插图:一个小纸条是从一个非常大的书撕了一些眼镜,书签,和好吃的东西的一个热气腾腾的杯子附近。
通过插图

的Roboto先生:有技术连接

从编辑的注意事项:我们很高兴地从艾米布赫尔的第9章共享摘录从事:设计行为改变罗森菲尔德媒体

人们并不总是需要另一个人体验到的连接感。深情感纽带很多人都与他们的宠物证明了这一点。(因此可能的宠物摇滚的70年代的流行不过这只是猜测。)即使在链接塞尔达传说有一个无生命的伴侣:他信赖的剑(见图9.1)。

文章接着下面
从塞尔达传说这里链接接收来自一位老人说:“这是危险的单独去他的剑的画面!拿着它。'
图9.1即使是木剑的公司比单独冒险进入海拉尔更好。

它也可以让人们感受到行为改变的情况下连接这个意义上,而不必与他人直接的关系。通过的方式建立你的产品,模仿一些的人对人的关系的特性,可以使人们有可能为你的用户感到连接到它。有可能你的用户哄下降至少爱上你的产品一点点;如果你不相信我,试图让一个iPhone用户切换操作系统。

它不只是真的喜欢一个产品(虽然你肯定希望用户真正喜欢你的产品)。有了正确的设计元素,您的用户可能走上与你的技术,他们觉得从事与懂得一些关于它们的重要实体一个持续的,双向的关系,一个有意义的纽带,又是可识别的非-人类。这是一个真实的情感依恋是供应至少一些的人对人的关系带来的好处。这种类型的连接可以帮助用户参与更深入和时间与您的产品周期较长。这应最终帮助他们更接近他们的行为改变目标。

放了Anthropomorphization#第2节

人们可以伪造与非关系-人类很容易,因为这个过程被称为的anthropomorphization。要人格化的东西手段强加给它人性化特点。这是当你在图9.2看到右侧形状的阵列中的脸部发生了什么,或当你继续你的猫深入交谈。[1]

相同的四个的分类由侧形状侧。右侧貌似根据形状位置的脸上的分组。
图9.2大脑是建立在寻求和识别人的特点,每当一个模式表明它们可能是在那里。这意味着人们解释形状如右图脸般的阵列,而不是一个在左边。

人们会发现人的素质的形状略有类似于容貌,但你可以帮助的速度沿用类似于人的身体或个性特征刻意灌输你的产品的过程。语音助手Siri的一样,柯塔娜,和Alexa,例如,很容易被认为是类似人类的用户由于自己的能力进行很像(有点专一)的人交谈。

诚然,几乎没有人会误认为Alexa的一个真实的人,但她的人的特性是非常有说服力。一些研究表明,谁长大围绕这些语音助理孩子可能不太礼貌寻求帮助的时候,因为他们听到大人让他们的设备的需求,不说请或谢谢。如果你问Siri的的天气报告,有在听不到孩子,考虑添加其他魔法的话你的要求。

所以,如果你希望人们人格化你的产品,给它一些人性化的特点。想想的名字,头像,声音,甚至像一个口头禅。这些细节会把你的用户的自然倾向anthropomorphization进入超光速。

一切都是个人#SECTION3

有一件事人们做好是个性化。你不把你的父母,你把你的配偶,你把你的老板以同样的方式相同的方式。每个交互基于你和交互的人,你与他们有历史的身份是不同的。科技可以提供相同类型的个性化体验,另一种方式来模拟人,有很多其他的好处。

个性化是行为改变设计工具包的瑞士军刀。它可以帮助你打造合适的目标和里程碑,在正确的时间提供正确的反馈,并为用户提供在上下文中有意义的选择。当它的方式,帮助用户觉得看到和了解真实应用它也可以帮助用户建立和技术之间的情感联系。

有些应用程序有可爱的界面,让用户选择颜色或背景图片或按钮的展示位置的“个性化”的体验。虽然这些类型的功能都不错,他们不属于刮真正的个性化确实的痒。当个性化的作品,这是因为它反映了用户返回到他们的东西是必不可少的。这并不意味着它必须是令人难以置信的深,但它确实需要一定程度上比用户是否有他们的主屏幕上的粉红色或绿色的背景更有意义。

个性化偏好#section4

在入职或用户的产品体验早期,让他们个性化将塑造以有意义的方式他们的经验喜好(只是配色方案和仪表板配置)。例如,Fitbit要求人们自己喜欢的名字,然后迎接他们定期使用他们的选择。类似地,LoseIt设置期间询问用户是否喜欢使用的数据和技术作为它们的重量损失过程(图9.3)的一部分。谁说是用户被授予集成跟踪器和与应用程序的其它设备的机会;谁说没有用户向漏斗手动输入体验。用户体验更改为荣誉个人的东西对用户。

在LoseIt应用的屏幕截图显示它询问用户是否喜欢看数据,并使用技术,然后确认他们的选择。
图9.3LoseIt为用户提供了入职过程中分享自己的技术偏好的机会,然后使用该选择来塑造自己的未来体验。

如果可以的话,记得回到古代当Facebook推出了一个算法排序的新闻源帖子。Facebook的users tend to be upset anytime there’s a dramatic change to the interface, but their frustration with this one has persisted, for one core reason: Facebook to this day reverts to its own sorting algorithm as a default, even if a user has selected to organize content by date instead. This repeated insistence on their preference over users’ makes it less likely that users will feel “seen” by Facebook.[2]

个性化推荐#section5

如果你曾经网上购物,你可能已经收到个性化的推荐。亚马逊是一个推荐引擎的典型例子。其它经常遇到的个性化的建议包括Facebook的“你可能认识”和Netflix的“为[您的姓名这里]热门推荐。”这些工具使用基于什么人在过去所做的数据表明新项目的算法。

推荐引擎可以按照个性化的两种基本模式。第一种是基于产品或项目。每个项目被加上特定的属性。例如,如果您构建了一个锻炼的推荐引擎,你可能会标记“二头肌卷发”与“锻炼手臂”,“上臂”和“使用权的项目。”那么算法可能会选择“三头肌下拉”作为一个类似的项目推荐,因为它的属性相匹配。这种类型的推荐算法的说,“如果你喜欢这个项目,你会喜欢这个类似的项目。”

第二个性化模型是基于人。谁拥有共同属性的人通过相似性指数确定。这些相似性指数可以包括数十或数百个变量精确匹配的人给别人谁是像他们在关键的方法。然后,该算法基于项外形相似的用户选择的建议。这个推荐算法说,“像你这样的人很喜欢这些项目。”

在现实中,许多更复杂的推荐引擎(如亚马逊)的混合的两种算法的混合方式。而且他们有效。麦肯锡估计,什么亚马逊卖35%和Netflix的哪些用户可收看75%是由这些引擎推荐。

不要压垮#section6

有时,似乎是个性化推荐可以来自一个更简单的排序算法的,不采取个人用户的偏好考虑在内的。这些算法可能只是表面是其中最流行的建议所有用户来说,这并不总是一个可怕的策略。有些东西是流行的一个原因。或建议可以在不依赖于所有用户的特性设定的顺序进行。这似乎是与美妙的行为改变应用程序的情况下,为用户提供了一系列如“喝水”,“吃一顿健康的早餐”和“获得晨练,”挑战不管这些行为是否是其日常中有一部分或不。

当推荐算法工作得很好,他们可以帮助人们在接收端感觉就像自己的喜好和需要被理解。当我浏览Spotify的为我创建播放列表,我看到自己的几个方面反映出来。还有我最喜欢的90年代ALT岩,一个与当前的艺术家,我喜欢,并与一些我最喜爱的80年代的音乐(图9.4)的第三播放列表。亚马逊也有类似的能力,成功地推断哪些人可以从他们的浏览和购买历史一样。我总是惊讶的是,即使我没买任何我的厨房用具的亚马逊,他们莫名其妙地想通了,我有红色的KitchenAid线。

Spotify的每日混音展示基于用户的收听习惯三个不同组的音乐风格。
图9.4Spotify的在用户的音乐选择的细节拿起构建反映他们的口味的多个方面的播放列表。

这种方法的风险是,随着项目的数据库增长建议可能成为多余。零售产品是一个简单的例子;对于许多项目,一旦人们已经买了一个,他们可能并不需要对方,但算法并不总是足够聪明停止推荐购买类似(见图9.5)。同类型的重复可以用行为改变方案发生。只有这么多不同的方式来设置提醒,例如,所以在某些时候这是一个好主意,停止轰击上的主题建议用户。

从安迪·里希特说:“我下令从亚马逊马桶座,现在根据我看到他们一定认为我有一个贪得无厌的马桶座圈瘾广告的鸣叫
图9.5当用户只需要的东西数量有限,或已经满足了需求,很容易让建议成为多余。

不要害怕学习#章第7

数据驱动的个性化配有另一套风险。你知道用户越多,他们就越希望你提供相关的,准确的建议。即使是最聪明的技术将会把事情搞错了,有时。给你的用户的机会,指出如果你的产品是关闭基地,并相应地调整。这不仅会提高你的准确度随着时间的推移,但它也将加强对被照顾用户的感受。

阿尔弗雷德是通过巧妙的意识发展到帮人的推荐应用发现根据自己的喜好,从他们的社交网络的新餐厅,以及输入。一个Alfred的用于收集数据的机制是要求用户确认他们来自的可能性(见图9.6)的列表很喜欢这间餐厅。明确包括在经验可培训帮助阿尔弗雷德做出更好的和更好的建议,同时也让用户有机会粉笔误差达需要更多的训练。[3]

阿尔弗雷德应用程序需要一个猜测的地方,用户可以享受的晚餐,并询问其中是否是正确的。
图9.6阿尔弗雷德包括学习模式,用户将表明他们已经喜欢吃的地方。这些数据有助于提高阿尔弗雷德随后提出的建议。

有一个机制让用户从一个算法排除他们的一些数据,也可以是有益的。亚马逊允许用户表明这在他们的购买历史记录项目应提出建议,一说就派上用场了,如果你买礼物给亲人,其口味和你很不同的功能时被忽略。

在另一面,故意抛出用户一个曲线球是更多地了解自己的口味和喜好的好方法。随着时间的推移,算法很可能因为他们的模式匹配更好地得到更加一致。添加偶尔打破传统框架束缚的建议可以防止用户怪癖无聊和更好的帐户。只是因为有人喜欢冥想瑜伽并不意味着他们不也喜欢在一段时间要骑山地车一次,但多数推荐引擎将无法得知,因为他们会忙得推荐瑜伽录像和正念练习。时不时地添加一些东西混进去,用户将不能指望。要么他们会拒绝,或给它一个旋转;无论哪种方式,您的推荐引擎变得更聪明。

个性化辅导#section8

在某些时候,在行为变化的背景下建议可能会成为一些更强大的:行动的实际个性化的计划。当建议成长出来的“你可能也喜欢”阶段进入“这里有一系列的应该为你工作的步骤,”他们变得更复杂一点。一旦一组个性化的建议有某种凝聚力,以系统地指导一个人朝一个目标,就变成教练

更深入的个性化的指导导致更有效的行为改变。维克Strecher博士,你在第3章会见了其中一周人的研究,结果表明,更多的戒烟辅导计划个性化,越容易被人成功戒烟。通过Strecher博士的研究小组利用功能磁共振成像技术的随访研究发现,当人们阅读个性化信息,它会激活与自身相关的大脑区域(见图9.7)。也就是说,人们认为个性化信息作为自身相关的神经水平。

从MRI甲正面和侧面的扫描示出了前额皮质的活化(黄色)。
图9.7这是一个功能磁共振成像图像显示激活一个人的内侧前额叶皮质(mPFC的),与自我有关的大脑区域。大脑活动被人们展示个性化的健康信息后记录。

因为人们更容易记住和相关信息行为,这是非常重要的。如果你希望人们东西,个性化的经验​​,教会他们怎样。

从实用的角度来看,个性化的教练也有助于克服常见的障碍:人们不愿意花大量时间阅读的内容。如果你的程序只能提供最相关的项目,而留在剪辑室地板上通用的东西,你会提供更简洁的内容,人们可以真正阅读。

笔记

  • 1。

    我可以写这个不尴尬,因为研究表明我不甚至接近是唯一的一个。

  • 2。

    在难以逃跑的Facebook算法排序也产生约重复的内容合法的投诉,没有对时间敏感的职位在正确的时间显示,并加强信息气泡。

  • 3。

    阿尔弗雷德是如此成功,以至于聪明的感觉,它的创造者,是由谷歌,谁很快已停用的应用程序中获取。RIP,阿尔弗雷德。

关于作者

作者艾米布赫尔的照片

艾米布赫尔

艾米布赫尔,博士在疯狂的*战俘,在波士顿的一个目的导向的战略设计机构行为改变设计作品。艾米专注于手工制作接合和激励的经验,可以帮助人们改变有助于身体,心理和财务健康和福祉的行为。在2016年加入疯狂*战俘之前,艾米曾在行为改变产品的内部,在CVS健康和强生公司。

艾米获得了A.B.来自哈佛大学,她的文学硕士和博士学位在密歇根大学安娜堡分校组织心理学。她在行为改变和UX会议上发表演讲,她谈的动机,参与度和产品设计。

没意见

有话要说?

我们已经关闭了评论,但你可以看到人们说的话,我们没有这样过。

更多来自ALA

Webwaste

在从万维网废物此摘录,格里麦戈文检查臃肿网站和不必要的资产对环境的影响。
行业

连接点

在从创意文化的摘录,贾斯汀的Dauer走在我们通过多种方式,其中组织的文化和设计工作,它并发挥彼此的关闭。
事业