Projektowanie oparte na danych to praktyka kształtowania decyzji dotyczących interfejsu, treści i interakcji w oparciu o mierzalne dowody na to, jak zachowują się rzeczywiści użytkownicy, a nie głównie o osobisty gust, wewnętrzne opinie czy konwencje branżowe. Czerpie ona jednocześnie z kilku strumieni dowodów: analityki ilościowej, takiej jak odsłony stron, ścieżki kliknięć, głębokość przewijania i współczynniki konwersji, sygnałów behawioralnych rejestrowanych za pomocą map cieplnych i nagrań sesji oraz danych jakościowych zbieranych w testach użyteczności, ankietach i zgłoszeniach do wsparcia. Celem nie jest usunięcie ludzkiego osądu z procesu, lecz nadanie mu faktycznych podstaw, tak aby wybory dotyczące układu, nawigacji, tekstów i hierarchii wizualnej można było powiązać z zaobserwowanymi potrzebami użytkowników i wynikami biznesowymi, a nie z założeniami odziedziczonymi z poprzedniego projektu lub ze strony konkurenta.
Takie podejście ma znaczenie, ponieważ błędy w decyzjach projektowych podejmowanych bez dowodów są kosztowne. Przebudowa strony głównej, zmiana ścieżki kasy czy nowy układ strony cennika mogą pochłonąć tygodnie pracy projektantów i inżynierów, a jeśli opierają się na nieprzetestowanym założeniu, mogą po cichu obniżać konwersję przez miesiące, zanim ktokolwiek to zauważy, ponieważ przebudowie rzadko towarzyszy wbudowany alarm sygnalizujący, że wypadła gorzej niż wersja, którą zastąpiła. Projektowanie oparte na danych skraca tę pętlę sprzężenia zwrotnego, weryfikując założenia na wczesnym etapie, często za pomocą prototypów niskiej wierności, pięciosekundowych testów lub kontrolowanych eksperymentów, zanim zmiana zostanie w pełni zbudowana i wdrożona dla wszystkich użytkowników. Zespoły, które przyjmują tę dyscyplinę, zwykle szybciej rozstrzygają wewnętrzne spory projektowe, ponieważ pytanie przesuwa się z tego, czyja opinia ma większą wagę w organizacji, na to, co faktycznie pokazują dowody zebrane bezpośrednio od odbiorców, którym projekt ma służyć. Ta zmiana wpływa także na sposób dokumentowania niezgodności, ponieważ odrzucony pomysł poparty nieudanym testem zapamiętuje się inaczej niż taki, który po prostu został przegłosowany ze względu na starszeństwo.
W praktyce proces projektowania opartego na danych zaczyna się zwykle od zdefiniowania konkretnego wskaźnika, na który zmiana ma wpłynąć, takiego jak odsetek dodań do koszyka, odsetek ukończonych formularzy czy czas do pierwszego znaczącego działania, zanim powstanie choćby jeden wireframe. Zespoły następnie instrumentują odpowiednie strony narzędziami analitycznymi i behawioralnymi, zwykle Google Analytics 4, Hotjar lub Microsoft Clarity, i pozwalają, by rzeczywisty ruch gromadził się przez statystycznie znaczący okres, często od dwóch do czterech tygodni, zależnie od wolumenu, aby ustalić wiarygodną bazę odniesienia. Wnioski z tego okresu bazowego zasilają priorytetyzowany backlog hipotez projektowych, uszeregowanych według potencjalnego wpływu i pewności, które są testowane w eksperymentach A/B lub wielowariantowych, zanim zostaną szeroko wdrożone, domykając pętlę między obserwacją, hipotezą, projektem i zwalidowanym wynikiem w powtarzalnym cyklu, a nie jednorazowej przebudowie. Wiele zespołów formalizuje ten cykl w regularny rytm sprintów, przeglądając nowe dowody i zmieniając priorytety backlogu co dwa do czterech tygodni.
Częstym nieporozumieniem jest przekonanie, że projektowanie oparte na danych eliminuje kreatywność lub zastępuje badania użytkowników surowymi liczbami. W rzeczywistości dane ilościowe mówią zespołowi, co się dzieje, na przykład że na konkretnym polu formularza odpada 40 procent użytkowników, natomiast badania jakościowe i wiedza projektowa wyjaśniają, dlaczego tak się dzieje i jak mogłoby wyglądać lepsze rozwiązanie; żadne z nich samo nie wystarcza do uzyskania dobrych wyników. Nadmierne poleganie na sygnałach ilościowych może też uwięzić zespoły w cyklu drobnych, bezpiecznych poprawek, zwanym czasem optymalizacją maksimum lokalnego, w którym kolory przycisków i sformułowania nagłówków są testowane w nieskończoność, podczas gdy większe problemy strukturalne doświadczenia pozostają nierozwiązane, ponieważ trudniej je wyizolować w pojedynczym teście. Pogoń za istotnością statystyczną dla niej samej, bez względu na to, czy wzrost ma praktyczne znaczenie dla firmy przy jej obecnym ruchu i poziomie marż, to kolejna częsta pułapka, przed którą doświadczone zespoły uczą się chronić, ponieważ technicznie istotny wynik dla wskaźnika o niskiej wartości rzadko uzasadnia koszt inżynieryjny jego wdrożenia.
W firmie doradczej w zakresie CRO lub UX projektowanie oparte na danych leży u podstaw niemal każdej współpracy: audyty porównują obecne decyzje projektowe z dowodami behawioralnymi, zanim rozpocznie się jakakolwiek przebudowa, hipotezy są szeregowane za pomocą modeli takich jak ICE lub PIE na podstawie potencjalnego wpływu, pewności i nakładu pracy, a każda proponowana zmiana jest formułowana jako testowalne twierdzenie, a nie preferencja stylistyczna przedstawiona na tablicy inspiracji (mood board). Ta dyscyplina pozwala firmie doradczej uzasadniać rekomendacje czymś trwalszym niż argument estetyczny i daje klientom powtarzalny proces, z udokumentowanymi wnioskami zarówno z wygranych, jak i przegranych testów, który mogą prowadzić samodzielnie długo po zakończeniu konkretnego projektu czy współpracy.
Więcej terminów na literę D
Mroczny wzorzec (Dark Pattern)Projektowanie pulpitów (dashboard design)Zarządzanie danymi (data governance)Warstwa danych (Data Layer)Jakość danych (data quality)Hurtownia danych (data warehouse)Definicja ukończenia (Definition of Done)Krytyka projektowa (design critique)Dług projektowy (Design Debt)Design Ops (operacje projektowe)Design sprintSystem projektowy (Design System)
