数据主宰下的产品设计

数据主宰下的产品设计

当数据驱动融入产品设计，会产生什么样的效果？目前，越来越多的互联网公司都在用数据做设计决策，保留数据效果好的持续进行设计与实验，无限寻找商业与设计的平衡点，数据究竟如何主宰产品设计？一起来看看本文分析。

2009年Google做了这样一个试验：用41种蓝色作为链接色，呈现在搜索结果页中，追踪它们带来的点击率，最终色值#2200CC脱颖而出。据报道，该色值相较于其它蓝色，每年多为Google带来2亿美元的利润，可谓相当可观。

数据结果显示，链接色越偏向绿色效果也就是他们的核心数据越差，越偏向蓝色效果效果越好。

这不是个例，全世界许多互联网公司，包括58，都在做着类似的事情——用数据来做设计决策。线上同时跑着许多版控制变量的测试方案，制定一个核心数据指标，有可能是点击率、停留时长或是日活跃用户数，保留数据效果好的那一版继续设计与试验，无限寻找并趋近商业与设计的平衡点。这便是数据驱动设计的一个缩影，它概括了数据在这类产品中的主宰地位。

一、提高与挑战

看到Google的链接色试验，结合日常工作中数据的地位，难免会提出这样的疑问：为什么不测试第42种蓝色？为什么只测蓝色，而不测其它颜色？

下图也是一个有关于颜色的案例，绿色与红色两个开始按钮，进行AB测。绿色在国际上都与顺畅通过有强烈的隐喻连接，而红色往往代表着错误与禁止。但是最终数据显示，红色按钮版本的转化率要优于绿色21%。不知道这样的结果，是否能支持了这个产品将红色按钮推全量。

为什么公认的更好的设计方案，最终数据不一定好看？数据至上的大环境下，我们是否会逐渐失去对产品的直觉判断能力？用户的每个决策简化为一个简单的逻辑动作，这背后一定是科学正确、无懈可击的么？

要解答这些问题与挑战，需要先搞清数据驱动设计的优势所在。

二、生存的土壤

数据驱动设计之所以能够有生存的土壤且不断发展，总结市面上的沉淀，有以下几点：

1. 利于团队理解

一般来讲，产品的核心价值导向是抽象的，为产品制定核心指标的过程就是将它具象的过程。具体的核心指标，相比于一个抽象的价值观，更有助于整个团队的理解。

2. 拥有可操作性

核心指标制定后，能够有相应的公式对指标进行拆分，而拆分后的指标可以指导团队在各个环节去不断优化，具有很强的可操作性。

3. 符合产品节奏

许多互联网产品，由于市场环境也好、企业基因也好、产品生命周期也好，都希望小步快跑去快速迭代。数据驱动的产品，方便快速试错，不断调整方向。

4. 便于向上管理

广义的向上管理，包括个人对leader的汇报、项目组对高层的总结，甚至创业公司对投资机构的宣讲，这些场景有数据的加持，会使工作进展、项目成果、发展潜力更可被感知，从而争取更多的资源倾斜。

三、数据陷阱

数据驱动固然有它的优势，但这不意味着它是完美的理论。

1. 核心数据难制定

产品制定核心数据的过程，必然伴随着近似与误差。因为没有绝妙的数据指标能够完全等同于产品给用户带来的价值。

举例来看，一款交友产品中「用户在这儿玩得开心」是核心价值，那么核心数据是用户停留时长、互动信息数量，还是App打开次数？如果用户停留时长高，但仅打开过一次手机意味着什么；如果用户频繁打开手机却没来往过几条信息又是什么场景；如果用户信息数量很多，但每天多次只打开不回复社交信息，那ta是怎样的用户？

可是这些数据乍一看都是「玩得开心」的近似代表，却都有它们自己的局限。这就告诫我们一定要注意数据陷阱。

2. 避免虚荣指标

设计工作中，会出现数据指标有所提升，但最终产品收益不大的情况。其原因可能在于虚荣指标。虚荣指标Looker创始人Lloyd Tabb把虚荣指标与明确指标的差异总结如下：

举例，对于家服平台来说，58到家App并不是像其它C端用户一样只要登录就可以，用户需要在线完成购买服务的流程，才能称之为活跃用户：找服务、选服务、完成购买并完成线下服务。所以通过签到领奖励等运营手段带来的打开、注册/登录行为只是一些数据，除了为当天增加一个日活外，没有更多作用。所以App下载量、注册登录用户数便是58到家的虚荣指标，下单量才是精准指标。

3. 代入到更宽广的层级

设计一样东西通常需要把它置于它所属的更大的环境中来衡量，这是我从建筑师Eliel Saarinen的设计理念中学到的东西。互联网短短发展数十载，但是人们对于设计的探寻已经绵延千百年。建筑学——更是集概念性、落地性与时间沉淀于一身的学科。非常值得借鉴学习。

建筑学如此，互联网产品的设计也如此。部分数据未能真实反应产品使用的情况，可能是因为没有把小的设计环节放置在整个流程中 → 没有把设计流程放置在整个产品的使用中 → 甚至，再进一步——没有把产品的使用放置在用户的日常手机使用中。如果我们在更长更广的视角去看待设计环节的数据驱动验证，很可能发现那个关键数据只是整个链条中的小小切片。它只能反应上下游关系，而无法真正地指导整套设计方案的产出。

举例，58到家App首页的feed模块，上线了双栏内容穿插sku，与单栏场景化sku的灰度测试。预想中，后者能够为目标不明确的用户打造许多场景化的需求温床，促使用户根据场景提示来完成下单。

数据情况：之前该该环节的核心数据定为了点击率，这就没有做到把这个小的设计环节放置到整个流程当中，也没有选用最核心的数据——即订单转化率，来衡量这个设计的好坏。如果仅看点击率，后者效果不佳，但如果看订单转化便扳回比分。

再结合用户体验的直觉与经验：场景化sku的用户心智引领路径过长，不适用于若干行列表的呈现方式，会造成用户的疲劳感。相信后续针对后一版本的优化会取得较好的效果。

还有些情况，一个核心指标确实无法反映设计的好坏，可以尝试增加二级指标，这也是代入到更大层级的一个方式。

举例，假设58到家有20%的用户是我们判断的高价值用户，他们贡献80%的收入。那么我们在针对与收入相关的核心指标做版本迭代时，会不断向着20%的用户倾斜。但是剩下80%的用户，他们可能对于产品的增量拥有更大的想象空间，在优化核心指标的同时，可能会牺牲掉产品长远发展的可能性。

所以增加并观测有关80%非核心用户的二级指标，争取达到短期效益目标和长期增长目标的双保险。

四、其它驱动

经过上面的分析，我们发现数据驱动设计这件事本身，有利有弊，如果要做得科学有指导意义，难度并不小。那现行条件下，是否有其它驱动能够将其代替？假说驱动、理论驱动、直觉驱动以及神经营销学等等都是与之并列的驱动方式。其中直觉驱动与数据驱动最为不同。

1. 直觉驱动

罗翔老师讲刑法，说有些同学学了法之后，就失去了人性，失去了老百姓都懂的朴素价值观。做设计一样，我们判断一个设计好坏的时候，如果代入了太多复杂的设计方法论、数据验证理论、产品营销思维，就容易忘掉最朴素的设计直觉与价值判断。

2. 神经营销学

有关神经营销学，有一些耳熟能详的典故，如可口可乐与百事可乐的盲测。推荐TED演讲《神经营销: 消费者决策的新科学 Neuromarketing: The new science of consumer decisions 》，内有详实的案例。

3. 最重要的关卡

最后回到产出设计方案的人——设计师自己。在发出交付邮件的那一刻，是否感到骄傲；上线后的某一天是否会很开心看到自己的设计；年终总结时是否愿意把它提交到团队的设计年鉴当中。这些问题的回答如果都是肯定的，我想这个设计不会差。

回到最初的41种蓝色，无独有偶，2010年Microsoft的Bing也做了类似的试验。最终确定了该搜索引擎的链接色——#0044CC。据报道，如果把额外的广告点击量和用户参与度考虑在内，每年能增加8000万美元的收入（考虑到Bing的市场份额远小于Google，Bing链接蓝的收益增长，从百分比来看要高得多）。

看到这里，你是否对这两个互联网巨头的试验结果产生了一丝怀疑，Google与Bing的用户，是否有如此大的差异，以至于这两个冠军蓝色看起来截然不同？有没有一种可能，人类的社会活动、心理状态以及使用产品时辅助做决策的潜意识等等这些，根本无法用数据去概括与总结？那数据驱动设计的根基，是否不复存在？

这让我想到老友记中，Phoebe让Ross这个古生物学博士，对进化论产生了动摇。当Ross松口后，Phoebe对他说「How are you going to work tomorrow?」

回到设计，这篇文章充满自相矛盾的假说与推演，既没有自圆其说，也没有明确立场。只是希望能够信马由缰地把有关数据的一些思考记录下来。接下来，你将用什么作为你的设计驱动?