设计归因之多元线性回归

无论体验度量还是设计价值的评估，体验设计界自来面临一个棘手的“归因问题”：设计的贡献值是多少？某因素对整体体验的影响程度如何？
-
由于比对的多个事物间仅被“定性”的判断为具有某种因果关系，难以量化且表述出固定的关系，这一直阻碍着体验设计领域的科学发展。多元线性回归分析是基本的统计学方法，一直在用研中活跃，但由于设计师外包了研究工作给用研，较少了解到多元线性回归方法可以用到体验设计的量化归因上。
-
多元线性回归分析指，对“因变量”与存在因果关系的多个“自变量”进行关系描述分析，进而预测因变量。链接 多元线性回归分析方法，源于定性，又超越定性，正是体验度量或价值评估所需要的。由于这种描述关系是统计学意义上的，对样本量有要求，来逼近真实情况。

01 定性获取自变量

通过开放性问卷，获得相关人员对造成或影响某现象（因变量）的可能原因（自变量）分析反馈，综合汇总全部因素后，整理出一份自变量列表。定量的获取因变量、自变量的契合目标的样本量，并完成数据清洗以提高分析的有效性。

以某设计工具产品为例，取因变量——“NPS推荐值”，取多个自变量——“加载速度、界面美观度、易学性、文案质量、操作难度、订阅价格、易用性、易理解度”总 8 个指标。

NPS推荐值 加载速度 界面美观度 易学性 文案质量 操作难度 订阅价格 易用性 易理解度
xx xx xx xx xx xx xx xx xx
xx xx xx xx xx xx xx xx xx
…… …… …… …… …… …… …… …… ……


02 自变量校准（因子降维）
因子降维是一种数据处理操作，旨在从真实数据关系角度判断“自变量”与“因变量”是否具有严谨的正相关性，以及是否存在重复的“自变量”，方便剔除或进一步整合。


从上图可以发现，“文案质量”与“易理解度”，“操作难度”与“易用性”的数据区域重合度高，实际上只算一个“自变量”维度，择其一即可。

03 多元线性回归分析
将矫正后的自变量与因变量重新输入计算机执行多元线性回归分析，则可拟合出它们之间的数学关系，该拟合关系受样本量，样本质量影响，越精准越能描述出准确的关系。（由于数据量大，需要借助计算机软件，如SPSS）
y=k1x1+k2x2+k3x3+ k4x ……


k值反映出该自变量对因变量的影响程度。这一方面可为我们设计决策指明方向，结合每个自变量的当前值的现状，确定发力的方向。如下是一份“优化意愿-满意度值”矩阵图表。可以明显发现“操作难度”、“文案质量”因子本身数值低，且优化意愿高，假设我们在某6个月周期内，预期提高 △xn的数值，结合kn的数值，进行量化计算：△yn=△xnkn > △ym=△xmkm ,在决策上，则倾向于 n 自变量。这将为体验设计构建一项坚实判断基础，使相关工作有据可依，有条不紊。


同理，我们可以将业务指标（如成交率、留存率、活跃度等）与体验指标挂钩，逐渐构建、优化出一套坚实的量化模型，设计价值的“效能”则可以被大致计算出来，为设计决策、资源获取都将带来帮助。本文仅阐述了相关原理及其在体验设计中运用关系，具体灵活实践不做赘述。