【机器学习】使用数据设计：通过这个简单的框架构建可信的推荐
为什么要推荐？
让电子表格和数据表看到充满数据的行和列并不难。在整个排序和筛选过程中，对最终用户来说可能是一项乏味的任务。在一个无穷无尽的数据矩阵中，见解和建议可以帮助你获得最有用的信息。
如果它们是可操作的，它们可以为个人和职业目标带来价值，随着时间的推移，它们可以推动产品或服务的采用和保留。
这是一个渐进而直接的框架，可以增强用户的数据体验。
让我们开始吧。
1.数据
在达到建立推荐的最终目标之前，获得信任和建立信誉是至关重要的。数据是这个框架的核心，也是完美的起点。它是关于你或你的用户所采取行动的信息记录。
以下是我将在本文中讨论的几个例子：
- 例1：你的银行账户向你显示了你进行的交易清单。
- 例2：分析体验显示有多少人访问了你的网页。
- 例3：流媒体平台显示人们观看你的视频的次数。
如果这些不可靠或不准确，你会把你的业务转移到别处。
2.见解
洞察可以影响用户根据过去的信息采取的下一步行动。你可以开始根据更大的数据集关联趋势。这是一个很好的机会与你的工程或数据科学团队合作，突出哪些趋势可以相互关联。
Example of an insight backed by two data points.
这可能看起来像是某个日期范围内的平均视频浏览量、完成交易所需的平均天数，或者每个电子邮件活动的平均打开次数。
您会注意到，我们开始考虑在一段时间内两个或多个数据点是什么样子。这将允许您进行比较和对比，并根据您可以确定的正面或负面影响来识别数据趋势——每个行业和问题空间被认为是正面或负面的不同，因此您需要确保对这一点有坚实的理解。
要详细说明数据部分中的示例，可以如下所示：
- 例1：你这个月的平均花费比上个月高。
- 例2：本周的平均访问量高于上周的这个时候。
- 例3：你看到的流量增加了20%。
请注意，我们没有向用户推荐下一个操作，也没有强调特定的因果关系。
与任何事情一样，你都需要优先考虑哪些类型的见解和趋势最引人注目，因为如果你向用户透露太多的见解，它们可能会让人不知所措，或者造成盲目性。
3.建议
这就是所有这些结合在一起的地方。建议是我们让事情变得可行的地方——我们有一个强有力的假设，即什么会导致我们所学到的积极成果，用户对我们的预测有坚定的信心。如果用户想了解更多信息，我们会提供面包屑，以显示我们是如何根据数据和见解/趋势确定推荐的。
The recommendation suggested now has a story built on a trend in data, and data points to back that trend.
需要注意的一点是，这不是UX可以单独解决的问题。你需要确保你的数据科学/工程团队拥有一个成熟的分析/建模平台，并且有足够大的数据集是准确的——没有它，这是行不通的，如果不准确，就信任和采用而言，这可能会带来高昂的成本。
现在我们可以利用我们的数据作为基础，由趋势支持来创造这个故事。
例1
- 建议——本月减少可自由支配支出，将更多现金用于储蓄。
- 洞察——你这个月的花费比上个月高。
- 数据——2笔超过500美元的可自由支配支出。（请注意，这些是单一的数据集、类别和支出）
例2
- 推荐——开展营销活动，为你的网站带来新的流量。
- 洞察——上个月你还没有开展营销活动。
- 数据-网站访问量减少30%是独特的流量。
例3
- 推荐——每周多发布两段视频，你的月浏览量将达到20000次。
- 洞察——本周的平均浏览量高于上周的这个时候。
- 数据——上周上传了四次视频，每次观看1000次。
这些都是基本的例子，但你可以看到我们是如何根据过去的表现开始构建故事的。
基于具体数据和证据为用户提供建议，让他们有了一些切实的东西，他们会对你的建议充满信心，因为你是基于实际数据的。
这可能是很多信息，所以你需要弄清楚你想要使用什么样的渐进式披露模式。
结束
让我们回顾一下今天的内容：
无论你对自己的建议有多确定，人们都希望看到你是如何得出结论的——你必须能够用现有数据和趋势来支持一切。您可能对数据的工作方式有复杂的理解，但用户可能没有。因此，向他们展示你是如何得出结论的是很重要的，这样他们也可以对见解和数据有相同的理解。
信任一旦失去就很难恢复，所以你需要把它做好——试着在有限的用户群中测试这个框架，并允许人们选择使用这种方法。征求反馈意见，记下你的观察结果，并努力使这一过程尽可能连贯和成功。这里几乎没有出错的余地，因为用户依赖的是根据正确数据得出的建议。因此，在将此框架作为标准实践之前，请花一些时间来弄清楚它并使其正确。
以下是一些额外的资源，可以让您更深入地了解这个主题：
- 22 次浏览