1 月 UI/UX Taipei 筆記：以使用者為中心的 UX 實踐 — 講者分享篇
一月的 UI/UX Taipei 主題是「以使用者為中心的 UX 實踐」，分別由女人迷設計師 Merci 分享如何在團隊內培養使用者中心文化、懶人背單字 Vocabulazy 創辦人 Sojier 講解如何創造質量兼具的 Persona。
不像以往平均分配講者時間，這次我們把講者分享拆成十分鐘「閃電短講 Lightning Talk」與長達一小時的「深度分享 Deep Sharing」兩個部分，希望大家有更紮實的收穫～
UI/UX Taipei 2018 January@womany
Merci：如何推動以使用者為中心的文化
「使用者」聽起來離大家好遙遠，到底該怎麼做才能在團隊裡培養出「以使用者為中心的文化」？女人迷設計師 Merci 分享了三招我們每天實踐的心法：
- 對齊價值觀
讓全團隊知道使用者文化是什麼、為什麼重要。女人迷會透過像是「女人迷小學堂」的內部課程，引用自家實際案例說明，讓團隊夥伴學習「設計思考」、「使用者體驗」的概念。 - 鼓勵分享，真實見證
我們在 Slack 上開設了一個使用者頻道專門用來放使用者回饋，不但開放給所有人觀看，也鼓勵團隊成員一起分享看到的使用者見證。例行會議上 Merci 也會定期分享使用者的回饋，營造一種使用者隨時都在我們身邊的氣氛。 - 擴大參與，身歷其境
除了設計師，我們也鼓勵其他團隊成員參與使用者訪談。畢竟，比起冷冰冰的訪談報告，實際面對面接觸使用者往往更能讓大家了解使用者的感受。 - One More Thing
培養團隊文化是場長期抗戰，一定要堅持不懈持續運行，使其成為習慣。
Tips：越讓團隊感到切身相關，越能讓大家同理使用者，認同「以使用者為中心」的文化。聯絡方式
「工作是愛的顯現。（Work is love made visible.）」 — — 紀伯倫（Khalil Gibran）
Sojier：從質性到量化的 Persona
隨著時代的演進與行為的複雜化，我們演化出了不同的客群分類法：傳統行銷的 Marketing Segment、UX Persona、Data Segment⋯⋯方法太多記不住沒關係，只要記住：沒有最好的分類法，只有最適合你家產品的。
Marketing Segment 和 UX Persona 差在哪？
- Marketing Segment
一種傳統行銷切分客群的方法，包含年齡、地區、收入、職業、興趣等描述。例如 BMW 的客群可能長這樣：男性、主管階層、高收入。 - UX Persona
完整的 Persona 必須包含痛點、行為流程、目標。例如 Google Map 其中一種客群可能長這樣：路痴 → 找到地點 → 規劃路線 → 導航前往 → 到達目的地。 - 差異處：一層行為 vs 多層行為
行為的複雜度會影響分類客群的方式。例如 Google Map 上發生的行為，顯然比 BMW 複雜許多，這種時候就很難用單一描述涵蓋該產品的所有客群。行為的層數也是硬體時代與軟體時代最大的不同。
Tips：有時候我們也會把 Persona 加上像是「媽媽」、「高中生」這樣的客群描述，出於兩個原因，一是為了補充為什麼客群會有某些目標；二是為了在公司內部和團隊溝通，形象化可以讓團隊更好想像。如何用數據調校 UX Perosna？
- 為什麼不能只靠訪談擬定 Persona
光靠訪談定義 Persona，容易受到極端表現影響，導致 Persona 與實際情況不符。用行為數據可以驗證 Persona 是否準確，並輔助我們決定產品開發重點。 - 如何用數據驗證 Persona
把每種 Persona 共通的行為流程列出來，並用行為數據驗證 Persona 最常使用哪些功能、每種 Persona 占比多少等。
範例 1：懶人背單字
懶人背單字是一款標榜「沒時間看，就用聽的背單字」的產品，原先假設的 Persona 類型有：
- 用睡眠學習法背單字
- 通勤時背單字
- 低工作負荷時背單字（洗衣服等）
- 以上 Persona 的共通點：在特定的時間使用這個產品
找出「在特定的時間使用這個產品」的共通點後，他們參考業界常用的「鯨魚曲線」繪製出每種假想 Persona 的活躍狀況，再與使用者實際使用狀況做對照。
鯨魚曲線的橫軸是時間，縱軸是在線的用戶數量。可以看到深夜是使用者最不活躍的時間（都在睡覺），接著在線使用者數量會隨時間慢慢攀到高點。
如果是睡眠學習法的 Persona，就會在睡覺時間上線使用產品；如果是通勤背單字的，就會在通勤時間使用（廢話）⋯⋯畫出不同 Persona 最可能使用的時間後，跟實際產品的使用數據比較，得出了以下結果：
比對上圖與剛剛的三種 Persona，可以看出使用「懶人背單字」這款產品的人大多屬於「通勤時背單字」的類型。如此一來，就能集中資源，努力針對通勤族優化產品了～
範例 2：Poke5566 雷達
Poke5566 雷達可以不受地理限制，看到全台灣寶可夢的分布狀況、剩餘時間等，是許多 Pokemon Go 玩家心目中的抓寶神器。
原先團隊假設使用 Poke5566 的人大部分都是男性，女性應該只佔了 5%。與實際數據比對後，發現女性其實佔了 25%！於是團隊上街實地訪查，發現實際上使用 Poke5566 的情境是：
原來抓寶的人很多是男女一組，分工是男生騎車、女生幫忙看手機。
這個觀察讓團隊激發出了一個創新點：如果把 Poke5566 做成線上交友媒合平台，是不是有看頭？
雖然最後沒有把這個想法實踐，但這個案例證明了：數據可以幫你找出盲點、甚至挖出創新點！
複習一次用數據驗證 Persona 的步驟
- 把 Persona 列出來
- 把每種 Persona 的行為流程列出來
- 把共同行為列出來
- 找出共同行為的數據比對
- 找到各種 Perosna 比例
- 找到創新機會
最後一哩路：數據分群 Data Segment
就算已經訂定了嚴謹的 Persona，如果實際收集數據時都把大家混在一起，這樣也無法針對不同客群進行產品優化。
這時就需要數據分群（Data Segment），包含行為事件數據、行為流程、產品瀏覽紀錄、外部數據等。建議善用 Google Analytics 的「新增區隔」、「條件篩選器」等功能協助分堆數據。
分群後的數據，可以用來：
- 與假設比較
- 客群間互相比較
- 部分客群跟整體比較
聯絡方式
「質量兼具 → 迭代假設 → 更加決策 → 優化產品 → 創新機會」
下半場 Panel Q&A 紀錄請見：1 月 UI/UX Taipei 筆記：以使用者為中心的 UX 實踐 — Q&A 篇
看完這篇文章，如果你想：【單純給我們鼓勵】請幫我們拍手 1-5 下
【看到我們寫更多「UI/UX」類文章】請幫我們拍手 6 下以上
【有其他建議/想許願文章類型】請留言在底下
