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