Когда мы думаем о науке о данных, машинном обучении или искусственном интеллекте, мы часто думаем об этом как о чем-то, что не имеет ничего общего с нашими повседневными разработками. Может быть, некоторые дизайнеры даже опасаются, что ИИ возьмет на себя нашу работу, поскольку все больше компаний создают услуги ИИ-дизайнеров.
Однако Data Science не так уж далека от UX, и, честно говоря, UX и Data Science преследуют одну и ту же цель - обнаруживать поведение пользователей. Дело в том, что Data Science работает с количественной точки зрения, тогда как UX работает с (относительно) качественной точки зрения.
Вице-президент по креативным продуктам Netflix, Рошель Кинг, - одно из громких имен в индустрии дизайна, которое пропагандирует важность использования данных в повседневном дизайне, и Netflix извлекает из этого большую пользу. .
Для Рошель данные - это синоним «информации о ваших клиентах».
Как она объяснила, данные поступали во многих формах, есть «большие» данные, такие как результаты A / B-тестирования, которые вы получили от миллионов клиентов, но есть также «маленькие» данные, такие как результаты, полученные вами в ходе интервью, наблюдений и т. Д. и так далее.
Наверное, многие из нас уже попробовали, каково интегрировать данные в наши проектные работы. Такие инструменты, как Google Analytics, предоставляют такую информацию, как события нажатия, демографические данные, которые помогают нам, как дизайнеру, лучше понимать пользователей. Иногда мы также работаем с разработчиками, чтобы внедрить A / B-тестирование в продукты и выяснить, какой дизайн лучше всего подходит для пользователей. Все это примеры использования данных в наших проектных работах.
Данные позволяют дизайнерам получить три типа знаний:
- Описательные знания
Наиболее общие знания, которые вы хотели получить при запуске сеанса исследования пользователей. Объясните, что произошло. Почему пользователь нажал именно эту кнопку, а не другую? Почему пользователь покинул страницу? Кому нравится этот дизайн? - Прогнозные знания
Эффективны для улучшения продуктовой стратегии. Зная причину - ›следствие, говоря, что произойдет, если вы реализуете этот дизайн, известно, что ваши клиенты будут делать дальше. - Синтетическое знание
В отличие от предсказательного знания, знающий эффект - ›причина. Чтобы ответить на такие вопросы, как «Я хочу, чтобы пользователи сделали это, как я могу этого добиться?»
Мой рабочий процесс
Имея достаточно знаний о том, что на самом деле означают данные в UX, давайте рассмотрим реальный пример того, как я использовал алгоритмы машинного обучения для определения поведения пользователей и улучшения стратегии продукта.
Прежде всего, я перескочил с данных на машинное обучение, новое модное слово в отрасли. Если вам интересно, какие отношения между ними, рекомендую прочитать эту статью. Но в любом случае, в оставшейся части этой статьи я объясню, что это такое и как использовать его в ваших исследованиях пользователей.
Несколько месяцев назад я работал на платформе онлайн-обучения для школьников K-12, и, поскольку наша платформа собирает много серверных данных от пользователей (таким образом, пользователи полностью отслеживаются, когда они используют нашу платформу), наш владелец продукта был интересно, можем ли мы создать образ пользователя, просто загрузив данные в алгоритм машинного обучения.
Но почему я? Потому что я пришел из информатики, и им нужен специалист по данным, который имеет некоторое представление о UX, чтобы быть уверенным, что результаты не будут иметь ничего общего с личностью пользователя.
Вам нужно иметь образование в области информатики, чтобы справиться с этим? Может быть, немного, так как вам нужны базовые знания как в Data Science, так и в UX, но я объясню больше об этой технике, и вы сможете понять это сами.
Вот шаги и инструменты, которые я использовал для создания образа:
Шаг 1. Изучите набор данных
Точно так же, как вы должны сначала понять своих пользователей, прежде чем создавать какой-либо продукт, вы должны сначала понять свои «наборы данных», прежде чем что-либо делать.
Большинство компаний хранят Gitbook для документирования структуры базы данных и значений каждой таблицы и столбцов. Это важная информация для всех, кто обращается к базе данных, поскольку вы должны понимать каждое «имя» в базе данных, чтобы понять, что вы действительно хотите от него делать.
Шаг 2. Определите цель
Поняв свой набор данных, определите свою цель.
Вам нужно будет знать, какова ваша цель, чтобы вы могли решить, какой набор данных вы собираетесь использовать. В моем случае моя цель - понять, как студенты используют нашу платформу для помощи в учебе и в какой ситуации. Поэтому в моем случае я должен изучить все наборы данных и таблицы, в которых хранится информация о студентах.
Шаг 3. Очистите данные
Я считаю, что это самая сложная, но и самая важная часть.
В большинстве случаев ваша база данных довольно сложна, и вам не понадобятся все эти данные или столбцы для достижения вашей цели. Таким образом, специалист по данным обычно очищает данные, прежде чем делать что-либо еще, включая удаление данных, которые вам не нужны, выборку данных и преобразование данных во что-то, что вас интересует.
Например, в моем случае есть столбец с именем «Exercise_false_true», который из документации по базе данных я вижу, что первая переменная «Exercise» обозначает тип «письменной викторины» вместо «видео», второе «ложь» означает, используют ли пользователи платформу дома или нет, третье «истина» означает, находятся ли пользователи в режиме миссии или нет (работает назначенный учителем).
В этом случае, чтобы помочь себе, я бы преобразовал столбец во что-то вроде «WrittenQuiz_AtHome_IsMission». Таким образом, его намного легче читать.
В этой части вам, возможно, придется тесно сотрудничать с специалистами по данным и попросить их экспортировать интересующие вас данные. В качестве альтернативы вам придется изучите некоторые базовые кодировки SQL, чтобы узнать, как запрашивать данные из вашей базы данных.
Шаг 4. Применяйте машинное обучение с мышлением UX
После того, как у вас есть очищенные данные, вы можете начать использовать алгоритмы машинного обучения, чтобы играть с вашими данными и визуализировать их.
Для этого не нужно кодировать!
Если вы знакомы с языками кодирования, такими как R или Python, вы можете кодировать, если хотите, но я рекомендую загрузить программное обеспечение для интеллектуального анализа данных на основе Java Weka, которое представляет собой предварительно созданное программное обеспечение со всеми различными алгоритмами машинного обучения, оно позволяет вы можете обучить эти данные и увидеть результаты прямо в программе, просто нажимая кнопки. Прочтите эту статью от Уилла Бадра, если хотите освоить Weka.
Здесь я только объясню алгоритм, который я использовал для создания этого образа: Кластеризация K-средних.
Алгоритмы кластеризации используются для категоризации различных данных.
На языке UX - алгоритмы кластеризации помогают находить разные группы пользователей менее чем за минуту.
Кластеризация K-средних позволяет нам определить количество «K», и в соответствии с этим количеством K алгоритм покажет «K» групп пользователей. Поэтому, если вы считаете, что на вашей платформе есть три типа разных пользователей, вам следует определить K как 3, и алгоритмы автоматически разделят три группы пользователей с разными характеристиками.
Вот пример данных о недавних продажах таблиц: данные включают возраст (годы), средний размер покупок таблицы (квадратные дюймы), количество покупок в год и сумму за покупку (доллары). Мы получаем следующий результат, когда запускаем его с помощью алгоритма K-средних.
Обратите внимание, что числа 2, 3, 4 - это числа K, которые вы определили, часто вам придется тестировать разные числа K и выяснять, какое из них больше всего соответствует вашей ситуации. Например, на изображении выше вы обнаружите, что крайний левый график с K = 2, похоже, не содержит достаточно информации, которую мы хотим. Мы видим, что есть две группы клиентов, одна представлена ромбовидной формой, а другие - прямоугольной формы. Из графика видно, что покупатели в форме ромба потратили больше всего, и большинство из них - люди среднего возраста (45–60 лет).
Когда вы увеличите K до 3 и 4, клиенты прямоугольной формы будут разделены на более мелкие сегменты, и вы сможете найти больше информации о них. Например, для K = 4 вы увидите, что клиенты в возрасте от 30 до 40 лет и в возрасте от 50 до 70 имеют аналогичные характеристики, поэтому вы видите, что они имеют одинаковую форму (прямоугольную).
Тестирование чисел K - вот где следует применить наш UX-образ мышления; нам нужно изучить характеристики, которыми они обладают, и знать, сколько типов клиентов подходят для нашего продукта. Лучший подход - иметь уже несколько персонажей и использовать алгоритмы машинного обучения для проверки и поддержки.
Сочетание науки о данных, машинного обучения и UX никогда не бывает легким делом. Часто вы не сможете сделать это в одиночку, и вам потребуется помощь специалистов по данным. Но по мере того, как мир данных продолжает расти, количественный анализ пользователей предоставит гораздо больше полезной информации о ваших пользователях.
Лично я считаю, что лучший способ - использовать качественные исследования (интервью, наблюдение, юзабилити-тестирование), чтобы объяснить, почему что-то происходит, а затем, если это достаточно важно, потратьте некоторое время на использование количественных методов (машинное обучение для определения поведения пользователя ) и узнайте, сколько? Как часто? Как много? из них происходят
Вы будете удивлены, когда начнете совмещать науку о данных в своем путешествии по исследованию пользователей. Это настолько мощный инструмент, который может рассказать вам практически все о ваших пользователях.
Но, конечно, применение науки о данных к процессу исследования пользователей не всегда возможно, и я считаю, что должны быть соблюдены следующие критерии:
- Достаточно пользовательских данных (1000 пользователей недостаточно и того не стоит)
- Иметь хорошо документированные структуры данных (чтобы любой мог понять имена столбцов)
- Выберите в качестве партнера хорошего специалиста по данным / Изучите некоторые инструменты
- Найдите время для изучения данных (изучите это!)
- Способен применить свой UX-образ мышления к данным :-)
Источник:
Объяснение описательной, прогнозирующей и предписывающей аналитики, Halo, 2020. [Online]. Доступно: https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/. [Доступ: 18 февраля 2020 г.].
