欢迎光临杭州彩商数据科技有限公司!

什么数据才有价值?怎样收集和处理?终于有人

出彩生态圈

无论你在何种类型的企业就职,我们都希望你将打造最佳用户体验作为最重要的目标与挑战。

 

用户群体的差异很大,他们的经历、能力及预期都将影响并驱动他们的行为。如果仅依赖直觉,即使最优秀的设计师与产品团队也难以打造符合所有场合、所有用户的完美体验。

 

通过高效的实验方法收集用户数据,将在用户行为多样性、相似性、差异性及设计对用户影响等方面获得大量洞察。

 

实际上,实验是一种与用户对话的方法,能了解用户的想法。收集实验数据有助于落实“用户至上”的理念,并且在打造最佳体验的前提下进行设计决策。

 

 

01 

 数据的多样性 

 

本文将利用一个形象的比喻帮助阐述一些概念与场景。我们发现,通常一个强有力的比喻有助于生动传达某些概念的内涵,而真实案例有时难以做到这一点。有时,相比搜集真实的案例,简单的示例更适于当下的情形。

 

所以我们邀请你扮演夏令营的拥有者。每年,你将迎接大约200名儿童,并将与他们一起远足,开展户外活动,一同进餐。由于夏令营的规模很大且活动丰富,一些营员的反馈也许不能代表整体营员的感受。

 

夏令营已运营了一些年头,每年都有一些老营员光顾,但这毕竟是在做生意,你希望能够持续吸引更多新成员。夏令营是一个循环往复的过程,这也解释了你为何希望采用新方式来改进夏令营的体验,进而提升你的业务。

 

提起数据,我们只单纯指那些可被收集、衡量或分析的碎片信息或信息集合。我们的目的不在于讨论数据本身,而是使你认识到数据对了解用户的价值。比如老营员不喜欢过多食用绿色蔬菜,对制定夏令营运营计划的你而言,这是否算是一则有用的信息?

 

常听有人争执于一些数据比另一些更具价值。但我们认为,与其说存在所谓的最佳数据,不如说能最大化帮助你获得所需信息的数据即为最佳。

 

为此,我们将介绍一些(而非全部)数据的不同维度,而不再一一深入赘述各类数据或其收集方法。

 

 

02 

数据的不同维度 

 

数据与设计的讨论中假如不涉及数据维度的讨论,便是不完整的。介绍这些是要向你说明,具有不同优缺点的数据类型适合于不同的业务场景及目的。

 

因此,你需要判断哪些数据可用,哪些不可,以及这些数据类型是否适用于待解决的问题。这一系列需要思考的问题总结一下便是:为什么收集,何时收集,如何收集,收集量是多少。这些问题有助于你理清所要收集的数据维度与类型。

 

1. 为何收集数据?

 

首先,你要想清楚为何收集数据。换句话说,你希望从数据中获得哪些信息?

 

也许你十分想了解用户的行为习惯简单来说,行为就是用户做了什么,或采取了哪些行动。比如,假设你刚刚在应用程序中推出了一个新功能,你想了解用户能否找到这个功能,以及会在什么情况下使用它,那么你需要考虑用户行为数据的收集。

 

通常,这非常便于衡量与检测行为。实际上,人类行为的用户研究员常说,相比一个人说了什么,你应当相信他的行为。然而,仅仅观察行为并不能告诉你用户行为背后的原因,或是他们的感受。

 

可能你也想要了解用户的态度与期望。比如,假如你对行为好奇,便会思考用户是否会点击按钮。相反,假如你在衡量用户态度,你可能会思考,用户点击按钮前对点击结果的期望是什么。你可能想要了解什么结果符合或违背了用户的期望。

 

最后,你可能想要了解用户的感受。这类数据反映了用户的情感状态,是一种“效应”数据。你可能会思考,用户是否信任你的企业或品牌?是否对新的注册流程感到不安或满意?

 

与行为数据相比,观点态度与情感数据的收集更难摆脱主观因素而不失偏颇。一个常见的问题是,用户通常希望提供“正确回答”,因而,他们会告诉你所希望听到的答案,并非自己的真实想法。这称作社会期许反应偏差或默许偏差,许多技术手段可以有效避免这种情况。

 

虽然存在种种难题,但观点态度与情感类数据对于打造良好的用户体验非常关键。即使每个用户都会点击新按钮,但假如点击后的结果与他们的期望不符,用户便会感到失望,也会失去对产品和品牌的信任。

 

 

2. 何时收集数据?

 

除了考虑数据内容,也要考虑何时收集它们。拆分成两种便是:纵向数据与快照。

 

首先,数据收集的时间间隔是多少?纵向数据来自同一名用户一段时期内的数据(周期可能是几天、几个月甚至几年),使你能够了解在这段时间内用户的改变、调整适应与学习进步。你能够了解以往的经历如何影响着未来的经历,这为你的数据分析提供了背景信息。然而,你的分析必须等到周期结束,同时数据收集也必然将花费更久的时间。

 

假如将纵向数据比作一段视频,那么快照便是一张图像。相比了解用户的行为变化,也许你只想了解用户使用产品的其中一种情况。这种数据能够被更快地收集(你可以一次性观察上百名实验参与者,而你将需要花费两年时间观察并研究一名用户的行为),但会缺失一些信息,诸如用户先前行为对后续行为的影响,以及一段时间内用户的行为变化。

 

另外,需要考虑数据收集的环境,是真实场景中还是孤立场景想象一下,在通勤时间,用户在拥堵的地铁上试用令人着迷的手机游戏,与他们在办公室——一个安静私密的空间——使用这款游戏之间的差异。在孤立的环境中收集数据有助于控制那些可能影响或改变用户使用行为的因素。

 

你很明白,若干用户同时测试,环境将不会对他们的体验产生任何影响。但是,用户完全不可能在安静而隔离的温室中使用产品。上下文数据可以反映设计在“原始环境”——一个嘈杂混乱、充满挑战与干扰的真实世界——中的真实情况。

 

 

3. 如何收集数据?

 

根据问题的不同类型,数据可被分为定性数据与定量数据。定性数据用以阐述诸如“为什么”或“为什么如此”的问题。这类信息能够被观察或捕捉,但不能以量作为衡量标准。在设计过程中,定性数据有助于建立起用户同理心,了解用户的想法态度、观念、价值观和需求。

 

相比而言,定量数据通过数量来阐述观察结果。定量数据适用于回答“多大量”或“多少量”的问题。可在设计流程中使用定量数据来衡量一些固定指标,如日活跃用户(DAU)或用户留存率(在所定义的两个时间段内继续使用产品或服务的用户占例,比如,横跨两种业务时)。

 

另外,可以通过自述报告或观察收集数据。自述报告的数据包含询问用户的问题及用户的一些回答。相比询问用户,观察用户行动或行为能够获取观察数据。如前面所述,自述报告的数据也许不太客观,因为用户可能会给出我们希望了解的内容,而非他们真实的想法或行为。但有些类型的数据(比如观点态度或情感数据)难以通过观察获取。

 

最后,根据想要获得的信息深度或事先想要了解的信息量,可以选择收集封闭式数据开放式数据在访谈等场景中收集封闭式数据时,人们进行提问或观察。当发现一些有趣或令人困惑的信息时,进一步询问用户行动的原因。

 

相比之下,在调研等开放式方法中,假如数据比较特别或不清晰,则难以继续深入了解行为原因或意图。封闭式数据要求观察者跟踪观察或进行访谈,了解信息并通过询问澄清疑惑。

 

相比之下,开放式调研需要更多的前期投入(设计调研问题必须谨慎而专业,避免系统偏差或干扰用户,因为这些难以澄清),但由于无须安排人员跟踪每个阶段的调研,这种方式使大规模数据收集变得容易。

 

此外,开放式调研确保了每位调研对象获得近乎相同的调研体验,不会受到行为细微差异的影响(比如,不同的调研者会采用不同的措辞或略有差异的语序进行发问)。

 

 

4. 收集多少数据?

 

最后还剩一个问题,收集多少数据才足够实际上,这是一个相当难给出答案的问题,本文将简要提及一些。这个答案很大部分依赖于根据所要收集的数据类型与最终目标所做出的决策。

 

想象一下,你工作的桌子旁有一块地毯。一天,你看到某人因地毯的一块隆起而绊了一下。你会一直等到10个、100个甚至更多人都绊倒在同一处时,才会考虑抚平这块地毯吗?当然不会。

 

这与如何看待软件缺陷问题的情况一样——当你发现了一些软件/硬件配置问题,虽然不确定多少人面临同样的问题,但你会修复这个问题。这个原则同样适用于设计的可用性问题。包含少数参与者的研究(通常叫作“小样本研究”)可以完美说明此类问题,你无须量化问题人数来确认问题是否是由设计引起的。

 

比如,图2-1指出,由5个被测试者即可确定85%以上的可用性问题。假如调研更少的用户,你同样可以在相同时间内获得更丰富、更深入的数据信息。

 

然而,在某些类型的小样本研究中,你无法保证研究发现适用于总体中的每一个个体。同样,你也无法采用更高精度的方法量化到底多少用户将遇到相同的问题,或产生相似的感受。这意味着,小样本研究不适用于某些决策比如,确定某个问题的产生概率。

 

▲图 2-1:随着更多用户的参与,从每个后续用户中获取的信息量在逐渐递减。绝大多数人(包括NNG,本图表的发明者)都赞同,可用性测试只需5名用户参与,便可使你不费吹之力注1发现85%以上的可用性问题

 

相比而言,从大量参与者收集的数据(通常被称作“大样本研究”)可以提供更加精确的量化及频率信息:多少人存在相同的感受,以及执行某种操作的用户占比是多少等。理想的环境中资源是无限的,你可能认为尽量多地收集数据总是最好的选择,这确保你掌握全部信息。

 

然而,你可能没有时间以这种方式进行研究。通常,样本量越大,得到的结果越能够代表整体情况(只要样本具有代表性)。一些统计学方法可以用来确定进行数据收集的用户量,以保证结果达到一定的可信度。

 

我们不再深入讨论更多细节问题,假如你想了解更多,建议与你的数据分析师或数据科学家进行沟通,探讨关于样本大小和统计规模之间的关系。

 

03 

 有什么工具能收集数据? 

 

最好的工具是既卖货,同时又能收集数据。这大概就是目前新零售最好的解释了。杭州彩商数据科技有限公司CEO郑金松,深耕电商业数十年,对此深有体会。

 

他认为,新零售是以消费者体验为中心大数据驱动的泛零售形态。它依托于互联网,多角色运用大数据、人工智能等创新技术手段,强化对消费者需求的洞察和链接,共同开创价值创造,从而对品牌、商品供应链、流通与全渠道销售过程进行升级改造,进而孵化和重塑业态结构与生态圈,并对线上线下服务和体验进行深度融合的零售新模式。

 

至于应该如何通过科技创新来赋能新零售呢?

 

他举例道:今天我给大家分享这样一个场景:A同学今天聚会,花了600元在附近专卖店买了一瓶品牌酒,付钱时老板还提醒他随时可以验证真假,而且还会有惊喜。拿回家后A同学发现瓶子上有个一物一链防伪标签,上面写着:防伪验证,假一赔十,还能领红包。于是,A同学拿起手机扫码验证后确实领到了100元红包,并且可以马上跳转到对应的商城进行消费抵扣。同学们到场后开始品酒,畅聊,称赞好酒,A同学倍有面子,并分享不用担心假酒和领到红包的意外惊喜,B同学好奇也扫码订购,而且还有折扣优惠,酒足饭饱,同学们各自愉快回家。没过一会,A同学收到这样一条短信:恭喜您,基于您的分享贡献,获得平台红包奖励20元,祝您购物愉快!于此同时,专卖店老板也收到一条短信:老板,来新订单啦,请及时安排发货!

没过多久,新闻报道:A同学购买的那个品牌酒的厂家全国新增了500多个连锁专卖店,拥有庞大的流通大数据,市场估值净增百亿!

于是,客户更愉快地买到更实惠的真商品,商家的生意也越做越红火,这,应该就是科技创新带来的新零售价值吧。

 

看似简单,其实背后是一整套智能化营销系统在支撑,经过分析,首先,厂家通过品牌数字化,产品数字化,营销数字化,交易数字化,生产数字化,管理数字化等数字化基础建设,再通过系统化将多个角色,多个环节,多层利益分配,多种消费场景进行标准化有序串联,从而对品牌、商品供应链、流通与全渠道销售过程进行升级改造,在生成过程中叠加智能化设备对产品进行标签化智能仓储管理,集合在线商城平台化为消费者提供全方位线上化的服务体系。最后结合消费者的需求,通过智能手机工具化简单操作与一物一链商品入口即时链接,让商品自己会说话,自己会销售,就能享受新零售带来的全新购物体验。

 

 

他最后表示:我们彩商一直有个梦想——让天下的生意好做,更出彩!

 

为了让消费者杜绝假货,我们独立研发了一物一链区块彩链入口技术,解决了市面上容易被仿制的黑白二维码安全隐患问题,叠加区块链技术确保有效防伪的同时,构建全球彩商生态圈智能营销系统,通过数字化、系统化、标准化、智能化、平台化、线上化、工具化、标签化助力传统中小企业八化共建赋能新零售,共同推进数字经济发展。

区块彩链核心技术

1.入口安全、有效防伪溯源:

黑白二维码开源技术随意生成、标准混乱、容易仿冒;

一物一链区块彩链闭源技术确保入口唯一性、标准化、区块链分布式加密不可篡改性保障防伪溯源真实有效。

2.智能营销、大数据价值:

黑白二维码颜色单一、功能单一,无法带动效益;

一物一链区块彩链全彩设计、品牌形象好,智能化营销系统提升产品销量,积累用户大数据,创造数据资产价值。