作者：馬力
全文共 1710 字，閱讀需要 3 分鐘
—— BEGIN ——
常常看到這樣的疑問 " 做產品時，一定得看數據嗎？"，本文將對此來嘗試探討：
減少風險不等於消除風險
我們做和產品有關的決策時的各種方法，無論是定量數據、還是定性研究（例如觀察、部分用戶的主觀評論等），其作用都在於幫助我們減少決策的風險，幫助我們在各種不確定性下更有把握，並且，更能說服別人，讓團隊保持一個方向
註意是 " 減少 " 而不是消除。
現實不是應用題！
我們每個人都喜歡數字，從中小學做應用題時開始，我們就喜歡給出幾個輸入，就有確定的輸出。
但是做產品不是做應用題，更多的情況下，我們面對的不是線性的、能夠明確看到數據並 100% 確定的結果，我們所碰到的往往是一些不可解、或者以我們掌握的有限數據很難解出的非線性方程。
北京剛剛推行公交卡時的狀況很多人可能還記憶猶新。那是相當混亂 … 三環上車堵的那個嚴重，上車下車需要分不同的門、刷卡也不習慣，一大堆公交車在車站排隊 … 地鐵裡也是 n 多工作人員在引導混亂的人群。這個階段統計的數據，大傢覺得會是什麼樣？
單看此時的數據，很可能就改回以前的方式瞭 …
但是現在，情況大傢都知道瞭：不再有人質疑公交卡的使用。
回到 IT 業，對應的例子可以想到很多瞭。經典的一個是 Office 2003 到 2007 的轉換，因為界面的大幅度調整，用戶罵聲一片，很多人抱怨找不到想用的功能，甚至有瞭轉回 2003 菜單方式的插件。
但是現在呢？過瞭這個用戶體驗的臨界點，Ribbon UI 也成瞭標準。當時去看數據也並不會樂觀。
還有很多數據可能會 " 說謊 " 的例子，參加知乎的其他問題。
定量數據是一把雙刃劍
用的好的是高手，用的不好的隻傷到自己。最可怕的、也最常見的不是沒有數據，而是我們 " 聽風便是雨 "，用一些過於簡化的模型，去解釋原本復雜的現象，還自己為正確，因為有數據的支撐。
拉些數據來說個結果很多人都會，但是真正能從復雜性中找到問題核心的卻不多。
實際上，數據自己並不說謊 …… 隻是我們解讀數據的方式，我們設定的模型，我們的自變量、控制變量的選擇 ……
時間、成本對定量數據的影響也不可忽略
並不是所有決策都需要數據支撐的。
很多交互設計，一個有經驗的設計師在依靠可用性知識和領域經驗的基礎上，完全可以給出快速、合適的設計。如果一定要細究出 123 就抓不住主要矛盾瞭。
曾經要調整產品中某個界面的預設狀態，負責相應工作的工程師一定要問我要數據，讓他知道百分之多少的用戶會這麼做，百分之多少的會那麼做，然後才能改 ……
這種細節問題如果去抓數據就別想做什麼事瞭，最終的結果是找他的經理，告訴他們這種問題上必須相信設計師的判斷，就像在編程上需要相信工程師一樣。
定性數據的作用不要忽略
你有沒有觀察你的用戶是如何使用產品的？有沒有對用戶進行有計劃性的訪談 …… 這些所涉及的用戶數量可能都不會太多（一般 30 個以下沒有統計意義），不會給你漂亮的數字看。
但是千萬別小看，這些是你的原料，而加工的機器是你的頭腦。
你不是喬佈斯，也不知道如何成為喬佈斯，別指望學禪、頓悟（某一天你成功瞭，可能有很多可以挖掘的年少軼事或者精神追求），現在減少不確定性的可行方法之一就是咀嚼這些原料，讓自己更好的理解用戶，當然也包括自己大量的嘗試。
定性研究有很多方法，不一一講瞭，無論如何，方法隻是方法，核心還在於如何使用來達到目標。
但是也要小心：很多時候我們所犯的錯誤就是將簡單的事情想到復雜，卻又將復雜的事情想的簡單。
當你在汽車發明前跑去問人們需要什麼時，大傢可能會告訴你需要更快的馬。
我在很多用戶訪談中都發現過這樣的問題：用戶會直接給你一個他認為自己最需要的解決方案，但實際上不是，滿足他的目標其實有更好的方法，這個就得靠你自己的挖掘、消化和輸出。
在工作中也是一樣的道理，有些人老板 / 客戶要求什麼就做什麼，而另一些人則分析他們這些要求背後的目標是什麼，哪些是可以變通的、哪些有更好的解決方案。
總結一下
1. 單純的感覺靠不住
除非你是喬佈斯二世，或者讓大傢相信你是，或者你是 Big Boss，否則憑什麼你自己的感覺就是對的。當然，如果大傢都願意相信你，那也不錯（這樣的團隊至少方向是可以一致的）。
2. 數據很有用，但是要用的對
別搞錯因果關系、遺漏重要影響因子、在做比較時沒有保持其他條件不變等等。
3. 定性研究要重視，多 " 吃 " 點定性數據做原料
用定性數據來武裝自己，給自己的感覺加點 " 料 "。
