《UX 三刀流》課程筆記+心得整理 Week 17

1. 本系列內容為 UX 三刀流 2024 春季班 課程進度內容
2. 本篇依據自身當下手抄筆記再次統整歸納為貼文
3. 心得依照講義影片頁面順序
4. 對課程有興趣者可參考

Week17：章節進度 3–7 運算式設計思考
筆記環節

1. 傳統設計思考的盲區

(1) 設計思考的本質 — — 「效率化」設計師的溝通

效率化：設計師「能力」能透過設計思考大提升

(2) 設計思考的偏誤：人（設計者本身）

不同設計者對議題理解掌握程度，決定設計產出品質

(3) 人類創意思考活動的「七步模型」by Alex Faickney Osborn

※腦力激盪前會做很多準備，而非一開始拿到便條紙就想
 a. 確認方向（Orientation）
 b. 準備（Preparation）
 c. 假設、分析（Hypotheses, Analysis）
 d. 構想（Ideation）
 e. 醞釀（Incubation）
 f. 綜合（Synthesis）
 g. 評價（Valuation）

(4) 設計思考的誤區：這看起來不像有問題

（照框架填內容 ≠ 做 UX）

(5) 設計輔助資料的特性

即時、大量、可靠、完整、準確、可取用、可理解、相關

(6) 用「機器」來提供資料 — — 幫助設計決策思考

a. 機器可彌補人類能力上的劣勢。
ex.無法全年無休觀察使用者、受訪者無法不斷提供意見、人類無法多工／即時／記憶有限等

b. 但不代表人類取得資料沒有優勢
ex. 同理心能力（推理、想像、調節、協同、工具）

c. 用戶有時說和做的不同 — — 行為數據
 • 更客觀、大量、即時，助於推敲需求
 • 常見取得來源：第三方API、內建軟體收集、第三方追蹤、伺服器日誌、SNS數據、CRM系統、IoT、SDK

(7) UX＋AI 設計師和資料科學家的合作

a. 將設計由主觀趨向於數據導向的科學與客觀

b. Frog Design：「數據科學和設計思維是一體的」
└目的是「解決設計的問題」，不論出自質性研究收集主觀資料或是量化研究收集的客觀資料，資料本身並無好壞，關係到怎麼解讀才能助於理解問題

2. 運算式設計思考

(1) 為設計思考流程加上數據 

a. 傳統設計思考把設計流程透明化
└把「運算能力」加入（數據或資料科學感測技術為主）
 • 電腦視覺（Compouter Cognition）
 • 模型（Model）
 • 資料（Data）
 • 自動化工具（Automation）
 • 人機合作（Human Computer Cooperation）
 • 機器學習（Machine Learning）

(2) 以＜資料科學＞補充及優化原有設計流程

a. 同理：訪談、問卷、觀察和焦點團體等
＜網路登錄操作紀錄、下載使用數據、競品公開互動數據、聊天機器人、SNS資料背景＞

b. 定義：主觀判斷目標族群
＜模型判斷網站互動斷點、機器學習、集群分析定義典型使用者行為＞

c. 創意思考：人為投票機制
＜創意自動評分系統、視覺化呈現工具＞

d. 原型：文字描述情境、建立設計原型
＜生成式AI、測試行為資料發想、依照回饋建立個人化產品＞

e. 測試：工作坊
＜自動收集回饋、即時行為數據、全樣本分析＞

運算式設計思考「並非」為了取代人類設計師，而是「幫助」人類設計師在設計思考過程擁有「更好的判斷問題能力」

(3) 實例

a. 聊天／對話機器人
└非結構、分次且持續收集用戶偏好，提高內容轉換率
└有時和機器人對話較無壓力

b. 觀察法＋數據導向（埋code追蹤、系統日誌）
└更全面、時間更長、無遺漏的行為軌跡
└行為數據需重視「時間趨勢影響」

c. 數據軌跡（熱力圖、攝影機、視覺動態演算法）
└更客觀行為數據

(4) 產品自帶「自我優化」機制 — — 最大化客群胃納度

設計思考透過「迭代」優化；運算式設計思考將優化邏輯與產品本身「共生」。ex. Chatbot：不先細分受眾，而是「針對不同受眾做好相應準備」

(5) Top Down V.S. Bottom Up 思考

 a. Top Down — — 傳統 Persona 是設計師對受眾的「假設」
 b. Bottom Up — — 數據歸納、分類建立相同行為受眾族群

(6) 數據驅動的 Persona — — 行為比意見真實

用「客觀數據」來呈現更真實的目標族群表現

(7) 數據運算分類可能提供原本人工分類中的未知分類

(8) K-means 集群分析演算法：根據「RFM變量」細分客戶群

R＝親近性（Recency），F＝頻率（Frequency），M＝消費力（Monetary）

(9) 傳統 A／B 測試僅能找出「相對優秀者」

數據導向 A／B 測試擁有多版本、動態、自動修正與優化等特色
└A／B 設計：更個人化機制

(10) ［傳統］與＜數據驅動＞

UX 方法均為流程、迭代、優化思維
［觀察／研究］＜期望結果／行為數據＞
［人物誌／劇本法］＜行為特徵分群＞
［故事板］＜資料概念情境互動模型＞
［線框圖／草模］＜適性化介面模型、原型＞
［原型／驗證］＜發布／驗證＞

(11) 道本同源 — — UX＋AI 都是「了解→解決→優化循環」

問題本質不在解決用了哪些（幾個）步驟，
而是「解決的思考是什麼樣的邏輯」

心得環節

UX+AI 是一個不可避免的趨勢，或許在轉變（或是說融合？）的過渡期有些被衝擊到的產業會有些負面的感受，但就像這堂課說的：「機器可以彌補人類劣勢，但不代表人類就沒有優勢。」和「運算式設計思考並非為了取代人類設計師，而是幫助人類設計師在設計思考過程擁有更好的判斷問題能力」

我們能做的就是思考如何善用各自的優勢讓自己的設計去更有效率和效果地去解決問題。

第一季（北商共學課程）部份已結束，之後均為第二季（自學篇）

自學篇為 hahow 平台上架完整內容部份。

關於我