京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12