استفاده از ماشین لرنینگ در فرآیند تحقیقات تجربه کاربری

وقتی درباره علم داده(دیتاساینس)، ماشین لرنینگ و یا هوش مصنوعی حرف میزنیم، اغلب فکر میکنیم که هیچکدوم ارتباط خاصی با طراحی روزمره ما ندارن.

حتی گاهی اوقات خیلی از طراحان نگران این هستن که هوش مصنوعی در آینده شغلشون رو ازشون میگیره!

با این حال دیتاساینس خیلی از تجربه کاربری (UX) دور نیست و اگر بخوام صادقانه بگم در واقع هدف دوتاشون یه چیزه :

" کشف رفتار کاربران "

با این حال دیتاساینس از جنبه کمی و تجربه کاربری نسبتا از جنبه کیفی کار میکنه.

روشل کینگ (Rochelleb King) یکی از ارشد های محصول خلاق در نتفلیکس و یکی از نام های بزرگ در طراحی صنعتی از اهمیت استفاده از داده در طراحی روزمره دفاع میکنه و میگه که نتفلیکس هم خیلی از این موضوع بهره میبره!

برای روشل داده مترادف با عبارت " اطلاعات درباره کاربرانه"

روشل توضیح میده که داده ها به اشکال مختفی وجود دارن، گاهی داده های بزرگ مثل نتایج A/B که از ملیون ها مشتری به دست میاریم و گاهی داده های کوچیکی داریم که نتیجه مشاهدات یا مصاحبه های کاربری هستن!

حتمن قبلا توی کارهاتون ترکیب و استفاده داده ها در طراحی رو دیدید!

ابزار هایی مثل گوگل آنالیتیکس اطلاعاتی مثل کلیک کردن روی رویداد ها، اطلاعات جمعیتی و ... که به ما کمک میکنن به عنوان یه طراح دید بهتری نسبت به کاربرانمون داشته باشیم!

گاهی با انجام A/B تست در محصولاتمون میفهمیم کدوم طرح برای کاربرانمون مناسب تره.

همه اینا نمونه هایی از استفاده داده در تجربه کاربری هستن!

داده ها به ما کمک میکنن تا سه نوع دانش رو کسب کنیم :

دانش توصیفی :

مثل این: که چرا کاربر صفحه رو ترک کرد؟ چه کسایی طراحی رو دوست دارند و چه کسایی ندارن ؟چرا کاربر روی دکمه دیگه ای کلیک کرد؟

دانش پیش گویانه (یا پیش بینی کننده) :

این دانش برای بهبود استراتژی محصول موثره!

دانستن علت --> تاثیر

مثل گفتن این که در صورت اجرای این طراحی چه اتفاقی میفته؟ مشتریان چه کار میکنن با محصول؟

دانش مصنوعی :

دونستن اثر(هدف) --> علت

که در مقابل دانش پیشبینی قرار داره! برای پاسخ به سواله که من متمایلم کاربر این کار رو بکنه چطور به این هدفم برسم ؟

اما بریم سراغ مراحلی که برای پیاده سازی دیتاساینس باید انجام بدیم :

1- ساختار(dateset)یا مجموعه داده هاتون رو درک کنید

همونطور که قبل از ساختن هر محصولی باید کاربراتون رو بشناسید، قبل از انجام هر کاری باید داده هاتون رو درک کنید و بشناسید.

هر فردی که به دیتاست دسترسی داره باید با مفهوم اسم ها و نام گذاری ها آشنا باشه تا بتونه با داده ها کار کنه.

2-هدف رو مشخص کنید

باید هدفتون رو تعیین کنید و بدونید با هر دسته از داده ها چه کاری میخواید انجام بدید.

3-داده هاتون رو مرتب و پاکسازی کنید

این مرحله ضروری ترین و پیچیده ترین بخش کاره شماست.

در بیشتر مواقع، دیتاست شما خیلی پیچیده است و برای رسیدن به هدفتون نیازی به همه داده ها یا ستون ها ندارید. بنابراین یه دانشمند داده معمولاً قبل از انجام هر کار دیگری داده ها رو پاکسازی میکنه، که این کار شامل حذف داده هاییه که برای شما مهم نیستند و یا نمونه برداری از داده ها و تبدیل داده ها به چیزی که بهش نیاز دارید.

4- پیاده سازی ماشین لرنینگ با رویکرد UX

توی این مرحله میتونید از الگوریتم های ماشین لرنینگ برای بازی با دیتاهایی که دارید استفاده کنید.

معمولا الگوریتم های clustering(خوشه بندی) کاربرد زیادی توی تجربه کاربری دارند.

در تجربه کاربری، الگوریتم های خوشه بندی به شما کمک میکنن تا گروه های مختف کاربران رو خیلی سریع پیدا کنید.

یکی از الگوریتم های خوبی که میتونید استفاده کنید، الگوریتم k-mean هست.

ترکیب علم داده، ماشین لرنینگ و UX هیچ وقت کار راحتی نیست اما با رشد هر روزه دنیای داده ها، آنالیز و تحلیل کاربرا از دید کمی میتونه اطلاعات مفیدی رو درباره کاربرانمون در اختیارمون بزاره.

یادتون باشه استفاده از دیتاساینس همیشه ممکن نیست و لازمه های خودش رو داره !