不少人喜歡談做設計要讓資料說話，但對於什麼才是資料驅動的設計，往往莫衷一是。甚至在同一個團隊中，由於收集的資料質量不一，理解上有差異或缺乏共同語言，單就是關於如何定義資料這事，都很難達成共識。無論哪家網站或是APP，都有一套標準做法，包括 站點分析，A/B 測試，調查問卷，監聽，跑分測試，可用性評分，人種學研究，訪談等等。那麼資料意味著什麼？更重要的是，如何運用資料來指導設計呢？
誤區 1：資料就是數字
當進行站點分析的時候，大量的資料湧入進來，站點分析基本上是對訪客量，他們如何跳轉進來，在頁面上停留了多久，以及點選了哪些東西的計數。或者像是 A 和 B 被點選了多少次。更多的資料。然後通過監聽和問卷調查來評分。又是更多的資料。
數字能代表一個人複雜生活中的一系列動作。但是把成百萬的使用者匯聚成一個簡單的數字，並非總是有用而可信的。即使公司掌握了這些資料，還是無法解答那些關於使用者體驗的問題，比如使用者為什麼這樣操作而不是那樣，或是他們的感受如何，以及他們期望怎樣的使用者體驗。而使用者訪談，人種學研究，可用性測試彌補了計數資料的不足。但是由於定性的觀點往往不依賴資料，那之前收集的資料又沒有了用武之地。
在其他領域，比如社會科學和醫學方面，無論是小數字，或是厚資料（Thick Data），無論是敘述性或是量化的都是根據資料得出的。這是對用資料驅動設計來說是值得學習的。
關於資料的確切定義應該是那些無論來源於哪裡，由使用者產生並可以用來指導設計的東西。
誤區 2：資料就是客觀真理
定量資料通常是對於使用者操作行為的記錄，而這些計數工作通常是由軟體而不是人完成的。這就使得資料看上去是客觀事實。
雖然資料量很大，並不代表它是客觀的。這是對於資料的固有偏見。資料是人創造的，只有人會解釋和分析資料，而執行資料的機器也是人來控制的。
訊號偏見（Signal bias）——或稱之對於偏見的忽視，或強調——都是一個常見的偏見，尤其是關於大資料。比如，社交媒體的資料只能顯示某一部分使用者群——那些 在 Twitter 或是 Facebook 上發表意的人 。同樣的，那些同意參與觀察實驗和使用者研究的人也只能代表一小搓使用者。
另一種偏見類似於海森伯（Heisenberg）測不準原理，結果已經在你的觀測中改變了。在可用性測試中，無論你的實驗環境和協調人員時多麼中立，當你開始觀察使用者行為，一切都已經改變了。幾乎沒有一種研究，包括情境訪談和人種學研究，都不能完全隔離使用者。這個問題在定量研究中也同樣存在，像是問卷調查和監聽，我們都是通過詢問使用者問題來研究使用者體驗的。
資料驅動設計已經不在是演算法設計、自動化、A / B測試和站點分析的問題了。
而且，我們把線上調查同現場調查做比較，前者不接觸使用者，後者是讓使用者和協調人員或另一個使用者交流，我們發現當有另外一個人在場時，使用者使用網站或應用程式時態度往往會更積極。比如他們如何評價，如何打分，以及操作嘗試等。我們稱之為積極因子（nice factor）。
無論大小，沒有資料是完美的。任何型別的資料都有其限制和偏差。但是好的資料會描述其誤差，並總能展現當時的情境。
誤區 3：越大越好
總有人鼓吹大資料有著揭示一切人類祕密並預測未來的神奇力量。不過得承認，單對資料來講，確實是量越大越好。如果你在衡量一些具有主觀性問題，比如人們對自己情緒變化的評價，得到的反饋越多，你對結果的信心就越足。
而我們想要獲取更多的資料，就會考慮用計數的方法：數量與速度僅僅是大資料的一部分。大資料是具有多樣性的，因為資料來源也是多種多樣的。我們不能期望從站點分析中得到比使用者測試帶來的更多關於使用者行為的一切知識。我們應該關注如何結合使用各種資料，而不是把精力放在後端整合上。我們要做的不僅僅是生成有意義的分類（categories）——或者叫指標（metrics）——哪些只是為了評估、推斷和跟蹤。
根據不同來源的資料能繪製出一幅更細緻的圖景，並能產生更具操作性指導。我想說，來源越廣範而不是越大，才越好。
誤區 4：管理人員才關心資料，設計師不在乎
資料通常被用來判斷一個網站或APP的效果（比如，資料顯示最近一次改版導致了轉化率的下降）。當然這時，會導致使用者體驗設計從業人員的極力反抗，或者乾脆否認資料。當然，很容易找到資料指導明智決策的例子，無論是解決內部鬥爭，還是運用反常規的方法，或者用投資回報來證實。就算證明這些觀點的正確性，也不過是資料的一部分。
如果你想運用資料來指導設計，你需要三種方法：事實證明，改進完善，和探索發現。運用資料去改進完善指的是用資料指導迭代——跨時間和版本的跟蹤或是針對於競爭對手。探索發現指的是尋找資料之間的關聯性，發現規律和趨勢。
但問題是，資料的使用是孤立的 （中文版） ——領導手裡拿著一種型別的資料，而使用者體驗團隊手裡的又拿著另一種。每個團隊的參考系不同，要麼自己沒意識到，要麼覺得別人手裡的資料不可信。
資料不是用來證明誰對誰錯的，而是用來改進問題和發現新可能性的。資料只是通過科技手段來講述一個真實存在的使用者故事。
誤區 5：資料抹殺創新
資料有時又被看做是創新的對立面。主要有三種觀點：
1.無論何種資料，網站分析也好，調查資料，或是客戶服務資料，都是對過往的回溯。 儘管我們發現了某種規律或趨勢，但基於這些發現做出預測也並非易事。
2.資料是戰術，而不是戰略。想想谷歌的41種深淺不同藍色測試（ 41 shades of blue testing）。資料驅動與 A / B 測試結合，對於調整設計元素是個不錯的方法，但可能無法帶來令人驚豔的體驗。
3.資料，特別是站點分析，有點像蜻蜓點水。看到人們點選什麼，或者滾動了多長，或在那裡駐留，對於指導產品營銷倒是很有幫助。但是對於設計的指導效果並不太好，因為它缺乏有關使用者動機、預期、認知或情緒的資訊。
通過觀察當然能帶來一些事實。但核心問題不是資料本身。而是如何使用它。
對於所有資料指導設計必須對其複雜性進行校準。使用者體驗的事並非是水到則渠成的。
誤區 6：一定有用資料指導設計的通用法則
目前為止，不同的組織和團隊之間還沒有形成統一的規範。不過下面的指導原則你可以參考一下。
◎使用來自各種資料來源的資料指導設計： 站點分析、A/B 測試、 社交媒體關鍵字、客服日誌、銷售資料、問卷調查、訪談、可用性測試、情境訪談以及其他研究。
◎包含數字和情境。無論你怎樣命名，定量或定性，研究或非研究（non-studies），大資料或厚資料（ thick data），你需要數字和情境結合來反映真實的情況。確保資料對於人類體驗的複雜性是敏感的。謹慎得使用平均數，大膽假設，小心求證。
◎隨著時間的推移用資料來跟蹤變化，探索新的模式，深入分析問題，而不僅僅是為了證明誰對誰錯。
◎選定有意義的分類（categories ），讓你從資料中發現關於使用者體驗的故事。
◎找到一種在組織中分享和討論資料的形式，在一開始定義資料時就一起討論。
資料驅動設計已經不在是演算法設計、自動化、A / B測試和站點分析的問題了。相反，我們的目標是利用所有資料更好的理解使用者日常的體驗。
來源：uxmag.com