Prototyping is a mindset

[大衛選讀] 最近跟設計師聊到 AI 技術大幅降低了概念驗證 (proof of concept) 的門檻,大家都覺得能多做前期嘗試跟探索很好;但是再多談下去,總是會有這樣客戶跟老闆能接受嗎,如果失敗很多次會不會怎樣的疑慮。

我想了想,對耶。試做原型的門檻是降低了沒錯,但是如果觀念沒有改過來,那麼溝通的成本還是一樣高,而且做越多反而帶來更大的反效果。

Prototyping is a mindset 這集 podcast,講了一個我覺得很重要的觀念:試做原型是一種思維。生活中的任何事情可以原型化、試做看看,而且重點是保持好奇、擁抱改變,懂得利用原型測試去策略性地儘早學到新東西。

一旦在生活中帶入這樣的思維,所有的事情都只是個原型罷了,那所有的事情隨時都可以調整。都可以進一步學到東西、變得更好。真的會很酷。

很棒的一集專訪,值得花時間聽一次。內容整理如下,原文連結:https://voltagecontrol.com/blog/prototyping-is-a-mindset/


▋Prototyping is a mindset

製作原型 (prototyping) 在建築、產品設計,甚至工程領域裡佔有很大的比重。通常在設計過程中你會試著建造許多原型,不論是否會秀給別人看,直接用於溝通或是說明。

一圖勝千言,而一個原型勝過千張展示圖片 (a prototype is worth like a thousand pictures)。一旦你手邊有一個可以互動的東西,那個與人對話跟反饋的深度就會非常驚人。原型賦予了實際互動的可能性,那是非常有力量的 (incredibly powerful)。

「在真正全力投入製作之前,能先快速模擬一下嗎?」這個概念在日常生活中很有用。先試試看有沒有用,並且從中學到新的方法、發現新的可能性。

這跟閱讀、討論不一樣,透過把東西做出來,所能學到的東西,完全是另外一個檔次。

任何東西都能原型化 (You can prototype anything)

你可以原型化一個過程、一項服務、一次體驗。任何東西都可以原型化。

你也可以在投資大量資本之前,就去原型化你的商業模式。不需要真的建立物流系統,就可以模擬假裝電商網購到貨的體驗,這個是很酷的事情。

不要讓試做原型變得太過麻煩 (reduce the barrier for people to prototype)

越簡單越好,從概略有個樣子去著手就可以。我期望人們能夠舒服自在、有自信地去試做原型。不要把試做原型搞成一個很困難、門檻障礙很高的事情。

原型的重點在於策略性地前導學習 (learning early & strategically)

我認為試做原型是一種方法,讓想法或概念以某種有形的方式活過來的方法 (a way to bring an idea or a concept to life in some type of tangible way)。

它是在試著設想某個東西的未來狀態 (envision the future state),並且變得可以與他人互動的工具。

然而如果你只是建造某個東西,而從中沒有學到任何事,那你就沒有真正批判性地去做思考。

閱讀全文 Prototyping is a mindset

運用顧客旅程地圖時的常見錯誤

[大衛選讀] CJM 顧客旅程地圖在UX研究中很常見,很多設計師也喜歡在提案跟作品中展示 CJM,來代表自己對於用戶需求頗有掌握。

在打開滿滿一張 CJM 的那一刻,多半可以感覺到設計師的強烈自豪感,但後續在旅程地圖中卻也常常聽不到什麼有用的脈絡。要是使用了一個好工具,卻不知其所以然,那就真的很可惜。

Customer Journey Mapping Mistakes and How to Avoid Them 這篇文章,詳細說明了為什麼要建立 CJM,以及六個在運用顧客旅程地圖時的常見錯誤。像是一開始沒有設定目標、缺乏研究脈絡、角色發展不全、漏看了頭尾等。是一篇很好的實務經驗分享與觀念提醒。

內容整理如下,原文連結:https://www.uxpin.com/studio/blog/customer-journey-mapping-mistakes/


Customer Journey Mapping Mistakes and How to Avoid Them

運用顧客旅程地圖時的常見錯誤

顧客旅程地圖,看起來很容易學習運用,但是在實際使用時常有誤解跟陷阱。以下我們將試著把這個工具的實務運用,說清楚講明白。

▎首先,為什麼要建立顧客旅程地圖? (Why Creating a Customer Journey Map?)

在討論常見誤解之前,讓我們快速了解一下顧客旅程地圖的核心概念。如果你已經很熟悉,可以跳過這部分。

顧客旅程地圖 (Customer Journey Map, CJM) 是將目標用戶跟產品服務間的互動過程,以視覺化的方式表達出來。你可能會問,這些資訊對業務拓展有什麼幫助?

顧客旅程地圖可以幫助你分析客戶的體驗,識別當中的缺陷和改善機會,以進行後續的策略規劃。

另一個極大的好處是,這個方法有助於吸引你團隊的注意力,並在公司內部發展出共同的認知。像是我們的客戶到底是誰,以及如何接觸到他們。這將會讓團隊更好地合作,提高效率。

然而顧客旅程地圖這類的工具,有它的特性與限制。就像是特定的藥物一樣,必須正確地使用才能達到預期效果。以下則是運用顧客旅程地圖時的常見錯誤:

▎錯誤 #1:沒有設定目標 (No goals were set)

缺乏經驗的設計師或研究員,通常會單純為了製作而製作CJM;或者希望能透過一張旅程地圖,就能識別出客戶旅程中的所有缺口問題。

但實際狀況是,沒有明確的目標,就不會有任何結果 (no clear goal, no result),回頭看都只是自我感覺良好的投入而已。在不知道為什麼要建立地圖的情況下,即使研究資料再多,一樣會鬆散沒重點,又能從中發展出什麼用戶體驗的改善策略?

解決方法是,在投入研究之前,先確保團隊能回答以下問題:

・你想分析什麼,為什麼?

・你希望改進哪部分的流程?

・誰對這旅程地圖盤點專案負最終責任?

・這涉及了哪些部門?

・是否有特定的客戶群體需要觀察?

・公司將如何從客戶體驗改善中受益?

你必須先設定一個明確的目標。避免所有 (all) 這個字,因為它意味著什麼都沒有 (nothing);感覺就像登上了一架到處都會去,但卻沒有具體目的地的一班飛機。

你設定的目標越明確,顧客旅程地圖的計劃就越容易成功。

閱讀全文 運用顧客旅程地圖時的常見錯誤

關於智能的第一性原則,以及對於 AI 人工智能發展的影響

[大衛選讀] 去年底的 AI 熱潮開始後,我就一直在找關於人工智能發展的基礎原則。若能看懂大的原則跟方向,後面要做自我技能的發展,或是特定的投資決策,都會比較容易些。

On some first principles of intelligence 這篇文章,試著寫出了智能的幾個第一性原則,並且用此對比人工智慧的發展。

文中提到了如何建立資訊反饋機制 (feedback mechanism)、善用電腦在儲存與計算上的巨大優勢、以及怎樣發展泛化能力 (generalization capability) 等概念,非常具啟發性。

原文是一篇很簡短,但有點硬的文章。為了讓自己讀懂,我額外讀了不少相關資訊,再擴寫成以下的重點摘要。

內容整理如下,原文連結:https://www.lesswrong.com/posts/oJzHEYL9ztgMwsze9/on-some-first-principles-of-intelligence


On some first principles of intelligence

關於智能的第一性原則

過去十年中 AI 研究的進展和成功,似乎都可以追溯到上世紀所發現的一些關於智能本質的基本原則。以下就來細談這幾個可以視為是智能的第一性原則,以及這些原則對於 AI 人工智能發展的影響。

▎由 Robert Wiener 提出的反饋機制 (Feedback mechanism)

一般來說,反饋 (feedback) 是對於資訊迴路的抽象描述,目的是在確保一個系統能夠持續地改善與調適 (improvement/adaptation)。

在真實世界裡,人類和動物都需要收到反饋,以便提高做某件事情的技能水準。同樣的,一個產品或技術,也需要來自於外部環境的反饋資訊,來逐步改進以達到一定的可用性。

我們可以這樣說,任何有用的自動化系統,本身都是封閉迴路的反饋系統 (closed-loop feedback system)。系統會監控輸出,並且用來調整輸入;藉由不斷地回饋本身的狀態,來自行調整運作效能。

從這個角度來看,那些沒有反饋機制的自我監督機器學習,像是設定了很多規則去模擬但卻沒有真實上路的自駕系統,發展到最後並不能產生令人滿意的結果,那就一點也不意外了。因為這樣的系統,缺乏來自於外部環境對於表現好壞的反饋。

這些資訊是非常必要的,可以用來改進跟修正。

從這個角度來看,一個 AGI 通用人工智慧必須要能夠自主與環境互動,透過觀察去收集動作之後的反饋,並通過某種機制去持續地整合所得資訊,進而改寫優化自身的程式碼。

▎由 Rolf Landauer 提出的蘭道爾原理 (Landauer’s Principle)

Landauer’s Principle 把資訊熵 (information entropy) 與熱力學的熵 (thermal dynamics entropy),巧妙地連結在一起。兩者同樣都遵循熱力學的第二定律。這個原理認為,當你刪除一個位元的資訊時,會有對應的能量被釋放到環境中,也就是變成熱能。資訊處理和能量消耗之間是密不可分的。

熵在這裡可以被視為一個對不確定性 (uncertainty),或混亂程度 (disorder) 的度量。在人工智能領域中,降低熵就意味著減少不確定性、提高模型的預測能力或效能。

如果一個演算法被放在封閉系統裡,沒有來自外部環境的資訊反饋,像是加入更多的新數據或是人類的知識,它將無法學習或適應新的狀況。它的智能水平或是預測能力將無法提昇,熵也就不會降低。

目前最常用的反饋方法是,利用工程師自己的理解和判斷,來優化和改進機器學習模型。然而人類的思考速度和處理能力相對較慢,而且可能受到先入為主的偏見影響。隨著數據和模型規模的增長,單單只靠人類工程師的大腦來反饋和優化,可能會變得越來越不切實際。

閱讀全文 關於智能的第一性原則,以及對於 AI 人工智能發展的影響

Personas 人物誌所帶來的問題

[大衛選讀] Persona是很常用的研究溝通工具,但也常常是整份報告當中最大的敗筆。一份整理不到位的人物誌,讀起來很容易閃神出戲,導致整份研究報告的可信度大幅下降。

The Problem with Personas 這篇文章,列出了人物誌常見的五個問題,像是不夠深入、太多細節、虛假跟欠缺真實情境等。並且建議了幾個可以替代補充的工具。

實際上,人物誌本身並沒有錯,其他工具也一樣可能會被濫用。我們該重視的不只是交付成果本身,更關鍵的是整個研究過程以及當中的思考脈絡。做了什麼不重要,重要的是,學到了什麼。

重點摘要整理如下,全文連結:https://medium.com/typecode/the-problem-with-personas-b6734a08d37a


The Problem with Personas

Personas 人物誌所帶來的問題

幾年前,我和客戶合作進行一個網站設計專案。儘管沒有太多預算可以用於研究,但他們說已經建立好 persona,可以直接取用。我心想太好了!如果客戶已經做了一些研究,並且定義了他們的目標用戶,這將會相對容易些。

不幸的是,我得到的只是一堆隨機事實 (random collection of facts),以及幾個顯然不存在的假想人物。

之所以會形塑出這些人物的刻板印象,只是客戶覺得,會需要有一些代表性的人物描述,像是:老年人、年輕人、中年職業媽媽等;以及他們的好惡,像是:購物、發訊息、看電視等。哦,可想而知,這些人物剛好都對客戶想要賣給他們的東西,充滿了熱情跟渴望。

這些所謂的人物誌,裡頭充斥了各種我告誡學生千萬別做的錯誤嘗試。

不客氣地說,身為一位設計師,我的責任是設計一個能解決真人問題的產品。而這些虛假的人物誌,對我來說一點用處也沒有。

Personas 人物誌有什麼問題?

首先我想明確地指出,我不認為人物誌在本質上是錯的,只是建立的過程方法往往有問題。

新手要學習一個工具,往往是從模仿範本開始,然後慢慢去掌握工具的特性,並且知道什麼時候該如何使用。最後才能進一步創造新的工具用法,來呼應眼前的需求。這就是學習。

問題在於,很多人試著寫出一份人物誌,就因此感到滿足了。完全不會去質疑,這裡頭的資訊甚至人物誌本身,是否真的有用。

如果不去批判性地思考,到底要呈現什麼資訊,以及如何呈現它,我們很容易在錯的事物上打轉。工具本身是有用的,只是人們使用它的方式有問題。

歸根究柢,人物誌只是一種包裝你所做過研究的方式 (a way to encapsulate all the research that you’ve done)。目的是讓資訊更容易消化、更容易記住,並且期望能觸發後續的設計行動。

合理的設想是,若是透過一個看起來真的人來展現研究成果,這將更容易引發同情心,因此更願意為他去做對應的設計改變。那麼,如果這個虛構的人不夠真實,那麼就不會激發同情心,而是會引起反感,對吧。如果發生了反效果,這又有什麼好驚訝的呢?

此外,即使是站在我們面前的實際人物,也不總是能激發同情心。相信我,我每天都搭乘地鐵;單單針對一位通勤者的平淡描述,如果我們之間沒有什麼特殊的不同之處,這種程度的刺激並不會觸發我的神經。

那麼把人口統計數據放進人物誌裡面,這樣會更豐富可靠嗎?這是一個值得深思的問題。畢竟,一個人物誌是否在Target或Walmart購物真的很重要嗎?這裡頭其實帶有相當程度的假設,讀到這資訊的人會把自己的偏好跟看法,投射到人物誌當中,並且做出個人的判斷評價。在這狀況下,這樣的人物誌很可能會帶來更多壞處,而非優點。

▎常見的問題是什麼?

為了不要一竿子打翻一船人 (throw out the baby with the bathwater),我想提供一些方法來改善人物誌。以下是我在創建人物誌時,會儘量避免的事情,也是我經常看到新手會發生的幾個錯誤:

閱讀全文 Personas 人物誌所帶來的問題

設計師怎樣才算資深?

[大衛選讀] 設計師怎樣才算資深?這大概是每半年做績效評估時,都會被反覆詢問的問題。

有些團隊用做過多少案子,待了多長時間來評估。我自己則是看專業能力與實務經驗,同時去衡量設計師在團隊內外的影響力。對我來說,資深與否並不是看有多會做設計,而是能夠發揮多少設計專業的影響力。

Getting to Senior in UX 這篇分享簡報,很清楚地列出了資深設計師的幾項特質條件,以及如何練習培養。關鍵包含:形塑自己的觀點、成為他人的教練與導師、參與領導、透明溝通、積極面向大眾等。

重點摘要整理如下,全文連結:https://docs.google.com/presentation/d/1v3SlMKO5_9zrEJINhaOlT-YIA0UZi2Qpiv_gYCJMiCI/edit?usp=sharing


Getting to Senior in UX

如何晉升到用戶體驗的資深職位

資深並不等於管理。在一個資深的工作角色中,你會被期望能夠:領導他人 (lead people),掌握設計實務 (shape practice),以及在組織內作為設計專業的代表。有機會的話,還期待能讓設計團隊在外界有不錯的形象。

以上這些加總起來,也就等於更大的影響力 (more impact)。

至於要如何讓自己成為人們想要招募、提拔、一起合作的資深專業角色?以下是幾個關鍵的要點:

形塑自己的觀點 (Becoming Opinionated)

一位資深的用戶體驗專家,本身應該是設計實務作法的權威(their own authority on good practice)。

對於設計該如何做,他們能自信地分享深思熟慮後的看法,無論是以書面簡報呈現,還是在日常的對話當中。他們也可以自在地引述其他人的觀點,無論是否完全認同。他們對於自己言之有物、有所依據的程度,有著相當的自知。

同時,他們也知道凡事絕對不只有一種正確的作法,但他們會負責果敢地採取一個清楚的立場。(There’s never only one right way, but they take a position.)

如果想要練習如何形塑觀點,可以試著問自己:你曾見過哪些成功或失敗的設計案例,當時是在怎樣的情境脈絡下?你是否能分析解釋其中的關鍵因素?

更進一步,可以試著去對你心目中的英雄,以及身邊的夥伴,提出正向的批判 (critique)。像是:既使是你最崇拜的專業人士也還有哪些不足?跨專業的夥伴能夠合作順暢的背後,到底是什麼工作方式發揮了關鍵效果?

閱讀全文 設計師怎樣才算資深?

好的領導者,怎樣才能什麼都不做

[大衛選讀] 我大體上是一個想很多的人,要我什麼都不想,什麼都不做,真的會很要我的命。

How to do Nothing 這篇文章,很詼諧有趣地,去反面述說當一個主管要怎樣偷偷摸摸、小心翼翼,就是要讓大家覺得他什麼都沒做,來幫自己省點事。但實際上,這扎扎實實是一篇有關於如何積極管理、充分授權的經驗分享文。

重點摘要整理如下,全文連結:https://fragile.org.uk/2010/02/15/how-to-do-nothing/


How to do Nothing

怎樣才能什麼都不做

管理上真的要什麼都不做,這遠比看起來更困難。過去作為一位開發人員,我有時候很難理解我的老闆一整天到底都在做些什麼。

事實上,老闆越出色,他們看起來就越少做事 (the better the boss, the less they seemed to do)。

往後快轉幾年到現在,我發現自己開始負責指導其他開發人員,也就很快明白了,什麼都不做其實相當有挑戰性。不管我怎麼努力,總是會有事情冒出來,我因此一度只能埋頭苦幹。

正如先前提到的,這不是一個好兆頭。事實證明,能夠做到什麼都不做 (doing nothing) ,這本身就是一份全職工作了。我整理了一些個人的實踐經驗如下:

預料當中,而不是當下反應 (Anticipate rather than react)

在某些情況下,最後一刻趕去搶救局面確實是令人興奮的,尤其是在千鈞一髮的時候。然而,以這種方式動手干預,並不是表現出你有在做事的最好方式。

如果能提前注意到需要做些什麼,並在還沒有人發現之前,就能採取有效的行動,這會好得多。這意味著你需要不斷地留心觀察,積極尋找那些,需要提前應對的事情,並且偷偷做掉,不要讓人發現。

閱讀全文 好的領導者,怎樣才能什麼都不做

臨場決策是一種技能,你有好好訓練這樣的能力嗎?

[大衛選讀] 能否有效閱讀場上的比賽,往往是球員臨場表現好壞的關鍵。有時候我們會說某個球員的視野好,能有效預判情勢、有創意地打出絕妙好球。這是靠天生的直覺嗎,還是後天的經驗學習?

Decision Making Is a skill. Do you train it? 這篇文章把所謂的能讀懂比賽 (read the game),視為是決策技能的展現,並且拆解成情境評估 (Situational Assessment) 和決策制定 (Decision Making) 的能力。

與其說這能力只特別適用在球場上,我倒覺得所有的PM, Lead, 資深專業工作者,都需要這樣的現場決策技能,才有辦法在臨場會議討論、提案簡報對談中,預測接下來可能發生什麼,並選擇正確的行動。

重點摘要整理如下,全文連結:https://www.linkedin.com/pulse/decision-making-skill-do-you-train-jack-birtwhistle/


▋Decision Making Is a skill. Do you train it?

臨場決策是一種技能,你有好好訓練這樣的能力嗎?

對許多運動員來說,如何下決策 (decision-making) 是一種核心技能。例如足球、橄欖球和籃球等運動,運動員需要迅速評估當下情況並選擇適當的行動。然而場上的情況是高度動態的,隊友、對手和裁判都在獨立做出決策和採取行動,每秒鐘的情勢都在改變。

人們往往會說有些選手比其他人,更能讀懂比賽 (read the game)。他們似乎能預知接下來會發生什麼,並總能比對手快上一步。這是真的,但這能力並非是天生就有的。

決策是一種技能。這些運動員不是魔術師。無論是透過天賦、經驗還是專門的學習,也可能三者兼備。這些選手都培養出了頂尖的感知認知技能 (perceptual-cognitive skills),使他們能夠準確地進行情況評估,預測接下來可能發生什麼,並選擇正確的行動。

當他們在場上比賽時,似乎時間的流動變慢了,他們比對手有更多的時間餘裕。從某種意義上說,他們確實有,因為他們的腦袋能自動流暢地閱讀和反應 (reading and responding),而不需要停下來思考。

那麼我們如何培養這種特殊的技能組合呢?首先,我們把它拆解成兩個部分:情境評估 (Situational Assessment) 和決策制定 (Decision Making)。

閱讀全文 臨場決策是一種技能,你有好好訓練這樣的能力嗎?

如何設計一份能自主成長的工作?

[大衛選讀] 最近我一直在想,五到十年後的工作,還是跟現在一樣嗎?肯定不一樣,過去光是遠端協作工具的導入,就已經改變了整個設計溝通的模式以及職能上的需求。未來 AI 大量自動化之後,對於人類工作挑戰上的改變,肯定是巨大而直接的。

How Well-Designed Work Makes Us Smarter 這篇文章,提到了人類認知的兩種關鍵能力,包含結晶智慧與流體智慧 (Crystallized and Fluid Intelligence)。以及如何透過良好的工作設計,去讓工作者自主學習,累加知識,並且促進認知發展。

身處設計顧問業,我們每一個專案的團隊組成、設計流程、甚至專案挑戰,都是可以 (而且需要) 被設計的。當然不可能隨心所欲想幹嘛就幹嘛,但總是有機會去做點工作設計上的努力,讓大家工作開心自主些,在過程中多一點好的挑戰跟反饋。

重點摘要整理如下,全文連結:https://sloanreview.mit.edu/article/how-well-designed-work-makes-us-smarter/


How Well-Designed Work Makes Us Smarter

如何透過精心規劃的工作安排,讓我們變得更聰明

良好的工作設計,讓工作者能自主、目標導向地解決問題,可以增強員工的認知技能,並且有助於持續學習。

推動員工持續學習是一個日益迫切的優先要務。隨著 AI 人工智能系統的發展,越來越多手動和常規工作會被自動化,人類可能會需要轉而去承擔那些更具認知挑戰 (more cognitively challenging) 的工作。這一切使得管理者必須要認知到,如何在工作場所培育認知能力、加速學習成長,變得越來越關鍵。

研究結果發現,並非所有的工作在促進學習方面都有一樣的效果。但差異並不來自工作的類型,而是跟工作設計 (work design) 是否得當有關。

在這篇文章中,我們將提到五個在工作設計上的重要面向。我們也將針對勞動力逐漸老化的影響,並且在管理實踐上提出建議。但首先,我們將先解釋什麼是認知,以及對工作者績效表現有關的兩種關鍵能力。

結晶智慧與流體智慧 (Crystallized and Fluid Intelligence)

人類認知有兩個關鍵的類型,對工作績效都相當重要:結晶知識和流體認知的能力。

知識包括了我們所知的事實、我們如何做事的理解 (程序性知識, procedural knowledge) ,以及所謂的內隱知識 (tacit knowledge),像是非正式獲得且難以解釋的知識,例如開車的經驗技能。

在整個職業生涯中,隨著人們積累經驗並發展專業,工作相關的知識會隨之增加。這一變化被稱為結晶智慧 (crystallized intelligence) 的增長。

以銷售業務為例,透過持續的銷售活動,他們將更深入了解產品和客戶,形成專業知識。多年下來,大量累積的知識讓他們能夠處理棘手的客戶和複雜的產品問題。銷售業務的知識,也就是結晶智慧,因此累積增加而且能充分運用。

第二種認知是流體認知能力 (fluid cognitive abilities),也就是我們留意、推理跟處理資訊的能力。以剛剛提到的銷售業務為例,基礎的工作記憶能力 (working memory) 和處理複雜資訊的速度,使他們能夠在第一線妥善解決客戶的問題。

結晶而成的知識會累積並在一生當中持續增長;然而後面這種流體認知能力,又稱為流體智慧 (fluid intelligence),通常在成年早期達到高峰,然後就隨著年齡開始退化下降。

閱讀全文 如何設計一份能自主成長的工作?

你是否在解決正確的問題?

[大衛選讀] 你是否在解決正確的問題? 這是在初次接觸客戶時,我腦袋裡面會想的事情,也是我最常在專案前期詢問自家設計團隊的問題。

Are You Solving the Right Problems? 這篇文章,很清晰地說明了重新框定問題 (reframing) 的概念。真正創新的解決方案,大多來自於對於問題的另一種定義。Reframing 的重點,不在於找到「真正」的問題,而是在於是否有「更好」的問題可以解決。重新去辨識問題的不同面向,有時可以帶來根本性的改進,甚至可以激發出創新破框的解決方案。

文中舉了經典的慢速電梯問題,以及大量的實務案例。同時也把重新框定問題的七種實務技巧,都詳細說明了。內容很長,但是值得反覆閱讀,遇到問題時用來敲敲自己的腦袋。應該會有不錯的效果。

重點摘要整理如下,全文連結:https://hbr.org/2017/01/are-you-solving-the-right-problems


▋Are You Solving the Right Problems?

你是否在解決正確的問題?

大多數公司在辛苦掙扎的並不是如何解決問題,而是找出問題是什麼。

在針對 17 個國家的106位 C-suite 主管的調查中,我發現有整整 85% 的人同意他們的組織在問題診斷方面做得並不好,並且有 87% 的人同意這導致了大量成本。

這個行為模式很明顯:由於傾向立即採取行動,管理者往往在不確認他們是否真正理解問題的情況下,就快速切換到解決方案模式。

企業都知道正確診斷問題的重要性,但一部分受制於完整的問題診斷工具過於複雜跟耗時。像是TRIZ, Six Sigma, Scrum等框架,這些工具很強大,但是在組織內導入需要很長一段時間的培訓。即使人們改用更簡單的問題診斷框架,例如 root cause analysis 以及 5 Whys questioning technique 等,他們經常會發現自己是在已經定義的問題上繼續挖得更深,而不會得到其他角度的診斷與觀點。

深入分析問題很好,但真正創新的解決方案,大多來自於對於問題的另一種定義 (alternative definition of your problem)。

慢速電梯問題 (The Slow Elevator Problem)

想像一下:你是一個辦公大樓的業主,你的承租戶正在抱怨電梯很慢,必須等待很長的時間。

當被問到這問題時,大多數人很快就能找出一些解法建議:像是更換電梯、安裝更強的馬達,或者升級電梯的軟體等。

這些建議都屬於解決方案空間 (solution space):一系列各式各樣的解決方案,背後都有著共同的問題假設。在這種情境下,關鍵的問題假設就是電梯很慢。

然而,當這個問題傳給大樓管理員時,他們提出了一個更為巧妙的解決方案:就是在電梯旁邊擺上一面鏡子。這個簡單的措施在減少投訴上非常有效,因為人們在有極其吸引人的東西可以看時 (也就是他們自己),往往會忘記時間。

鏡子的解決方案之所以特別有趣,因為實際上它並不是對原先問題的解決方案:它並未使電梯變快。相反地,它提出了對於問題的不同理解。

要注意的是,一開始的問題分析框架並不一定是錯的,安裝新的電梯確實可能會有效。重新框定 (reframing) 的重點,不在於找到「真正」的問題,而是在於是否有「更好」的問題可以解決。

事實上,認為事物背後肯定有單一的根本問題 (single root problem),可能是個誤解。實務上,問題通常是有很多因素的,並可以透過多種方式來解決。

例如,電梯問題可以被重新定義成高峰需求的問題。問題是太多的人需要同時使用電梯,那就可能會產生出一個致力於分散需求的解決方案,例如如何有效錯開人們的午餐時間。

重新去辨識問題的不同面向,有時可以帶來根本性的改進,甚至可以激發出創新破框的解決方案。

重新框定問題的七種實務技巧 (Seven Practices for Effective Reframing)

在我的經驗中,重新框定 (reframing) 最好能被視為是一種快速的迭代過程。就像是快速原型製作 (rapid prototyping) 一樣。

我在這裡列出的實務技巧,可以用其中任一種方式,取決於你對情況有多少控制權。

一種方式是將所有七種實務技巧都應用到問題上。這大約可以在 30 分鐘內完成,並且有助於讓每個人熟悉這套方法。

另一種方式,只需選擇其中一兩種當下最適合的實踐方式。在你無法控制情況,並且必須根據手邊可用時間多寡來調整方法時,也許就只有五分鐘也行。五分鐘聽起來連描述一個問題的時間都不夠,更不用說是要重新框定它了。但令人驚訝的是,我發現這種短暫的介入 (short interventions) 往往足以激發新的思考,並從根本上改變你對問題的看法。

太貼近手邊的問題,可能會讓你迷失在細節中,進入無止盡的思考迴圈。這時候你會需要有人跳出來,對你大聲說,這問題難道只能這樣想嗎?

以下是七種重新框定問題的實務技巧:

閱讀全文 你是否在解決正確的問題?

易用性研究發現,AI 可提升員工生產力達 66%

[大衛選讀] 使用者體驗研究先驅 Jakob Nielsen 剛發表文章表示:最新的易用性研究發現,AI 可提升員工生產力達 66%

Jakob Nielsen 是在使用者體驗設計 (User Experience Design) 和易用性 (Usability) 領域中極具影響力的專家。他被認為是網頁易用性概念的教父,同時是專業諮詢公司 Nielsen Norman Group 的共同創辦人。

很少看到 Jakob Nielsen 用如此興奮的口氣發表文章。看著UX領域的大師級人物,對於 AI 提昇工作效能的實證研究成果,有這樣熱切 (手舞足蹈?) 的反應,真是非常新奇。

簡單講,AI 讓生產力瞬間增加了66%,這是很驚人的進步。AI 不只增加了效率,也同時增進了品質。AI 不會取代人類,往後最好的工作結果,將來自 AI 和人類的共同協作。AI 縮小了技能差距,同時也減低了人們在工作記憶上的負載,這將會大量釋放創新突破的可能性。

我盡量在翻譯上保留 Jakob Nielsen 的原意語調了,有興趣感受一下興奮感的,記得閱讀一下原文 🙂

重點摘要整理如下,全文連結:https://www.nngroup.com/articles/ai-tools-productivity-gains/


AI Improves Employee Productivity by 66%

易用性研究發現,AI 可提升員工生產力達 66%

我們終於得到了關於像 ChatGPT 這種生成式 AI系統在實際商業任務中的易用性研究數據。三個最新的研究針對不同領域中非常不同類型的工作者進行了測試,都得出了相同的結論:使用 AI 後的生產力明顯提高 (productivity increased significantly),技能最低的工作者獲得了最大的收益 (biggest gains for the least-skilled users)。其中一些研究還發現,不只是效能,工作的質量也有所提高。

近幾個月以來,對 AI 無止盡的討論一直在進行,但幾乎所有的結論都是推測性的,充滿了作者的個人觀點。大部分內容都可以看做是胡說八道。

基於特定觀點的猜測經常是錯誤的,並且當公司砸了大筆資源,卻推出了無效的產品時,這將會導致大量的浪費虧損。這就是為什麼這些從用戶實地使用中所蒐集來的實證資料 (empirical data from hands-on use),會如此地有價值。

生產力研究結果 (Productivity Findings)

最近有三個獨立研究,分別測試了企業軟體公司的客服人員解決客戶查詢、經驗豐富的商業人士撰寫常規商業文件,以及程式設計師編寫一個小型軟體。

研究中最引人注目的結果是: AI 確實適用於真實的商業使用。與沒有 AI 工具相比,用戶在 AI 協助下去執行工作要有效率得多。

• 研究1:使用 AI 的客服人員,每小時能多處理 13.8% 的客戶查詢。

• 研究2:使用 AI 的商業人士,每小時能多撰寫 59% 的商業文件。

• 研究3:使用 AI 的程式設計師每週能多編寫 126% 的程式碼。

從圖表中可以清楚地看到,任務生產力的變化在三個研究的領域中非常不同。似乎越需要認知的任務 (例如:寫代碼 vs. 回答客戶查詢),越能受益於 AI 的協助。

AI 導致的生產力提升真的有那麼重要嗎? (Is the AI-Caused Productivity Lift a Big Deal?)

平均而言,在這三項研究中,生成式 AI 工具在執行實際任務時讓企業用戶的生產力增加了66%。我們應該如何評價這個數字?

單純數字本身是沒有意義的。只有當我們將其與其他數字進行比較時,才能得出結論。

作為比較,根據美國勞工統計局的數據,美國的平均勞動生產力增長在 COVID-19 大流行前的 12 年 (2007-2019年) 中,為每年增加 1.4%。根據 Eurostat 的數據,歐盟在同一時期的平均勞動生產力增長為每年 0.8%。

現在我們有了可以比較的東西。AI 帶來的 66% 生產力增長,如果是用自然方式增長,在美國得花上 47 年,在歐洲得花上 88 年。從這點看來,確實,AI 是一件大事!

閱讀全文 易用性研究發現,AI 可提升員工生產力達 66%