闫朝阳

摘要：文章首先从传统网站和大数据分析平台出发分析二者的特征，得出二者在功能、界面和内容方面的交互设计异同点。然后以用户为中心，分析了大数据分析平台用户群体的角色分类和需求特征，总结出五类用户角色在基本型、期望型和兴奋型需求中的交互体验诉求。最后结合WEB服务和用户的特征提出能更好指导大数据分析平台交互设计的三类原则，并进行相关设计策略和案例的列举。

关键词：大数据网站设计交互设计

中图分类号：TB47文献标识码：A

文章编号：1003-0069（2019）09-0094-04

引言

当今是一个数据爆发增长的时代。移动互联网、移动终端和数据传感器的出现，使数据以超出人们想象的速度快速增长。据调查机构估测，数据数量一直在快速增加，这个速度不仅是指数据流的增长，而且还包括全新的数据种类的增多。对于海量并且瞬息万变的大数据来说，存储已然不是最终目标，如何从数据中获得包括商业价值在内的红利，才是其真正的意义所在。

不同于过往针对数据库的设计模式，大数据分析平台的用户逐渐从程序工程师演变为“开发者+数据分析师+客户业务员+管理者”分工协作的角色模式。交互方式也从程序语言对话指令式交互演变为“文本框+按钮+列表+N”配合各类感官反馈的自然式人机交互，设计原则逐渐向传统的WEB服务靠近，但又体现出了大数据所带来的特殊性。

一、与传统Web交互设计的对比分析

大数据分析平台作为一种基于w印的服务，随着技术的完备和后臺包装的完善，正渐渐具备更高的可用性和易用性，体现出更多亲和力的特征。平台本身的技术含量在逐渐增高，用户感知到的技术难度在逐渐降低。若想进一步向传统网站优异的用户体验相看齐，可以借鉴许多传统网站的交互设计原则和设计要素，例如导航栏的设计、可分类内容的浏览、层次化的结构、主页的多功能入口等。但同时也要注意大数据技术为平台所带来的特殊性，以及用户群体的不同导致的需求差异。

传统WEB绝大多数服务于c端用户，而现阶段大数据分析平台面向的则多为B端（企业）用户。c端用户使用Web服务的主要目的是满足生活的需要，例如进行搜索信息、电商购物、旅行规划、地图导航等，从而满足自身认知、消费和娱乐等方面的需求。企业用户使用Web服务则是为了满足一定的商业目的，各类操作行为具有明显的价值利益导向。二者不仅在需求方面有明显的区别，在功能实现逻辑、界面布局方式、内容交互方式上也有实质性的不同。

（一）功能实现逻辑

一个功能的实现逻辑取决于完成一个任务或解决一个问题需要进行的步骤。传统WEB服务由于其所要解决问题本身的简易性，使得功能实现起来较为简单。例如淘宝网的商品浏览功能，用户只需简单地滑动鼠标滚轮，便可以上下浏览琳琅满目的各类商品，想实现下一步的购买功能，只需在商品详情页点击购买按钮，确认地址信息和商品信息，输入支付密码便可以完成从浏览到购买的任务。大数据分析平台则存在各式各样的任务，包括数据清洗、数据集制作、策略配置等复杂过程。其所处理的是商业数据或用户数据，这都是价值和安全性要求都极高的数据，需要操作人员对各个步骤都严格操作，以防出现错误。同时功能的实现具有一定的实验性和风险性，需要对数据反复进行不同方式的分析，最终才能得到一个满意的结果。

（二）界面布局方式

功能决定了界面所搭载的信息内容和所需要的图标按钮等操作媒介，这些内容的分布方式则是取决于用户对内容的识别方式和使用习惯。传统的WEB服务常采用信息输出导向的布局方式：

1.顶部大图Banner配合简单的栅格来加强视觉表现力，图片上通过叠加文字标题和简单的信息摘要能够轻松地吸引用户的注意力，也能够很好地满足响应式设计的需要;

2.单页设计配合单栏布局，比较适合主题集中且内容固定的网站，需要对留白和内容密集度进行良好的控制，否则会对用户带来混乱和局促不安的体验;

3.F式布局，因为用户常常习惯先从左到右阅读，然后向下移动，再继续从左到右阅读，这种布局满足用户的心理模型和行为模式，因此比较容易获得用户的理解和认可。

在上述三种经典的传统网站页面布局方式基础上，大数据分析平台为适应大规模数据、多功能模块和多线程工作模式常采用下列两种布局方式：

1.信息输入与输出相平衡的列式布局配合全局导航，通过两栏、三栏或者四栏的布局来对信息和功能进行区隔，如图1。这首先是因为该类平台信息本身的专业化程度比较高，其次是因为该类平台用户群体中的权限角色较多、且任务分工较为明确。每一类角色用户进入个特定特面中之后都有可能具备不同的目的，例如在项目中心页便有查看、监督、录入、处理和管理等交互目的，如图2。在策略详情页则有添加数据源、配置分析策略、设计可视化方式等交互目的，如图3。

2.卡片式布局，如图4。与列式布局的原理相同，虽然不如前者的层次展示清晰明了但是符合用户视线从上到下、从左到右的行为模式。浏览体验较为快捷，同时每一个卡片可以展示内容较长的菜单或拥有次级文字内容的标题。

（三）内容交互方式

界面内容信息和用户之间的交互主要分为输入与输出两大类，简单说就是内容的录入和反馈信息的呈现。网站比较传统的交互方式是以键鼠组合为主，通过鼠标的单击、滑动和键盘的打字、命令快捷键来完成输入的交互，网站则常常通过静态图片和文字组合的方式来完成信息的反馈呈现。区别于传统的网站服务，大数据分析平台的内容信息以数据为主，数据本身可以是静态的也可以是动态的。研究表明，用户对于文字文本的内容，读过一遍只能记住20%，而对于图片和图像，看过一遍后能够记住80%。数据可视化是大数据分析平台最需要的信息输出方式，结合动态的数据导入，可以为用户提供科学易懂的结论。因此，可视化的交互是大数据分析平台内容设计的核心。这种交互方式与传统网站相比会有更多的控件交互显示状态，也会增加更多Pc端的交互动作，例如双击、左右滑动、上下滑动、拖拽和放大缩小等，而不仅仅是单击、选中、悬浮和离开这四类交互状态。

二、用户需求特征分析

（一）用户群体角色划分

以用户为中心是当前各类设计师最为关注的一点。大数据分析平台目前所面向的用户并非c端消费者，而多为B端企业用户。相比于c端用户利用兴趣进行社交互联的特征，企业用户是依靠项目式的工作和企业中的职级来进行“连接”的。因此大多数B端产品都有多租户管理系统的设计，不同用户之间紧密合作，最终完成一个完整的项目。

根据对银联智慧、平安科技和腾讯云等多家互联网企业的调查研究，可以将对大数据有需求的用户群体分为分析方和商业决策者（客户）两大类，前者包括管理者、开发人员、运营人员和业务人员四类，如图5。开发人员负责开发编写各类分析工具和策略函数;运营人员专注于数据本身，自行探索数据，从而从数据中发掘有价值的信息;业务人员利用现有的工具和函数对数据和业务进行分析，主要目的是与运营人员和客户等多个相关方进行对接。求助于分析方的商业决策者则根据大数据分析的结果进行最终商业行为的选择，其各类行为均以商业价值为导向。

（二）用户需求特征

根据KAN0模型，如图6。需求可以划分为5类，M代表Must-have，是基本型需求;L代表Linear，是期望型需求;E代表Exciter，是兴奋型需求;R代表Reverse，是相反的需求;Q代表Questionable，是可疑的结果;I代表lndifferent，是无关紧要的。本文主要关注能够代表用户80%需求的M、L、E三类需求，并对其进行详细的分析和设计。

1.基本型需求

这是用户认为产品“必须有”的属性或功能。在五类用户角色中，开发人员和运营人员是拥有基本型需求最多的，他们的使用场景多为对数据进行分析处理的过程。这些人员往往来自多种专业背景，包括计算机、统计学、经济学和管理学等。这种专业背景带来的是习惯性的“偏科”，例如有些用户会长于程序语言而不擅长数据统计，反之亦然。大数据分析平台是需要用户综合的分析能力，“偏科”带给用户的是对不擅长方面的畏惧感。每次操作进行到该步骤都会有不安全的体验。因此需要通过设计来对这种不好的体验进行消解或弱化。

2.期望型需求

这是产品提供超出用户期望越多，用户的满意度越好的需求，这类需求的使用场景多集中在对平台数据进行存储和展示的部分。五类用户角色中商业决策者、管理者和业务人员是对这部分功能查看和操作最多的。经常与人打交道的性质及商业属性导致他们对大数据往往不了解，甚至对“机器”也不了解。因此会存在数据加密技术本身很安全但用户仍然担心数据泄漏、数据处理速度已然很快但用户仍然嫌弃结果呈现的速度等问题，需要通过设计良好的平衡技术本身的限制与用户预期之间的代沟。

3.兴奋型需求

这是不被用户过分期望的需求，即使在期望不被满足时，用户也不会因此表现出明显的不满意。满足用户兴奋型需求的意义在于其一旦得到满足，用户表现出的满意度是非常高的。各类用户角色都会或多或少存在这类比较具备情感色彩的需求，它体现在用户在使用平台的全生命周期中。用户使用平台时间越久，这种诉求会越明显。

三、交互设计原则

大数据分析平台作为一种Web服务，首先要满足基本的可用性和易用性原则。同时根据平台异于传统网站的特殊性和用户群体三类需求的特征，其交互设计应满足以下原则：

（一）安全性原则

大数据分析平台由于所处理的数据规模巨大、技术复杂，往往会出现各类安全问题，既有外部攻击，也有内部泄露;既有技术漏洞，也有管理缺陷;既有新技术新模式触发的新风险，也有传统安全问题的持续触发。从上文的基本型和期望型需求分析中也可以看出安全性的重要性，因此安全性是大数据分析平台交互设计的首要原则。

通过交互流程和UI优化，设计师能够让用户尽可能地规避一些潜在的安全问题，即使这个过程中可能会产生体验上的障碍和不适。

1.首先对不同内容或不同功能的交互界面应该进行差异化设计

参考Google的賬号登录流程，用户在两个不同的页面分别输入账号和密码信息，两个界面并非只是更改了输入框的标签信息，而是在页面布局、交互空间、功能按钮分别进行了差异化设计，来吸引用户的注意力，让用户保持紧张和专注。这类设计思维在数据处理的关键界面能起到重要的作用，例如在数据源增添、修改和删除的界面，由于其会影响到全局的系统，因此将不同重要程度的信息进行分拆，安排在不同的界面进行操作，会让用户的操作体验更有安全感。

2.其次是向用户展示交互的关键流程

这不仅是导航方式的一种便捷化变体，也是满足用户心理模型中的可预测性。由于大数据分析的业务逻辑较为复杂，交互操作的流程往往比传统的服务会多出很多步，一个步骤式或进度条式的流程信息展示会让用户明白自身所处的场景，配合对各步骤信息的校验和提示，用户能够很安心地在最后一步点击“提交”按钮。这样便不会由于单个页面承载过多的功能和信息，导致用户心理压力过大，从而产生威胁系统安全的误操作。

（二）时效性原则

最新的数据总是获取商业信息、挖掘商业价值的第一手材料，这就需要数据的动态更新和实时变化，其中涉及的便是页面的缓存、加载和刷新等交互方式。这类交互经常不是用户能够直观看到的，但是会影响交互流程的流畅度，尤其是针对大数据这类规模巨大的数据集。

1.缓存是用户等待过程中“看不见”的交互设计，是把已经加载过的数据存储在浏览器中，并在下次需要重复使用的时候，直接获取本地数据。利用这种方式，用户在获取数据的过程中便可以对页面进行操作，等待新数据时还可以查看旧数据，无需长时间面对空白的界面，使界面更具有“可操作性”与“可用性”，从而减轻了获取数据这一动作的大小和时间长短，增强了用户体验。

2.加载是用户等带过程中“看得见”的交互设计，网络环境的好坏和数据量的大小都会直接影响加载的时间。用户会随着加载时间的延长逐渐变的焦虑和烦躁，为了避免这类不好的体验，需要向用户及时反馈页面的状态。如果界面的等待时间是已知的或是可预估的，那么可以利用进度条传递给用户可感知的时间，能够有效降低用户的跳出率，提高用户黏性。如果界面的等待时间是不确定的，可以利用样式丰富的加载动效来填补等待的间隙。这不仅能够转移用户的注意力，还可以告知用户页面正处于“健康”的加载状态，避免用户产生操作失败的感觉。需要注意的是，加载动效不应过度设计，否则不仅会降低人机交互的流畅度，还会让用户对平台产生不专业、不专注的体验感受。

（三）情感化原则

设计师的关注点不能仅仅落在物理对象上，用户自身的情感是更为关键的设计对象。在对大数据分析平台用户群体调研过程中搜集到最多的使用体验关键词是冷酷的科技性、严肃的逻辑I生和商务的操作性等。不能说这些体验是负面的反馈，但仅仅这样的设计很难保证用户能够长期开心、愉悦地使用平台进行高强度的大数据分析工作。

情感化设计的创始人唐纳德.诺曼将其拆分为三个维度，如图7。包括本能层面、行为层面和反思层面，对应到网站交互设计中分别对应着界面的UI设计、流程设计和思维设计。通过交互设计的手段赋予冷冰冰的科技产品以情感，再通过情感去建立平台与用户长期稳定的关系。

1.本能层面的设计是关乎大数据分析平台——涉及众多数据可视化的功能——整体视觉形象的设计，也是带给用户第一印象和最直观体验的设计，要求设计师能够制订-一致性的、具有亲和力的视觉语言，让数据、分析工具和项目管理不再显得乏味无趣。但同时又不能忽视科技性、商务性等用户的原始体验习惯，因为情感化是在功能易用和高效的基本型需求基础上所打造的期待型或兴奋型需求。

在整体视觉原则的指导下是对内容信息的设计。用户对静态的信息是不敏感的，需要针对静态的部分进行差异化的控件设计。例如窗体这一控件，可以利用详情窗体对大量信息进行分类聚合，双击便可以修改具体模块或分类的项目名称和颜色标签;表单窗体则可以为颜色与留白相间的设计，便于满足用户横向阅读的行为习惯。同时对于信息承载压力较大的关键分析界面，交互层面的信息动态设计更是必不可少的。数据概览窗体是动态信息最多的部分，正常状态、悬浮状态和点击状态都应有不同的数据内容和展示方式的改变，例如正常状态为整体数据的概览，悬浮状态则对单点数据进行高亮放大展示，同时展示摘要的数据信息，点击后则可以通过浮窗叠层展示不同的数据详情，易于进行对比分析。

2行为层面的设计是针对用户想要做的事情和目标之间可能存在的全部行为和方案进行设计。辛向阳教授將人与机器系统的交互分解为五个要素，分别为用户、行为、目标、场景、媒介。在一定的场景中，用户通过某种媒介进行特定的行为，从而完成一定的目标，这便是一个完整的交互过程，对行为的设计是交互设计的本质。针对大数据分析平台复杂的信息架构，一方面要通过轻薄的交互层级来避免用户过于深陷一个复杂的交互流程中，从而减少对高科技的恐惧;另一方面可以利用丰富的交互手势来实现强大且有趣的功能。由于大数据分析平台是基于网站的，因此可以将手势转化为鼠标的操控，例如通过拖拽预制的策略集（分析工具）来代替原始的指令输入式交互，如图8。增加便捷性的同时，可以让用户体验到大数据分析可以像拼积木般有趣。

3.反思层面的设计是关注用户长期使用产品所获得的情感，对应的是用户兴奋型的需求。大数据分析平台需要用户仔细查看菜单选项，学习其中特定的功能，甚至系统地学习整个平台的运作规律，而这就是反思发挥作用的地方。不同于传统的网站服务，大数据分析平台具有很高的技术含量和使用难度，用户长期使用会不断解锁新的分析工具和数据可视化方式，从而发现数据新的价值。因此大数据分析平台具备一定的“教育”属性，同时用户的适应和成长周期会远大于传统的网站服务。将用户一步步的成长利用反馈的方式传递给用户，其中既包括正反馈（例如用户的分析进程平稳），也包括负反馈（例如系统不能执行用户的分析指令）。反馈交互的接触点有很多，既可以设计在整体的交互流程中，例如用户在开始或结束一段完整的操作时可以通过1言息弹窗的方式来完成;也可以在众多的微交互中对特定的交互操作设计辅助的信息提示，例如当用户突破了某种规则或者切换了过往习惯的分析模式时进行反馈。

不同于传统的以文本信息为主导的反馈，数据和项目导向的大数据分析平台需要以数据信息为主导进行反馈，例如用户成功分析了大量的数据，奖励式的统计数据会带给用户一定的成就感和幸福感。

结语

大数据作为一种新型技术，有着极大的发展前景，各类大数据分析平台如雨后春笋一般涌入市场。这些平台同质化严重，缺乏设计亮点，同时也因忽略对用户体验的关注所产生了各类型需求满足不周的问题。对于B端产品来说，只有同时满足业务与用户的需求，才可以说是一个好的产品。高技术化的属性和用户体验之间的代沟亟待交互和体验设计师去关注，只有在平衡科技与体验、在结合新技术与用户的行为习惯的基础上，才能设计出体验更好的大数据分析平台。