看得见的设计方法——因果联想法

简介: 最近一直在探究思考问题的思路,并且希望能把自己思考的过程呈现给大家。因果联想法是笔者个人总结的方法,是在平时思考过程中用到的并且有所裨益的方法,展现的是一种分析问题的思路。笔者尝试将此方法描述出来,结合日常的工作内容展示思考的过程,希望大家能够有所启发。

方法的起源

该方法起源于issue map ,是笔者在学习服务设计课程期间学习到的一种服务设计方法。利用该方法可以帮助你从调研到的数据中逐步得出你想要解决的一系列问题,最终归纳出自己的解决方案。从严谨的角度来讲,Issue map包含:description,interpretation,analysis,conclusion,areas of issues,problem statement 6个步骤,笔者的因果联想法正是启发于其中的analysis。笔者结合在校期间的服务器设计课题,简单描述这5个步骤的含义,以帮助大家理解。

image

1、Description:现象,为客观观察到的现象本身,对观察到的现象进行客观描述而不添加任何主观色彩。Interpretation是对客观现象的主观转述,具有主观主义色彩,通常不将description与Interpretation进行区分,严格的意义上讲两者应该区分。

2、analysis:分析description产生的原因以及其可能产生的结果,需要详尽地列出现象产生的所有原因及可能产生的所有结果。此阶段正是笔者产生因果联想法的起源。

3、conclusion、areasof issues、problem statement:对多个现象的分析可以得出多条结论,进一步对结论归纳统一得到一系列的issues,映射为产品的主要功能。最后归纳出problem statement,以上述问题为例,则是:目前,充电站的规模、分布、布局与用户需求不匹配,且司机不能高效的找到充电站。由此,可以得出我们的service idea(产品定位):基于EV3.0快充技术,通过集中式超级充电站提供智能化、安全、高效的充电服务。

为了更好地理解每个阶段的含义,大家可以参照上图中示例的内容,笔者不再赘述。接下来,笔者重点讲解该方法的内容与应用。(应用为笔者结合自己工作内容的一些小的思考点)

方法的含义

image

如上图所示,因果是指按照现象/问题产生的原因以及可能导致的结果的思路进行分析,优先分析产生的原因,然后再去总结可能产生的结果。而联想是指,需要思考可能出现的所有原因以及可能产生的所有结果。需要扩展性思维,发散性的联想,穷尽所有可能出现的原因与结果;然后逐一对比结果/方案,分析每种结果/方案的利与弊,选出最合理的方案,然后进一步去思考和分析该方案,不断优化与改进,直至可以成功地解决当前问题。

方法延伸

在设计的领域当中,设计思考是无形的。笔者认为对某一问题/现象的思考不要仅局限于它产生的原因,还可以扩展至更多的“原因”,比如:场景、形式、技术、设备、方式等…,扩展性的思考时不要对思维进行限制,尽管写下所有可能性;同理,思考问题/现象/矛盾产生的结果时,也不要加以限制,尽管写下所有可能的结果、方式、界面布局、路径等。

如下图所示:

image

沿着原因—结果的思路并尽可能联想到围绕现象/问题/矛盾的多种可能性是因果联想法的精髓所在。此处需要强调联想的重要性,它依据每个人脑海中已有的积累而联想,当你觉得联想时费时费力甚至觉得大脑中一片空白时,那么你就需要去查看更多的作品,感受更多的事物(包括自然界或认为创造的),当然这其中最直接的方法就是浏览和现象/问题相关性强的网上的作品,一边查看一边将作品与自己想要解决的问题相联系,看能否给自己以启发和灵感。

方法的拆解

除了沿原因-问题-结果的思考,还可以进一步灵活变换应用此方法。比如,拆解一半,根据具体的问题仅去思考它产生的原因/场景/形式,或仅思考某一问题可能产生的结果/方案/界面等。

实际应用:由问题联想到解决方案的各种场景

image

如上图所示,是笔者在进行需求-设计思考阶段的联想发散的小案例。需求是需要展示不同地区的机房情况,笔者查找一些优秀的参考设计作品后,准备通过地图图钉的形式进行展示。于是,在设计的过程中,笔者进一步去思考地图图钉类形式可以应用的具体场景,如右上图的草图(忽略草图的草)所示:

【物流仓储】例如菜鸟、顺丰等快递,在世界各地都有自己的仓库;

【运维机房】运维机房同样在华东、华北、华南等地区有自己的服务器,也包括国外的很多城市;

【美食景点】对于初到一个城市的新人,通过地图图钉可以查看自己附近的美食与景点推荐;

【熟人社交】了解身边同学在国内或国外的不同地点,某种程度上可以促进朋友之间的交流。

以上仅为笔者在设计过程中的思考,或许和当前的需求没有直接关系,但是是对设计形式的思考,对个人的设计积累或思维发散都是有益的。

实际应用:由问题联想到各种解决方案

image

上图为笔者之前接手的需求,需要展示机房内的服务器,机房内的服务器数量无法限定,可能会很多,而电脑上的界面空间有限,超过一屏后查看很不方便。围绕该问题,笔者思考可能的解决方案,并画草图示意(请忽略草图的草,嘻嘻)

下图中,左图为笔者思考方案的草图,尽可能联想到多种解决方案,思考的过程由起初的平面展示扇形、半圆形到圆形展示,再到后续的3D环形展示。最终敲定了3D环形展示的方案,它可以不受限于界面空间和服务器数量,是最佳的解决方案,下图右为在实现过程中,开发遇到瓶颈时,积极和开发讨论如何实现该方案的过程草图。由于是公司内部产品,不方便将最终上线的效果图展示给大家,请见谅。

image

本文总结

因果联想法没有公式可遵循,而是一种分析问题的思路。在实际的工作过程中运用此方法,帮助笔者有效地思考和解决了问题。现在将方法加以总结,希望对大家有所帮助。如果大家在实际应用的过程中遇到困难,可将具体问题抛出,私信笔者,会竭尽全力指导大家沿着此方法进行思考,欢迎大家反馈。

原文发布时间为:2018-08-05
本文作者:仉长娟
本文来自云栖社区合作伙伴“互联网er的早读课”,了解相关信息可以关注“互联网er的早读课

相关文章
|
2月前
|
机器学习/深度学习 数据采集 人工智能
揭开大模型幻觉之谜:深入剖析数据偏差与模型局限性如何联手制造假象,并提供代码实例助你洞悉真相
【10月更文挑战第2天】近年来,大规模预训练模型(大模型)在自然语言处理和计算机视觉等领域取得卓越成绩,但也存在“大模型幻觉”现象,即高准确率并不反映真实理解能力。这主要由数据偏差和模型局限性导致。通过平衡数据集和引入正则化技术可部分缓解该问题,但仍需学界和业界共同努力。
38 4
|
2月前
|
机器学习/深度学习 自然语言处理 算法
【深藏功与名】揭秘大模型背后的真相:为何它们常让人欢喜让人忧,又该如何破局?
【10月更文挑战第5天】近年来,随着计算资源和算法的提升,大规模深度学习模型在自然语言处理和计算机视觉领域取得了显著成就,但也引发了“大模型幻觉”的讨论。该现象指模型虽在特定任务上表现出色,但在实际应用中存在过度拟合和泛化能力差等问题。本文分析了大模型的底层逻辑,并通过PyTorch代码示例展示了如何使用L2正则化缓解过度拟合。此外,还介绍了通过数据增强提高模型泛化能力的方法。未来研究需进一步平衡模型复杂度与泛化能力,以实现更佳性能。
48 0
|
7月前
|
存储 Java 编译器
用王者荣耀告诉你,什么叫类与对象,思维图+核心+架构让你一步到位
用王者荣耀告诉你,什么叫类与对象,思维图+核心+架构让你一步到位
|
Dart Unix 编译器
C生万物 | 操作符汇总大全【庖丁解牛,精细讲解】
✒C语言操作符汇总大全,全程精析讲解,拨开云雾见天明☀
95983 10
C生万物 | 操作符汇总大全【庖丁解牛,精细讲解】
发散性思维(一)——通过变通和联想来解决问题
发散性思维(一)——通过变通和联想来解决问题
119 0
发散性思维(一)——通过变通和联想来解决问题
|
决策智能
博弈论第十一集总结(进化稳定—合作,突变,与平衡 “ 观后感)
博弈论第十一集总结(进化稳定—合作,突变,与平衡 “ 观后感)
79 0
|
人工智能 自然语言处理 安全
多个ChatGPT合作完成指定任务,迷你AGI控制世界要来了?(2)
多个ChatGPT合作完成指定任务,迷你AGI控制世界要来了?
116 0
|
人工智能 监控 机器人
多个ChatGPT合作完成指定任务,迷你AGI控制世界要来了?(1)
多个ChatGPT合作完成指定任务,迷你AGI控制世界要来了?
171 0
|
机器学习/深度学习 人工智能 自然语言处理
扩散模型背后数学太难了,啃不动?谷歌用统一视角讲明白了
扩散模型背后数学太难了,啃不动?谷歌用统一视角讲明白了
249 0
|
机器学习/深度学习 存储 人工智能
ChatGPT的各项超能力从哪儿来?万字拆解追溯技术路线图来了!(1)
ChatGPT的各项超能力从哪儿来?万字拆解追溯技术路线图来了!
188 0
下一篇
DataWorks