《UCD火花集2:有效的互联网产品设计 交互/信息设计 用户研究讨论》一2.3 交互设计师容易犯的错误:把自己禁锢在解决方案之中

简介:

本节书摘来自异步社区《UCD火花集2:有效的互联网产品设计 交互/信息设计 用户研究讨论》一书中的第2章,第2.3节,作者 UCDChina,更多章节内容可以访问云栖社区“异步社区”公众号查看

2.3 交互设计师容易犯的错误:把自己禁锢在解决方案之中

UCD火花集2:有效的互联网产品设计 交互/信息设计 用户研究讨论
文/呆聋瞎

很多交互设计师(Interaction Designer)都会抱怨:产品经理(PD)在写商业需求文档(BRD)时,连各个方案的线框图(Wireframe)都出好了,我们还有什么发挥空间呀,照着做就是了。

我觉得与其这样自暴自弃,倒不如仔细想想为什么产品经理要把各种方案都考虑得很细。我想应该有以下一些原因:

为了帮助自己思考。产品经理经常要考虑方案的可行性,不思考一些比较细致的解决方案,有时候很难估计一些问题,如项目是否可行,项目要花多少人力物力。
为了给别人讲解。产品经理在解释自己的商业需求时,如果只单单讲一些复杂的而抽象的商业逻辑,有时很难让听众理解。很可能老板会问:你到底想要做什么?
为了确保项目的可控。产品经理把项目交给在给设计师和工程师完成时,很怕他们没有按自己的期望完成。本来想要一个悍马,结果发现最后拿到了一个QQ。
面对已经比较细致的解决方案,许多交互设计师无从下手,只能在产品经理的方案上小修小补,提一些类似“老爷,袍子脏了,脱下了洗洗吧”之类的建议。我觉得与其这样,倒不如先把问题弄清楚,再考虑解决方案。问题本身都没弄清楚,就提解决方案,不是在搞问题,而是在被问题搞。不要被产品经理画的线框图限制住,多问问自己他的商业需求是什么,要解决什么问题,而不是忙着抛出自己的解决方案。

例如,一些产品经理会这样给你讲他的商业需求:现在,老板家老鼠很多,我觉得应该做个捕鼠夹,方的那种,上面有铁丝,还有诱饵什么的,就放奶酪吧。这是我的产品Demo。好了,看看这方案,有什么问题,提出来。如果没有,就按照这个做吧。


26521a5a23b4d5d8249ce66db931960ba40a2711

有些交互设计师就开始照着这个Demo开始做线框图了,然后就视觉设计师出视觉稿,接着就……

是不是应该等一等,那个Demo不是商业需求,而是完成这个商业需求的解决方案,而且应该仅仅是解决方案之一。商业需求是消灭老鼠。产生这个需求的问题是什么呢?老板家有老鼠了。我们要解决的问题是鼠患,而不是如何做一个老鼠夹。

弄清楚问题本身,我们的设计思路就不会仅仅局限在如果完成一个未必靠谱的解决方案上。消灭老鼠未必要用老鼠夹,难道不能养只猫呀?难道不能用老鼠药么?难道就不能有其他解决方案么?

经验不足的交互设计师最容易犯的错误之一就是没能清楚问题本身,就盲目地出一些解决方案,甚至为个不靠谱的解决方案跟别人争个头破血流。在我们跟人家争执按钮上的文案时,在我们跟人家讨论评价分数应该用星星还是黄瓜表示时,在我们跟人家探讨把搜索结果的过滤条件放在上边还是左边时,我们是不是先要问问自己,我们到底要解决什么问题,我们要解决的问题是真正需要解决的么?

相关文章
|
8天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
292 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
303 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
233 113
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
809 6