2009 年 Google 做了这样一个试验：用 41 种蓝色作为链接色，呈现在搜索结果页中，追踪它们带来的点击率，最终色值#2200CC 脱颖而出。据报道，该色值相较于其它蓝色，每年多为 Google 带来 2 亿美元的利润，可谓相当可观。
数据结果显示，链接色越偏向绿色效果也就是他们的核心数据越差，越偏向蓝色效果效果越好。
这不是个例，全世界许多互联网公司，包括 58，都在做着类似的事情——用数据来做设计决策。线上同时跑着许多版控制变量的测试方案，制定一个核心数据指标，有可能是点击率、停留时长或是日活跃用户数，保留数据效果好的那一版继续设计与试验，无限寻找并趋近商业与设计的平衡点。这便是数据驱动设计的一个缩影，它概括了数据在这类产品中的主宰地位。
数据设计干货：
作为一名用户体验设计师，在工作中最常出现的痛点有两个：一个是如何让方案获得各个角色的认可，顺利的将方案推行下去；另一个是项目上线之后，设计产出和设计价值如何体现。
阅读文章 >看到 Google 的链接色试验，结合日常工作中数据的地位，难免会提出这样的疑问：为什么不测试第 42 种蓝色？为什么只测蓝色，而不测其它颜色？
下图也是一个有关于颜色的案例，绿色与红色两个开始按钮，进行 AB 测。绿色在国际上都与顺畅通过有强烈的隐喻连接，而红色往往代表着错误与禁止。但是最终数据显示，红色按钮版本的转化率要优于绿色 21%。不知道这样的结果，是否能支持了这个产品将红色按钮推全量。
为什么公认的更好的设计方案，最终数据不一定好看？数据至上的大环境下，我们是否会逐渐失去对产品的直觉判断能力？用户的每个决策简化为一个简单的逻辑动作，这背后一定是科学正确、无懈可击的么？
要解答这些问题与挑战，需要先搞清数据驱动设计的优势所在。
数据驱动设计之所以能够有生存的土壤且不断发展，总结市面上的沉淀，有以下几点：
1. 利于团队理解
一般来讲，产品的核心价值导向是抽象的，为产品制定核心指标的过程就是将它具象的过程。具体的核心指标，相比于一个抽象的价值观，更有助于整个团队的理解。
2. 拥有可操作性
核心指标制定后，能够有相应的公式对指标进行拆分，而拆分后的指标可以指导团队在各个环节去不断优化，具有很强的可操作性。
3. 符合产品节奏
许多互联网产品，由于市场环境也好、企业基因也好、产品生命周期也好，都希望小步快跑去快速迭代。数据驱动的产品，方便快速试错，不断调整方向。
4. 便于向上管理
广义的向上管理，包括个人对 leader 的汇报、项目组对高层的总结，甚至创业公司对投资机构的宣讲，这些场景有数据的加持，会使工作进展、项目成果、发展潜力更可被感知，从而争取更多的资源倾斜。
数据驱动固然有它的优势，但这不意味着它是完美的理论。
1. 核心数据难制定
产品制定核心数据的过程，必然伴随着近似与误差。因为没有绝妙的数据指标能够完全等同于产品给用户带来的价值。
举例来看，一款交友产品中「用户在这儿玩得开心」是核心价值，那么核心数据是用户停留时长、互动信息数量，还是 App 打开次数？如果用户停留时长高，但仅打开过一次手机意味着什么；如果用户频繁打开手机却没来往过几条信息又是什么场景；如果用户信息数量很多，但每天多次只打开不回复社交信息，那 ta 是怎样的用户？
可是这些数据乍一看都是「玩得开心」的近似代表，却都有它们自己的局限。这就告诫我们一定要注意数据陷阱。
2. 避免虚荣指标
设计工作中，会出现数据指标有所提升，但最终产品收益不大的情况。其原因可能在于虚荣指标。虚荣指标 Looker 创始人 Lloyd Tabb 把虚荣指标与明确指标的差异总结如下：
举例，对于家服平台来说，58 到家 App 并不是像其它 C 端用户一样只要登录就可以，用户需要在线完成购买服务的流程，才能称之为活跃用户：找服务、选服务、完成购买并完成线下服务。所以通过签到领奖励等运营手段带来的打开、注册/登录行为只是一些数据，除了为当天增加一个日活外，没有更多作用。所以 App 下载量、注册登录用户数便是 58 到家的虚荣指标，下单量才是精准指标。
3. 代入到更宽广的层级
设计一样东西通常需要把它置于它所属的更大的环境中来衡量，这是我从建筑师 Eliel Saarinen 的设计理念中学到的东西。互联网短短发展数十载，但是人们对于设计的探寻已经绵延千百年。建筑学——更是集概念性、落地性与时间沉淀于一身的学科。非常值得借鉴学习。
建筑学如此，互联网产品的设计也如此。部分数据未能真实反应产品使用的情况，可能是因为没有把小的设计环节放置在整个流程中 → 没有把设计流程放置在整个产品的使用中 → 甚至，再进一步——没有把产品的使用放置在用户的日常手机使用中。如果我们在更长更广的视角去看待设计环节的数据驱动验证，很可能发现那个关键数据只是整个链条中的小小切片。它只能反应上下游关系，而无法真正地指导整套设计方案的产出。
举例，58 到家 App 首页的 feed 模块，上线了双栏内容穿插 sku，与单栏场景化 sku 的灰度测试。预想中，后者能够为目标不明确的用户打造许多场景化的需求温床，促使用户根据场景提示来完成下单。
数据情况：之前该该环节的核心数据定为了点击率，这就没有做到把这个小的设计环节放置到整个流程当中，也没有选用最核心的数据——即订单转化率，来衡量这个设计的好坏。如果仅看点击率，后者效果不佳，但如果看订单转化便扳回比分。
再结合用户体验的直觉与经验：场景化 sku 的用户心智引领路径过长，不适用于若干行列表的呈现方式，会造成用户的疲劳感。相信后续针对后一版本的优化会取得较好的效果。
还有些情况，一个核心指标确实无法反映设计的好坏，可以尝试增加二级指标，这也是代入到更大层级的一个方式。
举例，假设 58 到家有 20%的用户是我们判断的高价值用户，他们贡献 80%的收入。那么我们在针对与收入相关的核心指标做版本迭代时，会不断向着 20%的用户倾斜。但是剩下 80%的用户，他们可能对于产品的增量拥有更大的想象空间，在优化核心指标的同时，可能会牺牲掉产品长远发展的可能性。
所以增加并观测有关 80%非核心用户的二级指标，争取达到短期效益目标和长期增长目标的双保险。
经过上面的分析，我们发现数据驱动设计这件事本身，有利有弊，如果要做得科学有指导意义，难度并不小。那现行条件下，是否有其它驱动能够将其代替？假说驱动、理论驱动、直觉驱动以及神经营销学等等都是与之并列的驱动方式。其中直觉驱动与数据驱动最为不同。
1. 直觉驱动
罗翔老师讲刑法，说有些同学学了法之后，就失去了人性，失去了老百姓都懂的朴素价值观。做设计一样，我们判断一个设计好坏的时候，如果代入了太多复杂的设计方法论、数据验证理论、产品营销思维，就容易忘掉最朴素的设计直觉与价值判断。
2. 神经营销学
有关神经营销学，有一些耳熟能详的典故，如可口可乐与百事可乐的盲测。推荐 TED 演讲《神经营销: 消费者决策的新科学 Neuromarketing: The new science of consumer decisions》，内有详实的案例。
3. 最重要的关卡
最后回到产出设计方案的人——设计师自己。在发出交付邮件的那一刻，是否感到骄傲；上线后的某一天是否会很开心看到自己的设计；年终总结时是否愿意把它提交到团队的设计年鉴当中。这些问题的回答如果都是肯定的，我想这个设计不会差。
回到最初的 41 种蓝色，无独有偶，2010 年 Microsoft 的 Bing 也做了类似的试验。最终确定了该搜索引擎的链接色——#0044CC。据报道，如果把额外的广告点击量和用户参与度考虑在内，每年能增加8000万美元的收入（考虑到Bing的市场份额远小于Google，Bing链接蓝的收益增长，从百分比来看要高得多）。
看到这里，你是否对这两个互联网巨头的试验结果产生了一丝怀疑，Google 与 Bing 的用户，是否有如此大的差异，以至于这两个冠军蓝色看起来截然不同？有没有一种可能，人类的社会活动、心理状态以及使用产品时辅助做决策的潜意识等等这些，根本无法用数据去概括与总结？那数据驱动设计的根基，是否不复存在？
这让我想到老友记中，Phoebe 让 Ross 这个古生物学博士，对进化论产生了动摇。当 Ross 松口后，Phoebe 对他说「How are you going to work tomorrow?」
回到设计，这篇文章充满自相矛盾的假说与推演，既没有自圆其说，也没有明确立场。只是希望能够信马由缰地把有关数据的一些思考记录下来。接下来，你将用什么作为你的设计驱动?
欢迎关注「58UXD」的微信公众号：
本篇来源：优设网
原文地址：https://www.uisdc.com/data-analysis-design
广告
