产品经理-用户体验数据的多维度处理PCA法及碎石图.pdf
版权申诉
7 浏览量
2022-11-17
03:54:28
上传
评论
收藏 495KB PDF 举报
用户体验数据的多维度处理 PCA 法及碎石
图
无关乎算法原理，本文将从用户体验的字面上，着重分析多维度
数据处理的降维方法：主成分分析法（PCA）
主成分分析法（PCA）：类似 SUS，该方法能够将诸多因子如（满
意度，可用性，机械式性等多指标转化成低维度维度数据，以十六进
制统计图表或图表的形式直观呈现），并反映维度数量与误差性关系
的图表–碎石图及其算法（基于 PCA）。
前文我们提到了用户体会数据化的广告主广泛例子–系统可用性
量表 SUS，但是在实际用户体验研究过程中所，不光是可用性观测，还
涉及易用性，评比等等其他维度的评断考量，甚至有些原始数据可能
连有哪些维度都是不清晰的，需要有研究人员来进行判断。在这种情
况下，个人基于个人经验的判断已经难以适应，我们需要借助计算机
与统计学知识来读懂数据以支持决策。
笔者并不是理学出身，但基于实际作业的需要，自学了相关课程，
感触颇深。如果有线性代数和统计学背景自然是最好的，但是如果不
具备，也完全没问题。对于这些方法，如果以产品经理的标准，我们
最需要是使用好十分这些方法，创造价值，所以不用担心。本文将避
开算法原理，而着重分析设计逻辑分析和应用场景。
回顾一下之前的电子系统可用性试试量表 SUS（详情请看《浅析移
动用户体验数据化》），它本质上是通过投影的方式，将原本两个维
度的数据（可用性与易用性）转化在单个轴上。在多维度建模中，其
核心内容也是如此也是将：系统化空间的数据通过投影的方式转化在
低纬度中。
线性代数问我们，如果是单纯的降维，有无数种方式可以进行，
难的是在降维演化过程中，保持原有数据的特征也特性就是相关性。
评论0
最新资源