【Data x Design】材料、筆記、心得
目的：蒐集關於資料科學與產品設計有關的素材，萃取精華，筆記記錄，Reference 內容多為其他文章中作者的文字，並非原創，如有冒犯，敬請告知
Reference
Rochelle King: The complex relationship between data and design in UX
《Designing with Data》
如何用數據輔助產品設計？ — “Designing with Data” 讀書摘要 (上篇) 設計與指標 (下篇) 實驗設計與執行
透過數據分析與質化研究找出產品的問題點 — whaosecall 實戰經驗
Note
執行前
Know the difference between data-informed and versus data-driven — Andrew Chen
Data Aware
從策略性的思考數據可以帶來什麼樣的資訊，如何可以藉此找到達到目標的路徑
Data Informed
設計過程中的一項參考元素，故產出不一定是一個確定的設計方案，反而是藉由數據的資訊，讓我們建立其他研究方向。藉由額外的數據資訊來限縮問題的範疇，屬於探索的階段。
Data Driven
定義問題和目標的範疇，數據是協助我們決定最後選擇哪一個設計方案。
Data Aware > Data Informed > Data Driven
以上三種思維的涵蓋範疇依序為Data Aware>Data Informed>Data Driven，意即如果前者沒有做到，後者也無法完成。
在開始蒐集數據前，必須要先回答：為什麼要蒐集數據？你想要了解用戶哪方面的資訊？
behavioral data：蒐集行為相關的數據
affect data：蒐集情感相關的數據
依照數據蒐集的時間區段，分為兩類：
longitudinal data：像影片，記錄一段時間同一群用戶的行為
snapchat data：像照片，記錄一個時間斷點下用戶的行為
依照數據性質，可以分為兩類：
Qualitative data：質化資料
Quantitative data：量化資料
在某些易用性測試上，可以採用Small sample research的方式，只要5個受試者就可以告訴我們85%的易用性問題
分群
人口特徵資料：不同的用戶群體對於產品可能有不同的反應，或是依照他們各自的需求，感受到不同的體驗。
對產品的經驗分成新用戶和既有用戶：既有用戶對於產品有一定的了解和使用習慣，在進行A/B test時會造成偏差，因為他們需要時間來改變習慣，適應新設計。（Learning effect）
實驗的衡量指標(Metrics)
Key metric：關鍵指標
Proxy Metrics：間接指標
Secondary Metrics：次要指標
我們要先定義出衡量的關鍵指標是什麼，而這指標和商業的成功有關。有時候關鍵指標的衡量會需要就久的時間，這時我們可以透過一些替代的指標(Proxy Metrics)
除了主要指標以外，也可以根據對用戶心理的洞察或是產品市場的了解來設定一些次要指標 (secondary metrics)
→ 類似於落後指標、領先指標的關係
指標注意
盡量包含整個產品服務的全貌 (Getting the full picture)
注意互相衝突/競爭的指標 (Be aware of competing metrics)
指標會隨著時間變動，需要隨時回頭檢視 (Metrics change over time)
→ 我認爲我們家的產品，目前指標僅在商業上有大顆粒的解析度，例如Lv1 funnel，但在產品上，可能要有一套使用者流程的指標，這部分可能會是 User Journey Map x Data 的切入點
實驗架構
1.定義一個你想要達成的目標。
2.聚焦範疇
3.建立假說
4.設計實驗
5.分析結果
開始執行
實驗設計三階段
定義 (Definition)
執行 (Execution)
分析 (Analysis)
A/B test 實驗前要注意的點：
Effect size/Minimum Detectable Effect (MDE)：在實驗前我們會先設定好多大的差異(Effect size)才算有意義
sample isze：決定有效的樣本數
P-value：顯著性
Hypothesis：假說，確認要證明的因果關係
Exploration stage vs. Evaluation stage：純粹摸索學習或是要用來下決策
市面上有許多 SaaS 服務提供產品實驗的工具
Optimizely (跨平台)
Apptimize (Mobile App)
Google Optimize (Web)
Google Firebase (Mobile App)
質化分法 + 量化方法 = 更有效率的學習
量化研究能讓我們清楚地發現哪裡有問題、有什麼問題，質化研究則能更有效地幫助我們找到問題的發生原因。兩者搭配得當，就能高效率的從使用者身上得到學習。
第一次易用性測試 (usability test)
第一次量化實驗 (A/B testing) — 探索方向
第二次易用性測試 — 配合原型測試 (usability test with prototypes)
第二次量化實驗 — 優化細節
→ 類似這樣的測試，就要知道什麼時候用量性、什麼時候用質性，建立一個原則，讓團隊知道執行手順
Todo：
- 建立第一版 User Journey Map
