[每天改變一個觀點] 文章選讀 059 量化使用者體驗研究與資料分析有何不同？

✍溫馨小提醒：這篇文章有長，雖然我全部翻成中文，建議可以先看文章的大綱和我標黑體的重點，快速掌握這篇文章的內容後再看細節。最近我使用這個方法看書，效果也不錯。

---

當我們介紹自己是量化使用者體驗研究人員時，人們經常會對我們頭銜中的 “量化 (quantitative)”部分感到好奇。他們提出的一個問題是，我們的工作與產品分析師或產品資料科學家的工作有何相似或不同。我們希望這篇文章能夠提供一個全面的答案。

共同點

這種困惑是可以理解的。首先，我們都喜歡資料。我們受過訓練，可以利用各種不同的資料來源進行量化分析，包括實驗、調查和記錄的行為。我們兩個群體中的許多人，都來自社會心理學、統計學、電腦科學和經濟學等量化學科，這些學科幫助我們透過大量資料來推動洞察力，提升團隊對產品使用的理解。

在Facebook，資料分析和使用者體驗( UX ) 研究團隊有著相同的使命，即解釋我們在資料中觀察到的現象。我們都專注於對資料、變數之間的關係以及對資料中的變化或模式的解釋做出有意義和可解釋的推論。相比之下，機器學習工程師和其他大數據角色的人則專注於盡可能準確地預測未知數）。

兩組人都使用相同的主要工具：統計學。我們用 R、Python 或 SPSS 等資料分析軟體編寫程式碼。我們花大量時間探索和視覺化資料，以推動我們假設的生成。我們使用 R 和 Python 中的程式庫來視覺化更複雜的資料點關係。我們還需要具備Presto 和 Hive 等分散式資料儲存系統的知識（使用這些工具時，一些 SQL 知識通常就足夠了）。我們的大部分工作最終都會以簡報的形式出現，希望能清晰簡潔地傳達我們的成果。

然而，這兩種角色之間也有根本性的區別。以下是量化使用者體驗研究和資料分析之間的4大區別。(注：這些區別是受我們在Facebook工作的影響，未必都適用於所有地方。)

1.以人為中心(Human-Centric ) vs. 以業務為中心(Business-Centric)

一家技術公司要想有好的表現，就必須堅持不懈地關注改善業務指標和讓使用者滿意這兩個方面。洞悉指標如何以及為何發生變化，有助於公司打造更好的產品，並成長其商業價值。瞭解使用者–他們的動機、他們的體驗以及產品如何融入他們的生活–也是至關重要的。

量化使用者體驗研究提供了關於人的洞察力。使用者體驗研究人員經常帶著這樣的問題來進行研究專案。人使用這些產品的動機是什麼？人們是如何感知和使用產品的？他們在情感上和身體上對產品有什麼反應？他們喜歡和不喜歡的具體功能是什麼？產品在他們的日常生活中扮演什麼角色？

另一方面，資料科學家們通常從詢問與產品在市場上的表現或預期表現有關的問題開始。一個產品功能如何改變行為指標，如點選或花費的時間？我們在各種裝置上獲得了多少產品的採用？哪些功能被使用，哪些功能被放棄？

儘管動機問題不同，但資料科學家和量化使用者體驗研究人員有相似的工作流程，因為他們收集和分析資料，以發現技術和人之間的重要互動和關係。

2. 使用者意圖( User Intent ) vs. 使用者行動 ( User Action )

使用者行動( User Action ) 告訴我們正在發生的事情–例如，他們點選某項內容的次數，他們回到應用程式的頻率，或者他們在網站上花費了多少時間。

而使用者意圖( User Intents ) 則是關於使用產品的人和(沒)有產品功能之間的關係。例如，在10次點選中，有多少次是出於興趣，有多少次是由於沮喪？是什麼讓使用者重新回到應用程式中，他們的感受如何？他們花在網站上的時間有多少是良好的花費時間，又有多少時間是花在了尋找找不到的東西或試圖弄明白一個不直覺的功能上？

資料科學家們不太關心這些問題，而是關心基於使用者行動或不行動的指標和集體表現。他們感興趣的是使用者訊號的時間、種類和幅度–比如瀏覽量、點選率、花費時間和流失率。

使用者體驗研究人員，包括量化研究人員，主要是想了解人們是如何使用我們的產品的，他們可能會遇到什麼問題，以及什麼東西對他們有不同的作用。量化研究人員試圖透過他們收集的資料中的模式來洞察人們使用產品的意圖。他們還嘗試使用自我報告(self-reported)資料（調查）或行為資料來衡量體驗品質。

資料科學家們更關心的是有多少人使用了一個新功能，以及他們在使用後做了什麼，而使用者體驗研究人員的目的是瞭解有多少人在不同的情境下使用了該功能，是什麼促使他們使用該功能，以及他們對該體驗的感覺如何

3. 推理(Inference) vs. 預測的準確性(Prediction Accuracy)

與資料科學家一樣，量化使用者體驗研究人員可能會使用大量的統計工具從資料中收集洞察力。雖然這兩個群體使用的主要工具套件大致相似，但每個群體使用工具的方式都不同，因為他們追求的目標不同。

與使用者體驗研究人員相比，資料科學家更多的是為了提高模型的預測準確性。(最準確的模型是黑箱機器學習模型，它們的本質是很難解釋的)。

使用者體驗研究者更多的時候是出於推理。在很多情況下，我們不是為了預測未來的現象，而是為了更好地理解體驗或行為的基礎因素。這也是為什麼UX研究者更多地使用社會科學模型的原因，這些模型的可解釋性更強，但預測精度較低。

4. 分析調查資料(Analyzing Survey Data) vs. 記錄的行為資料(Logged Behavioral Data)

在資料科學中，活動日誌(activity logs)是資料的主要來源。量化使用者體驗研究人員會綜合使用日誌資料和自我報告(self-reported)的調查資料。根據研究問題的不同，我們可能只使用一個資料源，或者結合多種資料收集和分析方法。

分析調查資料需要採用與分析日誌資料( log data )不同的方法。為了準確理解調查資料，量化研究者必須考慮調查設計和資料收集流程，並建立模型。因此，調查資料通常採用某種形式的迴歸分析，其中調查設計元素被納入模型中。對於活動日誌資料，資料科學家通常認為這些資料收集要素是可以忽略的。

日誌資料( Log data )往往比調查資料大幾個數量級。因此，過擬合(overfitting)和演算法速度是從日誌資料中學習的關鍵問題，而這些問題通常不會在分析調查資料時出現。雖然迴歸模型也用於分析日誌資料，但資料科學家經常使用涉及正規化的方法來處理資料大小帶來的問題。

攜手合作

儘管資料科學和量化使用者體驗研究之間存在真正的差異，但毫無疑問，在許多情況下，這兩種角色幾乎可以互換。但它們也可以高度互補，充分利用不同的背景和技能。事實上，在Facebook，一些最有影響力、最令人滿意和最有成就感的研究專案都是兩者之間的合作。

對這兩個群體的需求沒有消退的跡象。關於技術與人的關係的有意義的研究問題的數量和種類，保證了資料科學和量化使用者體驗研究將繼續並行存在，推動業務和技術向前發展，更好地服務於人。

雖然我們已經分享了一些量化使用者體驗研究和資料分析的相似或不同方式，但我們的觀察受到我們組織的背景和工作性質的影響。我們歡迎大家進一步討論這兩個角色在其他組織、領域的作用。作為一名量化使用者體驗研究者或資料科學家，你會解決什麼樣的問題？我們很想聽聽你的意見–請在下方留言!