本文介绍了主成分分析法（PCA）在处理多维度用户体验数据时的作用，特别是如何通过PCA进行降维并利用碎石图确定合适的数据维度。PCA方法有助于保留数据的主要特征，减少冗余信息，并在产品决策中提供支持。通过实际案例，阐述了PCA的适用场景、操作步骤以及如何解读结果，强调PCA在分析项目相关性、重要性和产品主要维度等方面的价值。
无关乎算法原理，本文将从用户体验的角度，着重分析多维度数据处理的降维方法：主成分分析法(PC A)
主成分分析法(PC A)：类似SUS，该方法能够将诸多因子如(满意度，可用性，简易性等多指标转化成低维度数据，以数字或图表的形式直观呈现)，并介绍反映维度数量与误差性关系的图表–碎石图及其算法(基于PC A)。
前文我们提到了用户体验数据化的广泛例子–系统可用性量表SUS，但是在实际用户体验研究过程中，不光是可用性测量，还涉及易用性，满意度等等其他维度的考量，甚至有些原始数据可能连有哪些维度都是不清晰的，需要研究人员来进行判断。在这种情况下，基于个人经验的判断已经无法适应，我们需要借助计算机与统计学知识来读懂数据以支持产品决策。
笔者并不是理学出身，但基于实际作业的需要，自学了相关课程，感触颇深。如果有线性代数和统计学背景自然是最好的，但是如果不具备，也完全没问题。对于这些方法，如果以产品经理的标准，我们最需要是使用好这些方法，创造价值，所以不用担心。本文将避开算法原理，而重点分析设计逻辑和应用场景。
主成分分析法(PC A)设计逻辑
回顾一下之前的系统可用性量表SUS(详情请看《浅析用户体验数据化》)，它本质上是通过投影的方式，将原本两个维度的数据(可用性与易用性)转化在单个轴上。在多维度数据处理中，其核心也是如此也是将：多维度空间的数据通过投影的方式转化在低纬度中。
线性代数告诉我们，如果是单纯的降维，有无数种方式可以进行，难的是在降维过程中ÿ
最低0.47元/天 解锁文章
712
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
