Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Data-driven User Experience Design

Data-driven User Experience Design

Data-driven User Experience Design at UI/UX Night @ Yahoo!

Steven Hsieh

May 28, 2016
Tweet

More Decks by Steven Hsieh

Other Decks in Design

Transcript

  1. Gogolook Sr. Product Planner, Growth Team HTC Sr. Engineer, Data

    Insight Management StorySense Web Developer & Project Management Hi, I’m Steven
  2. 一切的基礎:Event tracking Level_Up Share_Score Unlock_Achievement … Add_Payment_Info View_Item Add_Into_Cart …

    Add_Friend Post_Photo Join_Group … First_Launch Start_Session Sign_Up Update_App Share_App … ... Receive_Calls Block_Calls Report_Names …
  3. 工具 和 案例 Make it your own way • 同樣的作法在不同的產品上不一定有效

    • 思考別人為什麼這樣做,為使用者創造什麼價值或感受 • 參考別人的 why,嘗試自己的 how
  4. From>> http://unbounce.com/a-b-testing/shocking-results/ 目標: Button clicks A. B. 90,000 Views 6583

    Clicks 7.31% CTR 10,000 Views 775 Clicks 7.75% CTR Join Join 11 of your friends already did 實驗是否成功? (轉換率是否較好?)
  5. From>> http://unbounce.com/a-b-testing/shocking-results/ 目標: Button clicks A. B. 90,000 Views 6583

    Clicks 7.31% CTR 10,000 Views 775 Clicks 7.75% CTR Join Join 11 of your friends already did 95%信心水準下 差異不顯著
  6. 節錄自:@tempofeng 前輩 (產品開發週刊 #19) - https://pdwtaiwan.ongoodbits.com/2016/02/17/issue-19 原文: http://conversionxl.com/inconclusive-ab-test-results/ (05.29) 補充:當

    A/B Test 的結果沒有顯著差異的時候該怎麼辦? *再分群用戶 觀察一下不同的用戶分群,看看會不會在某些分群之中會有一些群體的活動是顯著差異的。要注意分群之後的取樣數還是需要 足夠才行。 *該繼續測試或放棄該測試? 如果測試的東西很簡單或是沒有很強的動機或假設在背後支持,則可以考慮直接放棄,如果測試的結果沒有完整地驗證測試背 後的假設,則可更進一步做更多的測試。 如果一直會得到沒有顯著差異的結果,可能要檢討測試的假設與策略是否有問題。 *沒有顯著差異的結果對我們有幫助嗎? 就算是得到沒有顯著差異的結果,有時候也可以學習到東西。如雖然結果不顯著,可是仔細分析後發現對某分群還是有效或是 會影響用戶的某些行為,那還是可以帶著新知識修正測試再試幾次。 有時候沒有顯著差異的結果代表刪去法,如跑三個不同價格的測試($29,$35,$39),可是測試結果差不多,那當然就可以 選用價格高的結果。 *檢驗其他非目標的指標(Micro-Conversions) 有時候雖然得到沒有顯著差異的結果,可是提升了其他非目標的指標。如果分析後覺得有效,那可能還是可以留下實驗組的結 果或是更進一步測試。 *預設回到對照組比較好 如果得到沒有顯著差異的結果可是又沒有理由要繼續,那一般大家做法就是回到使用對照組,除非實驗組真的特別喜歡。
  7. Test Everything – 文案 A. B. C. 現在回報名稱, 下次大家就可辨識 現在回報名稱,

    保護你的家人朋友 現在回報名稱, 幫助自己也幫助別人 目標: 回報率
  8. Demographic Cohorts Age Gender Location Income Education Occupation … ...

    過去資訊來源主要來自於主流媒體(報紙、電視),生長在同樣時間、區域,受相同教育、做相同職業的人 們,容易有相差不遠的價值觀和行為模式。使用人口統計學來分群,容易分析世代或地域間的不同。
  9. 35 yrs Taipei 75 yrs PinDong Who’s your power user?

    近年網路發達,資訊來源相當廣泛,就算是同年齡層、同性別、住同區域的人們,也很可能會有極不同的 生活方式、行為、價值觀。因此,只用人口統計學的特徵來分群,不容易把有相同行為的使用者切分出來。
  10. Takeaways • 案例只是參考,做你自己的實驗! • Data 要能轉化為 行動 • 實驗前設立 觀察指標

    以及 行動方案 • 善用 Behavioral cohorts • 小心數字陷阱 • Test everything!!