
设计思维对数据分析意味着什么?
从IBM这样的工业巨头,到Airbnb这样的初创公司,设计思维在 企业 团队的脑海中无疑处于最突出的位置。“筑巢引凤”的传统思维已经被客户分析和同理心驱动原型设计等技术所取代。如今讲究的是用户为先,而不是产品为先。
虽然设计思维并非新鲜事物,除了产品研发以外还有许多其他用例,但很多公司不知道如何利用这种思维来改善他们的业务,尤其是在数据分析和决策科学等新兴领域里。
究其本质,设计思维是把用户及其需求作为研发新产品和制定解决方案的出发点。首先是问:我们为谁设计?他们遇到了什么问题?其次:我们设计模型的目的是什么?是刺激消费和参与度、提升性能还是实现规模化?
这些问题着手分析工作的一开始就要提出来。不属于传统设计领域的人,包括数据和决策科学家,也可能成为出色的设计师,他们只是缺乏基本的指导来唤醒他们身体里这股沉睡的力量,并在数据密集的背景下加以运用。
有鉴于此,以下是向数据分析灌输设计思维的五个简单但关键的步骤:
1. 创建一种使你可以尽早回头的设计框架
企业可能会在没有建立适当框架的情况下,就匆忙地开始制定解决方案。这是错误的做法,会导致生产力的损失,使无数的人力物力浪费在从一开始就绝对不应该设计的产品上。
上图是斯坦福大学设计学院演示的一个简单框架,其参数能够应用于任何一种产品、想法或设计。这个框架使你可以保持正确的方向,专注于问题和你所服务的客户。同样重要的是,这个设计框架使你可以尽早回头并降低失败成本,不至于浪费资源试图把方形盒子放进圆形孔洞。
2. 站在客户的角度思考,让产品人性化
与传统的思维模式完全不同,设计思维寻找痛点,创造出满足需求或者解决问题的产品。作为问题解决者,在测试新想法或假设的过程中必须进行换位思考。
在上文提及的那个设计框架中,最左边的一栏完全只用来找出真正的问题和探究用户对那些问题的情绪反应。在设计过程的这一阶段,企业是站在用户的角度思考,深入了解客户需求的方方面面,为了透析客户而进行采访、开展调查、建立焦点小组并在日常环境中观察用户,勤勤恳恳地做记录和查看视频。结果可能会让你大吃一惊。
所有这些工具收集到的信息被用来定义问题和制定解决方案。最后,产品便具有了情感价值主张、生产力,以及从一开始就作为设计目标的易用性。
3. 专注于使你可以进行快速试验的问题解决方法
通过移情研究获得各种信息后,接着就是定义问题的艰苦工作。问题的描述方式应该清晰明了,包括谁是用户、他们想做什么、他们为何想这么做、是什么问题妨碍了他们、他们对问题有何感受。问题陈述应该有一个明确的着眼点,并能够激发快速试验。
美国银行(Bankof America)的“保存零头”服务就是一个很好的例子。起初,当该团队着手帮助客户增加储蓄的时候,他们发现问题不在于该银行的服务,而在于储蓄习惯难以改变,客户很少会主动增加存款。
利用设计思维原则,美国银行测试了不同的想法,发现储蓄过程实际上并不费事,只是需要站在用户的角度思考。最后,他们推出了一种借记卡,可以自动将每笔交易的支付金额取整,然后把零头直接存进储蓄账户。这项服务是自动进行的,而且只涉及多余的零头(不是整数),因此客户几乎不会注意到这种变化。该银行也受益匪浅。“保存零头”服务使美国银行获得了500万新客户、700万个新开支票账户和100万个新开储蓄账户,同时帮助客户总共增加了5亿美元存款。
4. 利用各种方法激发跨团队的创造性想法
在制定问题的解决方案时,要利用团队之间的交叉功能。记住,设计思维是一项团体活动。不久前,营销部门和 数据分析 还没有相互结合。随着企业内部的问题越来越复杂和隐晦,整合多个团队的观点和团队成员的不同看法对于产品的成功至关重要。获得跨团队见解的一个好办法是进行角色扮演,一个团队扮演用户,一个团队扮演产品开发者,一个团队扮演营销人员,等等。
如果你有数据科学家可供使用,各种统计学方法和回归分析法有助于发现意料之外的因素,并激发新的想法。机器学习技术和混合模型,比如决策树,能够根据重要性描绘不同的变量,这也能为设计思维过程提供依据。
5. 为了设计杀手级解决方案,让自然做你的向导
阿德里安·贝扬(Adrian Bejan)的名著《自然设计》(Design in Nature)写到,在自然界中发现的模式具有使传播范围最大化的倾向。比如,一条河分出很多支流,好让河水流经更广阔的地域。你会发现下图中的分布模式就具有这种倾向,以便更容易地进入各个位置。最好的设计方案也是一样:解决当前需求,同时为未来创造机遇。当你按照自然模式来指导设计时,最后得到的解决方案将在以后带来各种新的可能性(产品)。
房屋租赁网站Airbnb就是个很好的例子。2009年,该公司差点破产,努力想弄明白业务为什么没有起色。一天下午,该团队凝视着纽约市房源的搜索结果,他们发现,模糊不清的低分辨率照片不利于客户对房源产生好的观感。于是,Airbnb进行了一次试验。公司员工拿着相机前往纽约,为其用户拍摄房源的高清照片。在一周内,他们的营收翻了一倍。后来,Airbnb建立了一个由专业摄影师组成的庞大网络,帮助Airbnb用户拍摄漂亮的高清房源照片,不收取任何费用。作为一项额外待遇,专业摄影相当于Airbnb的正式认可,这提高了租户对房源信息的信任程度。专业摄影服务开启了交易“流”,甚至发展成为这家房屋租赁公司里的一个小部门。
就像自然界里的系统必须进化以求生存一样,如今企业面临的挑战变得日益复杂。然而,依靠适当的设计框架和上文列出的五个步骤,你可以加快产品开发过程,唤醒你身体里那股沉睡的设计力量。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14