طراحی مبتنی بر داده

در فضای پر ابهام توسعۀ محصول که به جهات مختلف در مورد کاربران و کسب و کار، با عدم اطمینان مواجه‌ایم، استفاده از داده‌ها می‌تونه مثل یک چراغ راهنما عمل کنه و پیمودن این مسیر رو برای ما که به‌عنوان طراح در این مسیر قرار گرفتیم، با شکست‌های احتمالی کمتر، یادگیری‌ها و موفقیت‌های بیشتر همراه کنه.

قبل از پرداختن به موضوع «طراحی مبتنی بر داده»، ابتدا باید با مفاهیم «طراحی»، «مسئله»، «داده» و «اطلاعات» آشنا باشیم، چون در ادامه به شناخت هر یک از این کلیدواژه‌ها و ارتباطی که با هم دارن، نیاز داریم. برای هر یک از این کلید‌واژه‌ها مقالات، نوشته‌ها و کتب مختلفی وجود داره که به‌صورت مشروح در این‌ باره صحبت کردن، اما اینجا به اختصار تعریفی از هر کلیدواژه رو مرور می‌کنیم.

طراحی: حل مسئله به صورت نوآورانه؛ در واقع ما در طراحی از دو نیمۀ ذهنمون استفاده می‌کنیم؛ یعنی استفاده از تفکر منطقی در کنار تفکر خلاقانه‌، تا هم بتونیم برای مسائل مختلف راه‌حل ارائه بدیم و هم این راه‌حل‌ها خلاقانه و نوآورانه باشند.

مسئله: آقای یان رابرتسون در کتاب «حل مسئله» می‌گه زمانی که ما وضعیت فعلی رو می‌دونیم، وضعیت مطلوب رو هم می‌دونیم، اما راه رسیدن از وضعیت فعلی به وضعیت مطلوب رو نمی‌دونیم، یک مسئله ایجاد میشه. در واقع شکاف بین وضعیت فعلی و حالت مطلوب یک فرآیند یا محصول رو مسئله می‌نامیم.

داده: گزاره‌ها یا حقایق خامی هستن که روی اون‌ها پردازشی انجام نشده و معنای خاصی ازشون استخراج نشده.

اطلاعات: داده‌هایی هستن که سازماندهی شدن و روی اون‌ها پردازش صورت گرفته و از اون‌ها معنا استخراج شده.

آنچه اندازه‌گیری می‌شود، مدیریت می‌شود. اعداد داستان مهمی برای گفتن دارند. پیتر دراکر

طراحی مبتنی بر داده
طراحی مبتنی بر داده، یک رویکرد تصمیم‌گیری برای طی کردن فرآیند طراحیه؛ یعنی با کمک داده به‌ وجود مسئله پی ببریم، مسئله رو شفاف کنیم، شروع به حل کردن مسئله کنیم و با کمک داده تاثیر و نتیجه اقداماتمون رو بسنجیم و این فرآیند رو بر این اساس تکرار کنیم و بهبود ببخشیم. اصلا بر اساس داده متوجه بشیم که به «تکرار» نیاز داریم؟! یا اینکه داده اطلاع میده که این اقدام، در حال حاضر نیاز به توسعه و تکرار فرآیند نداره!

بعضی از روش‌های حل مسئله در حوزۀ طراحی، از جمله تفکر طراحی، طراحی انسان محور و الماس دوگانه هم مبتنی بر داده هستن.

اهمیت استفاده از داده‌ها در طراحی
بدون استفاده از داده‌ها، ما با چشم بسته در مسیر طراحی و توسعۀ محصول قدم برمی‌داریم. فرآیند توسعۀ محصول در عمل، کمی متفاوت‌تر از مسیر صیقلی و شفافیه که در بعضی کتب و دوره‌های آموزشی شرح داده میشه و بسیاری از پارامترها مثل زمان، نیروی انسانی، دانش فنی، هزینه، مرحله‌ای از مسیر رشد که کسب و کار در اون قرار داره و… ممکنه اولویت اقدامات رو تغییر بِدن و در این فضای پر از ابهام و پیچیده، ترکیب داده و طراحی می‌تونه یک «چرخۀ ارزش عالی» رو بین کاربران و کسب و کار ایجاد کنه.

جمع‌آوری، مدیریت و تجزیه و تحلیل داده‌ها، ارتباطی بین طراحی، تجربه‌ کاربر و نیازهای کسب و کار ایجاد می‌کنه. این داده‌ها می‌تونن به روش‌های مختلف، از منابع مختلف و با استفاده از ابزار‌های مختلف جمع‌آوری بشن اما نکته مهم اینه که بفهمیم در هر طراحی، کدوم مجموعه داده‌ها رو استفاده کنیم و کدوم رو نادیده بگیریم.

مزایای استفاده از داده‌ها در فرآیند طراحی

• آگاهی از چرایی اقدامات
• آگاهی از نتایج اقدامات
• صرفه‌جویی در زمان!
• طراحی در راستای بهترین شیوه‌ها
• آگاهی از شکست‌ها و موفقیت‌ها
• طراحی کارآمد و موثر
• استفاده از داده‌ها برای هدایت نوآوری
• افزایش قابلیت اتکا نسبت به راه‌حل‌‌ها
• کمک به تسهیل اعتماد و همراه کردن ذی‌نفعان

زمانی که ما طراحی‌مون رو با کمک داده انجام می‌دیم، با تعریف سنجه‌ها(متریک‌ها) می‌دونیم که برای رسیدن به چه هدفی داریم طراحی می‌کنیم و خب با استفاده از داده‌ها میزان موفقیت یا شکست در رسیدن به اهداف رو هم می‌تونیم رصد کنیم. وقتی که با کمک داده فضای مسئله رو شفاف کردیم، ایده‌ها و نوآوری‌مون هم در چارچوب درستی مطرح میشن و چون در این رویکرد اطمینان و اشراف بیشتری نسبت به مسئله داریم، راحت‌تر می‌تونیم بهترین راه‌حل‌ها رو برای این مسئله‌مون انتخاب کنیم. ذی‌نفعان هم، زمانی که فرضیه‌ها و اقدامات ما رو براساس داده‌ها می‌بینن، بهتر می‌تونن به این اقدامات در فرآیند طراحی اعتماد کنن.

تجربه استفاده از داده‌ها در فرآیند طراحی رو داشتین؟
خُب جواب این سوال برای خیلی‌ها «بله» است. اگه در فرآیند طراحی مصاحبه می‌کنین، از پرسشنامه‌ها استفاده می‌کنین، گزارش‌های دریافت شده توسط تیم پشتیبانی و روابط عمومی رو رصد می‌کنین، ایونت تعریف می‌کنین و گوگل آنالتیکس یا فایربیس رو بررسی می‌کنین، منابع خبری و رسانه‌ها رو در مورد محصولتون رصد می‌کنین، تست کاربردپذیری می‌گیرین، برای رعایت فواصل استاندارد بین آیکن‌ها داکیومنت‌های مختلف رو می‌خونین، کیس‌استادی مطالعه می‌کنین، کامپوننت ثبت بازخورد رو برای محصولتون در نظر می‌گیرین، ریزش رو رصد می‌کنین، A/B تست یا A/B/C تست انجام می‌دین، جذب رو رصد می‌کنین، نگهداشت رو رصد می‌کنین، همه این‌ها رو تحلیل می‌کنین، تست ترجیحی می‌گیرین، گروه‌هایی برای بازخورد کاربران دارین، کارت سورتینگ انجام می‌دین، نقشه سفر کاربر رسم می‌کنین و… همۀ این‌ها اقداماتی هستن که نشون می‌ده طراحی خودتون رو با کمک داده‌ها پیش‌ می‌برین و این اقدامات در مراحل مختلف طراحی رخ می‌ده؛ اما لزوما به خاطر این‌ها نمی‌تونیم اسم فرآیند طراحی‌مون رو «طراحی داده‌محور بذاریم»! اینکه طراحی داده‌محور یا Data Driven Design چی هست رو در ادامه توضیح می‌دم.

لایه‌‌های مختلف نحوۀ استفاده از داده در طراحی

• طراحی Data Driven
• طراحی Data Informed
• طراحی Data Aware

Data Driven: طبق تعریف کینگ، چرچیل و تان، "Data Driven Design" به تصمیم گیری در طراحی، صرفاً بر اساس داده‌های کمّی اشاره داره. در این چارچوب، داده‌ها از اهمیت اولیه برخوردارن.

زمانی که هدف اصلی محصول بهینه‌سازی عملکرده، این رویکرد می‌تونه کارآمد باشه.

طراحی «Data Driven» به این معنیه که داده‌های جمع آوری شده، تصمیمات طراحی رو تعیین می‌کنن. گاهی اوقات، انواع سؤالاتی که تیم توسعۀ محصول می‌پرسه رو می‌تونیم با جمع‌آوری داده‌های آزمایش‌های مختلف، به طور قطعی پاسخ بدیم و در نتیجۀ اون، بهترین تصمیم طراحی رو بگیریم.

در برخی موارد، راه درست همینه؛ اما نه همیشه! در واقع اگه بدونیم که دقیقاً مشکل کجاست، دقیقا هدف چیه و یک سؤال بسیار دقیق و بدون ابهام داشته باشیم، می‌تونیم که Data Driven عمل کنیم. برای یک مثال ساده می‌تونیم به یک تست A/B اشاره کنیم که معمولا از نتیجۀ اون تصمیم نهایی گرفته میشه. این موضوع مهمه که باید روش‌شناسی و اندازه‌گیری‌ها درست باشه، و همینطور نوع سؤالی که می‌خوایم بهش پاسخ بدیم، سؤالی باشه که داده‌ها (کمّی) می‌تونن به اون جواب بدن. این متکی به درک دقیق انواع پرتگاه‌هاییه که داده‌ها می‌تونن به همراه داشته باشن و در ادامه راجع به این پرتگاه‌ها توضیح بیشتری رو ارائه می‌دم. داده‌ها اغلب به طور سیستماتیک سوگیری دارن و محدود کردن تصمیم‌گیری فقط به چیزی که می‌تونیم در حال حاضر اندازه‌گیری کنیم، اغلب جنبه‌های کلان و مهم‌تر مشکل رو از اولویت خارج و به ریسک اقدام اضافه می‌کنه. برای استفاده از این رویکرد در سازمان‌ها، محدودیت‌هایی وجود داره؛ مثلا اینکه زیرساخت مورد نیازش فراهم باشه، دانش و تخصص این حوزه وجود داشته باشه، جزو استراتژی‌ها و نگرش مدیران باشه تا بتونن با هزینه اون به لحاظ زمانی، منابع انسانی، انرژی و… کنار بیان.

در مجموع، رویکرد Data Driven به سوالات هدفمندی پاسخ می‌ده؛ جایی که داده‌ها به تنهایی می‌تونن به تصمیم‌گیری منجر بشن. ما در این رویکرد نیازی به فکر کردن برای تصمیم‌گیری اقدام نداریم، به این دلیل که داده‌ها دقیقا به ما می‌گن که چه کاری باید انجام بدیم.

Data Informed: طراحی «Data Informed» رویکردی که در استفاده از داده‌ها در فرآیند طراحی، انعطاف‌پذیرتره. در این مورد، عوامل اضافی مثل اطلاعات کیفی، تخصص، غریزه و تجربه می‌تونن در کنار داده‌های‌ کمّی در اولویت قرار بگیرن.

در برخی موارد ممکنه تصمیمات طراحی جزئیات زیادی داشته باشن یا اینکه به‌طور دقیق ندونیم که به چه چیزی باید برسیم و سوال شفافی مطرح نیست؛ در این مواقع تصمیم‌گیری صرفا بر اساس داده، ما رو به جواب درستی هدایت نمی‌کنه؛ اینجاست که از رویکرد Data Informed Design استفاده می‎‌کنیم. جایی که یک تیم توسعۀ محصول و البته یک طراح، داده‌های کمّی رو تنها به عنوان یکی از عوامل موثر در فرآیند تصمیم‌گیری در نظر می‌گیرن. در این مواقع نیاز داریم به انجام تحقیقات بیشتر، جمع‌آوری انواع مختلف داده‌های کیفی، تکیه بر تجربه و یا کمک از خلاقیت و نوآوری. مثلا در فرآیند کشف نیاز کاربران و ارائۀ یک ارزش پیشنهادی، از این رویکرد استفاده می‌کنیم.

بنابراین در طراحی Data Informed ممکنه در اون‌چیزی که می‌خوایم بفهمیم، کاملا هدفمند و مسلط نباشیم. تصمیم‌گیری در این رویکرد، نیازمند اینه که تفکر سیستمی داشته باشیم، نسبت به سوگیری‌هامون آگاه باشیم و همچنین رویکردمون اقدام و یادگیری سریع باشه. این تصمیم‌گیری کمی خلاقانه‌تر، گسترده‌تر و البته نیاز بیشتر به تکرار کردن فرآیند برای رسیدن به راه‌حل مطلوب داره.

زمانی که ما یک رویکرد سیستماتیک برای تجزیه و تحلیل داده‌ها نداشته باشیم، افتادن در تلۀ سوگیری‌ها و فرضیات ناشناخته، راحت اتفاق میفته.

Data Aware: در این رویکرد، داده‌ها ما رو از یک اتفاق آگاه می‌کنن؛ داده‌های کمّی رو در موقعیتی برابر با سایر عوامل تصمیم‌گیری قرار می‌‎دیم و در واقع در این رویکرد، صرفا ما رو از اینکه «چه اتفاقی افتاده» آگاه می‌کنن. در طراحی Data Aware خلاقیت می‌تونه پررنگ‌تر اتفاق بیفته و متوجه ‌می‌شیم که تصمیم‌های طراحی همیشه صرفا بر مبنای داده‌ها گرفته نمی‌شن، بلکه ایده‌پردازی، خلاقیت، نوآوری و تجربه، و ایجاد فرضیه‌ها هم می‌تونن در این تصمیم‌گیری وجود داشته باشن.

رویکرد برتر
برتری ۳ رویکرد مطرح شده، وابسته به عواملی مثل استراتژی توسعۀ محصول، زیرساخت داده، موردی که قراره بهش بپردازیم که آیا کشف مسئله است؟ حل مسئله است؟ توسعۀ ویژگی جدیده؟ و موارد مختلف دیگه بستگی داره و به‌صورت پیش‌فرض هیچ کدوم از این ۳ رویکرد نسبت به دیگری، برتری نداره.

کیس‌استادی‌های معتبر منبع خوبی برای بررسی روند طراحی مبتنی بر داده هستن تا ببینیم این رویکرد چه دستاوردهایی رو برای محصولات داشته. مثلا در وبسایت Growth Design می‌تونیم کیس استادی‌های خوبی رو ببینیم که به‌صورت موردی و در رابطه با بخشی از محصولات دیجیتال توضیحاتی رو ارائه می‌ده. همینطور در نوشتۀ مواجهۀ اول در پلتفر‌م‌ها، در رابطه با اقداماتی نوشتم که در نتیجۀ تحلیل «داده‌های رفتاری کاربران» انجام شده؛ اینکه هر چقدر زمان فعال شدن کاربر( Time To Active)، به زمان اولین ورودش نزدیک‌تر باشه، احتمال این‌که در یک ماه آینده به محصول برگرده، بیشتره.

همچنین حدودا ۲ سال گذشته یک وبینار از آقای تراب‌زاده رو می‌دیدم و در اون از نتیجۀ یک تست A/B گفته بودند که چطور تجربه‌نویسی(UX Writing) در مورد یک عبارت، در موقعیتی که شاید به ظاهر کم اهمیت جلوه میکنه، می‌تونه نرخ تبدیل رو متأثر کنه.

انواع داده
متخصصان علم داده، بنا به موارد استفادۀ مختلف، داده‌ها رو به روش‌های مختلف اسم‌گذاری و طبقه‌بندی می‌کنن. یکی از انواع طبقه‌بندی داده‌ها که در حوزۀ طراحی محصول کمک‌کننده است و ذهنیت خوبی رو برای طراح ایجاد می‌کنه، در کتاب «راهنمای تولید ناب» مطرح شده که در ادامه به توضیح این طبقه‌بندی می‌پردازم.

دادۀ کمّی: داده‌های عددی که در رابطه با «چه کسی»، «چه چیزی»، «چه زمانی» و «کجا» اطلاعات می‌دن. داده‌های کمّی مقیاس رو نشون می‌دن و دربارۀ دلیل موضوعات چیزی نمی‌گن. به‌عنوان مثال، نرخ پَرِش (bounce rate) در یک وب‌سایت از نوع داده کمّیه.

دادۀ کیفی: داده‌هایی که دربارۀ «چرایی» و «چگونگی» اتفاقات اطلاع می‌دن. به‌عنوان مثال، مصاحبه با کاربران برای کشف چرایی یک اتفاق، از نوع داده کیفیه.

دادۀ رفتاری: داده‌هایی که از طریق رصد رفتار و عمل کاربران جمع‌آوری می‌شن. به‌عنوان مثال، مطالعۀ میدانی در مورد یک موضوع، از نوع دادۀ رفتاریه.

دادۀ اعتقادی: داده‌هایی که از طریق عقیده و گفتار کاربران جمع‌آوری می‌شن. به‌عنوان مثال، پرسیدن نظر کاربران در رابطه با اینکه آیا از یک ویژگی خاص استفاده می‌کنن یا نه، از نوع داده اعتقادیه.

از ترکیب چهار نوع دادۀ بالا، به ماتریس زیر می‌رسیم؛

• کیفی - اعتقادی
• کیفی - رفتاری
• کمّی - اعتقادی
• کمّی - رفتاری

در رابطه با بعضی از مثال‌های ماتریس بالا، این توضیح رو باید اضافه کنم که بسته به روش جمع‌آوری داده، می‌تونن در در دستۀ دیگه‌ای هم قرار بگیرن. به‌عنوان مثال، از طریق تست کاربردپذیری، می‌تونیم علاوه بر دادۀ «کیفی-رفتاری»، دادۀ «کمّی-رفتاری» هم به‌دست بیاریم؛ یا از طریق مصاحبۀ ساختار یافته می‌تونیم دادۀ «کمّی-اعتقادی» هم به‌دست بیاریم.

این نکته مهمه که هیچ‌کدوم از انواع داده، بی اهمیت یا کم اهمیت نیستن و هر کدوم از اون‌ها در موارد استفادۀ خودشون جمع‌آوری و بعد استفاده می‌شن. گاهی با یک نوع از انواع داده به جواب پرسش‌مون می‌رسیم و گاهی اوقات نیاز به جمع‌آوری و ترکیب اون‌ها داریم. به یاد میارم در یکی از مصاحبه‌ها، یکی از کارجوها که تجربۀ خوبی هم در این حوزه داشت، ابراز کرد، داده‌هایی که از طریق مصاحبه به‌دست میان منسوخ شدن و دیگه کارایی ندارن! خُب این درست نیست و ما از انواع مصاحبه‌ها و روش‌های جمع‌آوری داده‌های کیفی برای رسیدن به چرایی و درک عمیق نیاز کاربران و ذی‌نفعان تجاری استفاده می‌کنیم.

به طور کلی، داده‌ها فقط اعداد نیستن. داده‌های کیفی، که به مواردی مثل احساسات، نظرات و مشاهدات اشاره می‌کنن، در عین حال که نمی‌تونن به‌صورت عددی بیان بشن، اما داده هستن. هر دو نوع داده ارزشمنده، چرا که مکمل هم هستن.

مسئله کیفی-کمّی واقعاً یک حوزه اشتباه درک شده در تحقیقات است، به ویژه برای افرادی که در معرض آموزش گسترده قرار نگرفته اند. دیو یتز، طراح ارشد UX در Bazaarvoice

آقای بییتس می‌گن: با موارد بسیاری مواجه شده‌ام که افراد تحقیقات کیفی را نادیده می‌گیرند، زیرا نمی‌دانند که داده‌های غیر عددی هنوز هم داده هستند.

استخدام یک طراح در سطح جهانی برای تضمین موفقیت یک محصول کافی نیست. طراحان نمی‌توانند پیش‌بینی کنند که کاربران چه می‌خواهند و چه نیازی دارند.

آقای اسپول طراح «دکمۀ ۳۰۰ میلیون دلاری» هستن و جمله معروف ««دیزاین خوب نامرئی است، مانند تهویه هوا در یک اتاق. اگر شما متوجه آن شوید، احتمالا مشکلی وجود دارد.» از ایشونه. ایشون می‌گن:

علم داده اکنون یک مهارت ضروری برای هر تیم تجربه‌ کاربری است. اگر افرادی را نداشته باشید که می‌دانند چگونه علم داده را دنبال و استفاده کنند، نمی‌توانید طرح‌های عالی ایجاد کنید. جارد اسپول.

پرتگاه طراحی مبتنی بر داده

• جمع‌آوری دادۀ اشتباه و جمع‌آوری اشتباه داده: اینکه داده‌های مورد نیازمون رو با روش و ابزار اشتباهی جمع‌آوری کنیم، یا داده‌هایی رو جمع‌آوری کنیم که هدف از جمع‌آوریشون رو ندونیم، نهایتا منجر میشه به اینکه تحلیل و تصمیم‌گیریمون بر مبنای دادۀ اشتباهی باشه و به این دادۀ اشتباه تکیه کنیم و یا هزینه و انرژی‌مون برای داده‌ای صرف بشه که نمی‌دونیم برای چه هدفی جمع‌آوری کردیم و با پدیدۀ «هدر رفت داده» مواجه می‌شیم.
• اسیر داده شدن: ایجاد تعادل بین شهود، تخصص و تجربه، موضوعیه که باعث میشه ما اسیر داده نباشیم و از نوآوری که یکی از پارامتر‌های یک طراحی خوب محسوب میشه، دور نشیم.
• عجله: برای دست‌یابی به داده‌ها و بعد تحلیل اون‌ها، نیاز به زمان داریم و گاهی با عجله کردن در این مسیر، داده‌هایی با کیفیت و قابلیت اتکا ضعیف جمع‌آوری می‌کنیم.

کیفیت داده
کیفیت، معیار مهمیه که براساس پارامتر‌هایی مثل دقت، کامل بودن، سازگاری، قابلیت اطمینان، به‌روز و به‌موقع بودن تعریف میشه و اگرچه مهندسین داده، اصول و استانداردهای مربوط بهش رو در نظر می‌گیرن، اما در داده‌هایی هم که خود طراحان جمع‌آوری می‌کنن این معیار باید در نظر گرفته بشه و در مجموع حساسیت نسبت به استاندارد بودن داده‌ها وجود داشته باشه. به طور کلی، در حال حاضر وجود محصولات و ابزارهای مختلف، جمع‌آوری و دستیابی به داده‌ها رو آسون‌تر از گذشته کرده و اون چیزی که چالش برانگیزه، کیفیت داده‌ها و تحلیل اون‌ها است.

طراحان + مهندسان، دانشمندان و تحلیل‌گران داده: حیطۀ داده، گستردگی و پیچیدگی زیادی داره و ما برای جمع‌آوری، تحلیل و نتیجه‌گیری به متخصصان علم داده نیاز داریم. تعامل نزدیک طراحان محصول و تجربۀ‌کاربری با این متخصصان، کمک می‌کنه که ما مطمئن‌تر در مسیر طراحی مبتنی بر داده قدم برداریم، به منفعت‌های این رویکرد دست پیدا کنیم و از پرتگاه‌های احتمالی دور بمونیم.

نویسنده: مصطفی فرهمند

منابع: Motamem / Designing with Data / Lean Product / Springboard
با تشکر از جناب امید میراب‌زاده و خانم شکیبا تشرفی عزیز?