我们如今有这么多各式各样的互联网工具, 互联网给我们带来了这么多用户和数据, 这是好事, 也有副作用。
世界上能访问用户数据, 并根据数据做分析和改进的公司, Google 是其中翘楚, 这种 data-centric 的做法做过了头, 也有悲剧发生:
Douglas Bowman 曾经是Google 的视觉设计主管, 2009 年的一天, 他受不了了:
Yes, it's true that a team at Google couldn't decide between two blues, so they're testing 41 shades between each blue to see which one performs better. I had a recent debate over whether a border should be 3, 4, or 5 pixels wide, and was asked to prove my case. I can't operate in an environment like that. I've grown tired of debating such minuscule design decisions...
翻译过来大意是:
是的,谷歌的一个团队确实无法在两种蓝色之间做出决定,所以他们正在测试每种蓝色之间的41种色调,看看哪种表现更好。我最近就边界应该是3、4还是5像素宽进行了一次辩论,并被要求证明我的观点。我不能在那样的环境下工作。我已经厌倦了辩论如此微小的设计决定。。。
那么会有这样一个问题,比如:当你的公司要你用数据来证明 41 种蓝色到底哪一种更好, 或者为一个边栏宽度是3, 4, 或5 而争执不休, 纷纷表示要拿数据来证明的时候, 你怎么办?
ai的回答是这样:
确定目标和指标:首先明确公司的目标是什么,例如用户体验、品牌一致性或用户参与度。针对这些目标,确定关键的评估指标,如用户满意度调查、点击率、页面浏览量等。
收集数据:使用合适的工具和技术,收集包括现有用户数据、用户反馈、用户行为分析等相关数据。如果需要进行A/B测试,可以设计实验来收集数据,比较不同颜色或边栏宽度的影响。
分析数据:对收集到的数据进行分析,探索不同颜色或边栏宽度与目标指标之间的关系。使用统计方法来比较不同变量之间的相关性和显著性,帮助理解数据背后的趋势和模式。
基于数据提出建议:根据分析结果,提出基于数据的建议。例如,比较不同颜色或边栏宽度的指标差异,评估其对目标的影响程度,并给出相对权衡的建议。
风险和不确定性的说明:明确数据分析的限制和不确定性,并指出可能存在的风险。强调数据只是提供决策支持的一部分,还需要综合考虑其他方面的因素,如用户调研、品牌策略等。
跟团队和利益相关者分享结果:将分析结果和建议与团队和利益相关者共享,并进行讨论和辩论。以数据为基础,促进决策的透明性和合理性,确保团队对决策有充分的了解和参与。
而对于我而言,回答就很简单:
缺少一个最终拍板的带头人,完全没有必要在这种毫无意义的事情上消耗精力,除非,你特别闲但是又不想显得没有事做,同事大概也是这样想的话,那我觉得这样的“争执”会更有趣味和活力,而不是办公室的死气沉沉。