戶使用的情況，都可以成為你下一個版本改進的依據。而且甚至這些做網際網路的人到今天，他們也正在去影響著很多傳統行業，比如像手機行業裏面以前是做市場的人員來主導的，因為對於手機公司來説，做市場的人員看起來是離商品銷售距離最近的。他們跟店員接觸是最緊密的，所以他們應該來決定做一個什麼樣的手機，有什麼樣的功能，甚至長什麼樣。但是反過頭來大家再看傳統的手機行業到今天已經潰不成軍，正是因為有網際網路産品的思路正在進入到傳統的手機領域當中，徹徹底底地在改變這個領域。
在定量數據獲取當中或者定量的研究當中有這樣幾個主要的方法，
AB測試 – AB測試就是上線幾個不同的版本，然後讓用戶去使用，通過比較用戶所使用不同版本之間的差異來弄清楚究竟哪個好。做AB測試這裡面其實也是有幾個關鍵點，第一個就是AB測試的這兩個版本一定是利於比較。比如説它可能是所有的指標當中只有那麼一個或者是很少幾個有區別的，其他大部分都作為控制項是相同的。因為只有這樣才能知道究竟是哪個因素在起作用，像有的經驗不是太豐富的團隊他們會憋大招，就是一個版本裏面有很多很多的改進，很多很多的革新。如果是這種情況，經常就遇到你看到這個數據不管是好的還是壞的，不知道是因為什麼，因為中間發生的改動太多了。所以真正有經驗的團隊會是用短平快的方法，很快的一次改一個，一次改很少的幾個，然後來做比較，發現哪個更好確定下來，然後再有新的測試和記錄。當然如果説在更高深一點，其實這個實驗還可以被設計得更加巧妙，你可以把你的數學模型設計成，的確是你同時測試了好多個不同的屬性的變化，但是從數學模型的角度來説是可以把這些不同因素之間的相互影響分離出來的，這樣其實也可以。但是對於大家來説，可能最開始作為起步還是短平快的方法，一次只比一個或者很少幾個，這是AB測試快速試錯的方法。
百分之一測試 – 百分之一測試它的本質是什麼？本質是説我控制一小部分用戶，但是又足夠量的，控制一小部分客戶來使用我們的新版本或者新産品，然後得出反饋幫助我改進。這個做法其實最主要的就是説避免一下子影響到太多的用戶而産生不可控制的後果。比如像在早些年其實用百分之一測試用得最好的首屈一指的就是Google，對於Google來説，一年當中可能會有幾千個這樣的實驗上線，然後會有幾百個或者説幾百次對産品的改進，僅僅對搜索而言。Google有那麼多産品線，還有更多更多。像今天大家可能會更熟悉的是像Facebook甚至把這個作為一種標準的上線機制，就是它的系統設計成為就是可以同時支援很多個不同的控制實驗，所以它可以幫助我公司産品當中有很多的實驗性功能，或者是新的産品特性，可以同時以少量用戶測試的方法來進行。然後實驗數據好我就作為正式産品上，實驗數據不好我就把它收回來，重新改進。當他做成是一種大規模自動行為的時候，就出現了一個巨大的益處，就是你的産品新功能的改進、提交、發佈變成了一項非常非常順暢，不用説再像以往那樣好象特意準備一個月，實驗兩個月，再調整一個月。反過頭來看起來好象你是用了快速的方法，但實際上還是要經過兩三個月才能上線。對於facebook他把整個産品基礎架構設計成可以同時進行大量少量用戶控制實驗的這種結構，對於它的産品迭代改進非常有好處。
對於這些數據的解讀 – 其實數據是中性的，一個數據出來很少有那種，當你看到這個數據就可以很清晰地判斷説，這個數據究竟代表著好還是代表著不好。大部分情況下，其實你需要首先確定的是你這個數據分析的目標，比如説舉個最簡單的例子，大家説一個網頁用戶來到這個産品上面，一個網頁産品用戶來到這個頁面上，究竟是快快的離開好還是停留的時間久好，其實這兩個沒有絕對的標準，完全要根據你産品的目標來定。比如説如果像新浪這樣的門戶或者説像新聞類的産品，可能大家希望用戶來到這個頁面多停留一會兒。因為這意味著用戶在上面有很多的瀏覽，但是如果説對於Google搜索頁面，停留得久意味著災難，意味著産品品質不好，設計不好，不能讓用戶很快地找到他想要找的結果，馬上離開。所以你的産品的數據，千萬不要把數據當做所謂的萬能的，看到一個數據就可以很快下結論，真的不是這樣。首先你需要明確的是你數據分析或者你實驗的目標是什麼，然後根據這個再來選擇説我看哪些屬性，用什麼樣的數學模型來做分析。這個真的是一件技術活。
數據是中性的,定性和定理需要結合
定性和定量之間為什麼要結合，也是因為數據是中性的。其實你經常會發現你看到了一個數據，發現這個産品某個使用量、流量上升了，但你真的不知道是為什麼，這時候就特別需要什麼？你可以找到你的目標用戶去了解一下究竟發生了什麼，你比如説可能在哪一年的時候，就是在Google曾經有一次發現在中國某一個省份搜索的流量突然一下到底，變為零了。如果你光看這個數據，其實你是沒有辦法得到任何結論性的東西，你可以有很多猜測，但你不知道真正發生了什麼。但如果説你這時候去想辦法找到目標用戶，在當時那個情況下找到那個區域的用戶，你會發現原來是被斷網或者原來地震，數據這個東西就是中性的，你需要用其他的不同的方法來真正地去分析數據，得到有意義的結果。所以其實這就是咱們剛才所説的從專家到定性到定量這樣一個過程，同樣的你看像定性這樣的工作，其實對於常規來説一個小團隊其實很難做。為什麼？因為一方面是沒有這樣的技術能力，因為涉及到要在産品當中合適的地方埋數據採集點，另外可能沒有分析的經驗。但其實對大家的好消息，其實是有一些專業的工具來幫助大家來做這些事情。比如如下大家做的是網頁産品，就可以考慮用Google的analysis,如果大家用的是移動網際網路的産品，其實就可以考慮像友盟這樣的工具，其實是有這樣合適的工具可以幫助大家在沒有經驗或者説還沒有技術能力的情況下，同樣做到這樣的效果。
|
