Uzalishaji wa Ramani ya Safari ya Mtu na Mtumiaji

Faida:

• Uwezo wa kutoa rasimu za msingi za ushahidi kulingana na data ya utafiti na akili ya bandia na kuondoa ubaguzi na maneno mafupi.
• Uwezo wa kuandaa hatua, vitendo, mawazo, hisia na vidokezo vya maumivu ya ramani ya safari ya mtumiaji kwa msaada wa akili ya bandia.
• Uwezo wa kuripoti mawazo ambayo hayatokani na data kwa kujaribu watu wa kujitengenezea na data halisi ya sehemu

Utu na ramani ya safari ya mtumiaji hutafsiri maarifa kutoka kwa utafiti hadi zana zinazoonekana ambazo timu itaangalia siku nzima. Persona ni wasifu wa kubuniwa lakini unaoendeshwa na data ambao unawakilisha sehemu halisi ya watumiaji: malengo yao, vizuizi vyao, muktadha wao. Ramani ya safari ya mtumiaji ni simulizi inayoonekana inayoonyesha hatua kwa hatua kile ambacho mtumiaji anafanya, anachofikiria, anachohisi na mahali anapokwama anapofikia lengo. AI hutoa rasimu za zote mbili kwa dakika. Lakini hapa kuna mtego hatari zaidi: akili ya bandia inaweza kuunda watu "halisi" -walio bila data. Kitengo hiki kinakufundisha kushikamana na ushahidi bila kuacha kasi.

Persona: lazima iwe msingi wa ushahidi, sio ndoto

Tofauti pekee kati ya mtu mzuri na mtu mbaya ni mtazamo. Mtu mbaya huweka mawazo katika akili ya mbunifu katika kiolezo kizuri: "Ayşe, umri wa miaka 34, mzuri na teknolojia, anapenda suluhu za vitendo." Ikiwa hakuna sentensi yoyote kati ya hizi iliyo msingi wa utafiti, persona ni mapambo tu na inahalalisha maamuzi yasiyo sahihi.

Mtu mzuri huweka kila dai kwenye utafiti. Nyuma ya sentensi "Watumiaji wamekwama kwenye usakinishaji" kuna data "washiriki 5 kati ya 8 hawakuweza kukamilisha usakinishaji wa awali". Wakati wa kufanya kazi na akili ya bandia, sheria haibadilika: mpe kielelezo muhtasari wa utafiti kama chanzo na uulize kuunda mtu kutoka kwa chanzo hiki pekee, sio kuongeza vipengele ambavyo havina msingi.

Tahadhari: AI ina uwezo mkubwa wa "kujaza mapengo"; Inaweza kujumuisha maelezo kama vile umri, mapato na tabia ambazo hutoi. Ikiwa maelezo haya hayatoki kwenye data, persona si ya kuaminika.

Kuondoa ubaguzi na upendeleo

Personas ni mahali ambapo upendeleo wa AI huvuja zaidi. Muundo huu huhamisha dhana potofu kutoka kwa data ya mafunzo hadi kwenye wasifu: "mtumiaji mzee anaogopa teknolojia," "mtumiaji mchanga hana uvumilivu," tabia zinazohusishwa na taaluma au jinsia mahususi. Ujumla huu wote ni mbaya na unapingana kimaadili.

Njia ya utakaso ina hatua tatu:

1. Alama: Changanua kila sentensi ya jumla katika towe ("kila mtu", "kawaida", "watu wa umri huu").
2. Mtihani: Je, sentensi hii ina sawa katika data ya utafiti?
3. Sahihisha au uondoe: Ikiwa kuna msingi wake, ambatisha kwa ushahidi, vinginevyo uifute. Usiweke maneno mafupi kwa "kulainisha"; Ikiwa hakuna uthibitisho, anaondoka.

Usemi wa mtu

tatizo

Marekebisho ya msingi wa ushahidi

"Watumiaji wakubwa wanaogopa teknolojia"

stereotype kulingana na umri

"Washiriki 5 kati ya 6 walitarajia maandishi ya ziada ya uhakikisho na kipengele kipya"

"Watumiaji wachanga hawana uvumilivu"

Ujumla wa kizazi

"Washiriki waliacha mtiririko zaidi ya hatua 3 (bila kujali umri)"

"Wanawake wanataka unyenyekevu"

dhana ya jinsia

"Mtiririko rahisi ulipendekezwa katika sehemu zote"

"Rangi anayopenda zaidi ni bluu"

Taarifa za mapambo (haziathiri uamuzi)

(Ondoa - haiathiri uamuzi wa muundo)

Anatomy ya ramani ya safari ya mtumiaji

Ramani ya safari kwa kawaida huwa na mistari:

• Awamu: Vipindi muhimu kama vile ufahamu, tathmini, matumizi na kurudi.
• Kitendo: Anachofanya mtumiaji katika kila hatua.
• Wazo: Ni nini kinachoingia akilini mwako.
• Hisia: Mtu anahisi nini; Kawaida huchorwa na curve.
• Jambo la maumivu: Mtu anakwama wapi, anakasirika, anakata tamaa.
• Fursa: Ambapo muundo unaweza kuingilia kati.

Akili ya bandia hujaa haraka kwenye mifupa hii. Lakini mstari wa "hisia" ni hatari sana: mtindo huo unatabiri kile ambacho mtumiaji anahisi, lakini utabiri huo ni wa kubahatisha isipokuwa kuungwa mkono na data halisi. Tia alama hisia zisizothibitishwa kwenye ramani kama mawazo; Pata hali ya "kuthibitishwa" inapothibitishwa na dondoo la utafiti.

kesi tatu ndogo

Kesi ya 1 - Rasimu ya haraka, marekebisho ya kweli. Timu moja ilitoa michoro 3 za mtu na AI kutoka kwa muhtasari wa mahojiano 12; Kazi ilichukua dakika 25. Kisha akaangalia sifa 9 za kila mtu dhidi ya data ya utafiti; Vipengele 4 havikuwa na msingi na viliondolewa. Watu waliobaki walikuwa wa haraka na wa kutegemewa.

Kesi ya 2 - Maneno yaliyovuja. "Watumiaji waliostaafu hawaamini benki ya dijiti," mtu wa AI aliandika. Timu iliangalia data: 5 kati ya washiriki 6 waliostaafu walitumia benki ya kawaida ya kidijitali. Hukumu hiyo haikuwa sahihi kabisa na iliondolewa; kubadilishwa na uchunguzi unaotegemea ushahidi kama vile "maandishi ya ziada ya uhakikisho yanayosubiri vipengele vipya." Somo: dhana potofu za umri zimekataliwa na data.

Kesi ya 3 - Mviringo wa hisia umetiwa chumvi. Mtindo aliandika kwamba mtumiaji alikuwa "amekasirika" wakati wa kulipa. Katika rekodi halisi, watumiaji walikuwa "wakisitasita." Mbuni alirekebisha hisia; kwa sababu "hasira" na "kusitasita" kunahitaji masuluhisho tofauti (moja ni uaminifu, nyingine ni uwazi). Somo: mstari wa mhemko umewekwa na ushahidi.

Watu wangapi, maelezo ngapi?

Mtego wa kawaida ambao wabunifu wapya wanaingia ni kutengeneza watu wengi sana na wenye maelezo mengi kupita kiasi. AI inakuza mtego huu: watu wengi unavyotaka, kwa maelezo mengi upendavyo, fika kwa sekunde. Hata hivyo, kilicho na thamani ni kidogo lakini ni imara. Kwa bidhaa nyingi, watu 2-3 wa msingi wanatosha; kila moja lazima iwakilishe sehemu ya mtumiaji halisi na iweze kutofautisha maamuzi ya muundo. Ikiwa watu wawili wana tabia sawa, labda ni mtu mmoja. Kwa upande wa undani, kigezo ni hiki: kila taarifa inayoongezwa kwa mtu ni ya thamani ikiwa inaathiri uamuzi wa kubuni; Ikiwa haivutii (kwa mfano, rangi ya favorite ya mtumiaji), ni ya mapambo na inapaswa kuondolewa. Unapoomba mtu kutoka kwa akili ya bandia, kusema "ongeza tu vipengele vinavyoathiri uamuzi wa kubuni" ndiyo njia ya vitendo zaidi ya kuondokana na mitego hii.

Kidokezo: Jaribu kipengele cha persona: "Je, muundo wangu utabadilika nikibadilisha hii?" Ikiwa jibu ni hapana, kipengele hicho si cha lazima katika mtu.

Vidokezo vinavyoweza kunakiliwa

Jukumu lako: Usanisishaji wa utafiti wa UX.Chanzo: Muhtasari wa utafiti usiojulikana hapa chini.Jukumu: Unda hadi michoro 2 za watu kutoka chanzo hiki.Kanuni: Unganisha kila kipengele kwa matokeo katika chanzo na uandike msingi kwenye mabano.USIONGEZE vipengele vyovyote (umri, mapato, tabia) ambavyo havina mshirika katika chanzo.Ondoka sehemu zisizojulikana kwetu kama "hakuna data".

Angalia muhtasari huu wa kibinafsi kwa upendeleo. Tia alama kwa kila sentensi iliyo na jumla, maneno mafupi au dhana isiyo na uthibitisho, andika kwa nini inatiliwa shaka, na uonyeshe ikiwa inatumika katika data chanzo. Utu: <<text>> Data chanzo: <<summary>>

Tengeneza rasimu ya ramani ya safari ya mtumiaji kutoka kwa mtu binafsi na muhtasari wa utafiti hapa chini. Lines: Hatua | Kitendo | Wazo | Hisia | Sehemu ya maumivu | Fursa.Ongeza nukuu kwa kila seli ya "Hisia" na "Painpoint" ikiwa kuna chanzo chake; vinginevyo, weka alama kwenye kisanduku kwa "[ASSUMPTION]".Mtu: <<x>> Muhtasari: <<y>>

Orodhesha visanduku vilivyotiwa alama [ASSUMPTION] kwenye ramani hii ya safari. Kwa kila moja, andika swali gani la ziada la utafiti litakalothibitisha dhana hii. Ramani: <<meza>>

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu: "Unda mtumiaji wa e-commerce."

Matokeo: wasifu ambao umeundwa kabisa, hauhusiani na data, na kamili ya maneno mafupi.

Imara: "Ondoa si zaidi ya watu 2 kutoka kwa muhtasari huu wa utafiti; unganisha kila kipengele kwenye matokeo; usiongeze maelezo yoyote ambayo hayako kwenye chanzo; acha wasiojulikana kama 'hakuna data'."

Matokeo: mtu anayeweza kutetewa kulingana na ushahidi, na mapungufu yaliyoonyeshwa kwa uaminifu.

Tofauti: haraka haraka huleta wajibu wa chanzo + marufuku ya uwongo + kuashiria kutojulikana.

Makosa ya kawaida

• Kuunda watu bila data. Kuambia AI "kufanya mtu" kunatoa uhalali wa uwongo kwa mawazo yako.
• Kuweka cliche kwa kulainisha. Kusema "tahadhari kidogo" hakusahihishi stereotype; Ikiwa hakuna ushahidi, inapaswa kuondolewa.
• Kupotosha mstari wa hisia kwa ukweli. Mfano huo unatabiri hisia; Hisia bila ushahidi ni dhana.
• Sio kusasisha mtu hata kidogo. Persona pia inapaswa kusasishwa kadiri utafiti mpya unavyopatikana; mtu aliyegandishwa anapotosha.
• Kuunda watu wengi sana. 5-6 persona inapooza timu; Weka kidogo, lakini ushikilie kile kilicho imara.

Kwa muhtasari

Persona na ramani ya safari ni zana zenye nguvu zinazotafsiri utafiti katika lugha ya kawaida ya timu; lakini nguvu zao huja kabisa kutoka kwa data ambayo msingi wake ni. AI hutoa mchoro wa zana hizi kwa dakika, ilhali kazi halisi ni kuunganisha kila dai kwa chanzo, kuripoti misemo na kuyajaribu dhidi ya data, na kutenganisha hisia/maumivu ambayo hayajathibitishwa kama mawazo. Mtu anayeacha mapengo kwa uaminifu kama "hakuna data" ni wa thamani zaidi kuliko mtu "halisi" aliyejaa maelezo ya maandishi.

Jukumu la maombi

1. Tengeneza rasimu 2 za mtu kwa haraka ya kwanza kutoka kwa muhtasari wa utafiti (halisi au wa kubuni).
2. Angalia watu kwa upendeleo kwa haraka ya pili; Jaribu kila sentensi iliyotiwa alama na data.
3. Ondoa au usifanye "hakuna data" vipengele vyovyote hafifu.
4. Kwa kidokezo cha tatu, andika ramani ya safari kutoka kwa mtu.
5. Orodhesha visanduku vya [ASSUMPTION] kwenye ramani na uandike swali la uthibitishaji kwa kila moja.

orodha ya ukaguzi

• [ ] Nilitegemea utu kwenye muhtasari wa utafiti, sikuuunda kutokana na mawazo.
• [ ] Sikuongeza vipengele vyovyote kwenye mtu ambavyo havikuwa kwenye chanzo.
• [ ] Nilitia alama maneno mafupi na jumla na kuyajaribu kwa data.
• [ ] Nilithibitisha hisia na pointi za maumivu kwa ushahidi, na nikatia alama zisizoungwa mkono.
• [ ] Niliweka idadi ya watu kuweza kudhibitiwa.
• [ ] Nilitayarisha maswali ya uthibitishaji kwa dhana.