数据驱动设计

出版者:机械工业出版社

作者:[美]罗谢尔·肯（RochelleKing）

页数:225

译者:傅婕

出版时间:2018-8

价格:69.00元

装帧:平装

isbn号码:9787111605492

具体描述

本书旨在帮你了解数据引导设计的基本原则，了解数据与设计流程整合的价值，避免常见的陷阱与误区。本书重点关注定量实验与A/B测试，因为我们发现，数据分析与设计实践在此鲜有交集，但相对的潜在价值与机会缺大。本书提供了一些关于在组织中开展数据实践的观点。通过阅读这本书，你将转变你的团队的工作方式，从数据中获得大收益。后希望你可以在衡量指标的选择、佳展示方式与展示时机、测试以及设计意图增强方面，自信地表达自己的思路。

作者简介

Rochelle King Spotify产品设计创意全球副总裁，擅于融合运用设计与数据，并且曾担任一些技术企业的负责人。

Elizabeth Churchill 博士，人机交互（HCI）领域专家，曾在许多硅谷企业中主导以用户为核心的研究，近专注于设计和开发者工具方面的研究。

Caitlin Tan Spotify的用户研究员，毕业于麻省理工学院。

目录信息

序 1
前言 3
第1章 数据思维 15
数据趋势 15
关于数据的三种思考 17
数据对设计师意味着什么 22
数据结合了设计与业务 22
有了数据好友的帮助 25
假如还没有数据好友 28
本书主题 29
小结 29
回顾与思考 30
第2章 数据使用指南 31
数据的多样性 31
为什么实验 35
实验基础指南 39
A/B测试：线上实验 44
假设及其重要性 55
创造性的A/B测试 58
小结 65
回顾与思考 66
第3章 实验框架 67
实验框架介绍 68
三个阶段：定义、实施、分析 72
案例：数据与设计的合作实践 74
小结 76
回顾与思考 77
第4章 定义阶段：如何构建实验 79
开始：定义目标 80
定义问题 89
随时构建假设 93
思维发散的重要性 100
如何选择假设 108
小结 114
回顾与思考 114
第5章 实施阶段：如何将实验投入实践 115
设计学习 117
……
小结 147
回顾与思考 148
第6章 分析阶段：获得答案 149
提前评估设计 150
发布设计 151
评估结果 158
数据揭示了什么 160
发布，还是不发布 170
案例研究：PS3平台上的Netflix 177
小结 182
回顾与思考 183
第7章 营造数据感知的氛围 185
原则1：共享型企业文化与价值观 186
原则2：招聘并培养优秀人才 193
原则3：构建统一的培训流程 197
小结 207
回顾与思考 207
第8章 尾声 209
伦理思考 211
线上实验中的伦理 211
设计实验与社会实验 212
A/B测试伦理 213
核心概念 214
提出问题，思考道德因素 215
写在最后 216
附录 资料 219
· · · · · · (收起)

用户评价

这本书的排版和装帧质量绝对是上乘，拿在手里沉甸甸的，纸张的质感也很好，长时间阅读眼睛不容易疲劳。虽然内容专业性极强，但作者在某些关键概念的解释上，运用了非常优雅的比喻和类比，有效降低了学习门槛。 比如，关于“数据噪声过滤”的那一章，作者将其比喻成老式收音机调频的过程，只有当你精确地找到了那个频率，清晰的声音（真正的信号）才会出现。这个比喻非常形象地解释了为什么数据清洗和预处理工作往往比算法本身更耗费精力。更难得的是，书中对工具链的介绍并非是偏袒任何一家供应商，而是探讨了不同类型工具背后的原理和适用场景。它让你明白，技术选型不应该是盲目追逐时髦工具，而应该服务于你当前业务阶段对数据处理的需求。它引导读者建立起一种对技术保持批判性思考的能力，而不是被工具牵着鼻子走。总体而言，这本书不仅为我们提供了“做什么”的框架，更重要的是，它塑造了一种看待问题、解决问题的底层思维模式，是任何渴望在数字化时代保持竞争力的团队的案头必备之作。

这本书的章节间的过渡处理得非常巧妙，体现了作者对整个设计与数据流程的全局把控能力。它不是零散知识点的堆砌，而是形成了一个有机的整体。我注意到，书中对于“数据伦理与隐私保护”的部分着墨不多，但点到为止，足见其对现代企业责任的重视。 特别让我感到惊喜的是，书中对“定性研究”在数据驱动框架下的定位进行了重新界定。很多人一提到数据驱动，就自动代入“定量分析”的冰冷世界，认为用户的“为什么”不重要了。然而，这本书用大量的篇幅阐述了定性访谈（如用户旅程地图绘制）如何为定量数据提供必要的“语境”和“深度解释”。这平衡感把握得极好，既没有完全摒弃人类直觉和同理心，又将它们有效地锚定在了可验证的数据基石之上。这种“文武并用”的策略，才是真正高效能团队的标志。我感觉自己读的不是一本纯粹的工具书，而更像是一份高级管理层的行动纲领，指导我们如何建立一个既注重效率又有人文关怀的决策文化。

这本书的封面设计真的挺抓人眼球的，那种深沉的蓝配上简洁的字体，一看就知道不是那种浮于表面的“速成”读物。我是在一个技术分享会上偶然瞥到这本书的，当时就觉得名字很“硬核”，充满了对现代产品开发流程的深刻洞察力。 拿到手之后，我首先翻阅了目录，那排布的章节结构，简直像一张精密绘制的蓝图，层层递进，从宏观的战略制定到微观的指标监控，几乎涵盖了所有与“数据”和“设计”交叉领域的核心议题。我尤其欣赏作者在引言中提出的那个观点：设计不应是主观的艺术创作，而应是基于客观事实的科学推演。这种转变的视角，在当前很多仍旧停留在“感觉良好”阶段的行业内部，显得尤为珍贵。它迫使我们重新审视那些被奉为圭臬的“经验法则”，并用更严谨的量化标准去审视每一个决策背后的逻辑链条。我迫不及待地想深入到中间关于A/B测试的章节，看看书中是如何构建一个既能保证创新活力，又不至于因盲目试错而导致资源浪费的闭环系统的。这种对实践操作层面的细致描绘，远超出了我过去读到的那些停留在理论层面的书籍。它不是教你“做什么”，而是教你“如何系统地思考和执行”。

我发现这本书的案例分析部分非常“接地气”，它没有采用那些已经被用烂了的硅谷巨头的通用故事，而是深入到了一些更贴近中小型团队可能会遇到的具体场景中去。比如，如何在一个用户基数有限、数据积累不足的情况下，设计出第一个有效的最小可行性指标（MVM）。 这种实操层面的细节，对于我们这种缺乏海量数据支撑的团队来说，简直是救命稻草。书中提到的“引导式实验设计”方法论，不再要求你必须等到数据饱和才敢上线新功能，而是教你如何设计一个“信息密度高”的早期实验，用最少的数据量快速判断方向的对错。这极大地缓解了我们团队在创新与求稳之间的焦虑。而且，作者在描述这些方法时，总会附带一些设计者在实际操作中容易犯的认知偏差，例如“幸存者偏差”如何扭曲早期实验结果，以及如何通过预先的假设验证来抵御这种偏差。读完这部分，我立刻回去梳理了我们上个季度失败的一个小项目，发现果然是犯了书中提到的某种经典的“认知盲区”错误。这是一本真正能够帮助你避免重复犯错的实战手册。

这本书的行文风格极其凝练，几乎没有一句废话，这点非常对我的胃口。我读了很多号称“方法论”的书，结果往往是东拉西扯，把简单的概念包装得复杂无比。但《数据驱动设计》不同，它像一位经验极其丰富的工程师在给你做Code Review，直指痛点，直给方案。 我花了整整一个周末才啃完了关于“指标体系构建”的那几章。让我印象深刻的是，作者并没有直接给出“必须用哪些指标”，而是提供了一套构建指标体系的思维框架——从业务目标倒推可量化的行为指标，再到如何避免“指标陷阱”（比如著名的皮尤悖论）。很多时候，我们收集了海量的数据，却不知道如何将它们有效地转化为决策信号。这本书清晰地指明了这条路径。它不仅是关于技术层面的数据采集和分析，更是一种关于如何“定义成功”的哲学探讨。读到后面，我甚至开始反思自己过去项目中对“用户满意度”的定义是否过于模糊和笼统。它让人有一种醍醐灌顶的感觉，仿佛打开了一扇窗，看到了一个更清晰、更少噪音的决策环境。对于任何身处产品迭代一线，却又感到数据迷雾重重的人来说，这本书的价值无可替代。

设计师可以读，如果是数据分析师，或者熟悉ABTest的PM读起来会觉得太简单了。

专有名词一大堆，看是真看不懂

一本面向用户设计师群体的书，简单的事情用了非常多的大道理进行阐述。这对于做技术的我来说并没有任何收获。

不知道原文的问题还是翻译的问题，反正读起来特别难受，感觉不是在说人话。然后内容不深，概念倒是造了一堆。

初学者读完此书可能仍然不知道如何操作，可对于有数据经验的人而言，本书针对数据思维模式的几点总结还是比较到位的，可惜整书逻辑有点凌乱