註：原文刊於台灣設計研究院《設計與科技：跨域整合驅動創新的研究與實踐》。
過去十多年的職涯歷程，從建築與都市設計，跨界到體驗與服務設計、商業策略，再到後來的城市數據分析，慢慢建立起一套自己的設計方法論，一套兼具創意發想、也經得起理性驗證的設計方法。這篇文章，算是對自己過往的「設計心法」做一次系統性整理，關於數據與設計的結合。
本文在案例的部分，會與另一篇文章有些重疊，有興趣的朋友可參考《城市新興數據、空間策略與城市治理的探索》。
「設計」，即研究問題到解決問題
對我而言，「設計」就是理解問題到解決問題的過程；純粹的美學創作或主觀抒發，比較是「藝術」，不在本篇的討論範疇。設計必然是從需求 — 即「問題意識」出發，包括問對問題、提出價值主張、前期假設等；而因為目的是解決問題，所以設計的產出也應該能被客觀的討論與檢視。特別是像我過去從事的建築與都市設計領域，當所設計的範疇超越單一物件本身、涉及到系統、社會、經濟、環境等層面，甚至包括多重利害關係人，就更需要一個更客觀的衡量與評價基礎，這時候「數據」便成了重要的工具，幫助探究問題與檢驗策略。越是大尺度、跨專業的設計挑戰，越需要數據的輔助。
解決問題的通用流程 — 研究、創意、執行
在細說設計與數據的關係之前，我們需要先建立對「設計流程」的共同認識。「設計」之所以有別於其他專業，是因為它有主觀創意與創作的成分，但必須能被客觀的感受與欣賞；而它的理性成分，往往並不存在一個「最佳解」或「標準答案」，不像物理、數學等學科般對唯一真理的追求，也不像資訊科技那樣能用效率或效能論優劣，而是一個開放性的問答過程，沒有標準答案。也因為這樣，設計的方法流程，因人而異，幾乎是只能意會、無法言傳那樣。
另一方面，由管理顧問界帶起風潮的「設計思考（Design Thinking）」，則是利用一套經過簡化、標準化的操作框架，讓非設計專業者可以理解與學習設計師的發散性創意思維，應用在自身的專業領域。因為「設計思考」的框架夠簡單也還算通用，我們後面就用「設計思考」作為論述的基本架構。（即使它讓「設計」變得看來如此簡單，常被詬病讓大眾容易輕忽了設計養成訓練的重要、或低估了設計師真正的價值。但為了避免失焦，此不展開討論）。
在常見的「設計思考」架構中，包括研究、創意、驗證三個階段，而每個階段都包含了「發散」到「收斂」的過程，每次的發散指的是盡可能全面的了解各種線索、探索各種可能性；收斂則是從大量的資訊中找出有價值的，並彙整成可往下執行的結論與目標。
數據如何輔助設計？大部分人能聯想到的，都是在第一階段的研究中，利用數據分析找到問題的癥結點。但其實在創意發想的第二階段的發想，數據一樣能扮演關鍵角色，幫助快速檢驗天馬行空概念的可實施性，甚至幫助設計師跳脫既有想像，找到不同設計契機；而在第三階段的驗證，數據則提供了檢驗設計成效的功能。以下我分為三個階段來闡述。
一. 數據用於探索現況
在傳統的設計訓練中，我們對「質化（Qualitative）」的研究方法並不陌生，例如案例分析、趨勢分析、現況調研等，在一些產品與服務體驗設計的研究中，也會加入大量的使用者研究、焦點訪談等。這些質化的研究方法，幫助我們在有限的時間中，透過較少的樣本，加上我們自身的知識與經驗判斷，建立深度而立體的了解。
儘管如此，質化的研究方法往往很難回應「量」上的質疑，例如：這樣的需求，有多少人有？這個問題是特例還是普遍現象？比起其他競爭者，我們有多大的優勢？這時候常見的做法就是輔以「量化（Quantitative）」研究，最傳統的如問卷調查、抽樣等方式產製較全面的「數據以作補充。而在各類大量數據越來越容易取得的今天，我們更能借助於大量資料樣本、甚至全樣本進行分析，例如人流、交通、消費等各類新興大數據。
用量化發現特徵；用質化探究原因
「質化」與「量化」的研究分析，往往會互相牽動，例如從觀察與訪談中得知潛在群體未能滿足的需求，再透過大量的行為數據，評估具體的市場規模；或是反過來，因為在數據上發現特殊的購買行為，因而進行客戶訪談了解其動機。量化可以幫助了解Who/Where/What和How, 但是質化能幫助我們知道Why。只不過，實務操作上往往受限於人力規模、執行時間，通常是不同團隊的平行作業，或僅偏重其一。但，「量化」和「質化」的研究方法，是互不可取代的，也是需要互補的，而優秀的設計師或研究人員，應該要懂得懂得何時使用不同的工具，才能在龐雜的資訊中，收斂出關鍵的洞見與機會點。
這邊要注意的一點是，很多人認為「數據不會說謊」，但事實是，數據什麼也不會說，說話的都是人，是人就會說謊或說實話，是人就會有偏見。刻意用數據說謊可能比較少見，但誤以為數據就是全貌，反而是容易掉入的誤區。因為我們往往在研究之初就已經帶有自己的偏好或刻板印象，無論有意或無意，我們容易放大我們想看到的，並對我們不了解或覺得無法掌握的加以忽略。我們必須要帶著假設去小心驗證，並且隨時準備好接受：其實自己是錯的。在我個人的設計經驗中，無論是質化或量化的研究，最有價值的時刻都是發現了自己原來不知道、或根本誤會了的事情，也因為這種興奮，讓後面隨之而生的設計概念更自然而生、更有新意，也更有說服力。
二. 數據用於形塑策略
回到「設計思考」流程，在研究階段中的一系列發散與收斂後，會得到重要的洞察與機會點，設計師接著藉由這些結論，開展第二階段的「創意發想」。這是最天馬行空，也是設計師們各顯神通的階段。許多設計師在這個階段會追求概念的獨創性，這無可厚非，大家都會期待自己想到前所未有的好點子。但較資深的設計師大概都會認同：設計概念並不是越新穎越好，而是越能夠有效解決問題才越是關鍵。這也是數據在這個階段能發揮的作用：給看似天馬行空的創意，套上地心引力，給予量化的驗證或修正，幫助使其更為完善。
數據幫助驗證與深化奇思妙想
以台北大數據中心所做的計程車分析研究為例。這個研究案的目的在於幫助交通局研擬相關政策，減少計程車空車繞行攬客造成的空汙與交通問題。我們在第一階段的「研究分析」中，透過計程車業者提供的一週起訖點數據，可以了解民眾使用網約車真正的上下車熱點分佈以及熱門時段，並以最熱門的前一百大路段，提供給交通局做現勘，作為調整計程車招呼站的參考。這是直接將研究的發現作為執行策略，其實沒有太多創意的成分。然而當時市府內部同仁提出了個有趣的發想：台北市有多處公有停車場，我們能否透過提供計程車一小時的免費停車，讓他們可以休息候客，接了單再出車，減少空車繞行的機會？
這聽起來是一個好點子。但是否可行？有多少停車場可以提供這樣的服務？能服務多遠的出勤距離？於是，我們便進入了第二階段「創意發想」，並透過數據，具體評估這些想法的可行性。
我們調出了計程車熱區周邊的公有停車場，並分析了它們過往的停車紀錄數據，發現在計程車需求高峰的區域與時段，周邊的公有停車場絕大部分也是停滿的狀態。意思就是，即便實施了這樣的獎勵措施，能夠受惠的計程車數量仍會相當有限。或是真的要推行的話，則需要考慮保留部分停車位給計程車業者，但表示將妥協部分停車收益與一般用車人的權益。
這個例子展示了數據在創意發想的階段，能幫助快速的驗證與深化，讓創意不只是突發奇想的可能性，更有憑有據，也能容易落地執行。
數據幫助打最有把握的仗（有限資源的適配）
另一個例子，是我過去參與過的商業設計案。一間西式快餐店想推出更好的早餐銷售策略，當時團隊提出的其中一個設計概念是設置「早餐快取窗口」，讓路過的行人可直接購買，無需進店等候，增加購買意願。我們透過整合了大眾運輸進出站人流量、住宅社區位置與戶數、辦公樓與位置與樓地板面積等資訊，再結合地理分析的最短路徑計算，可估算經過每一家門店的路過人流量。這可以幫助品牌方，在有限的資源之下，針對最有業務增長潛力 — 即預估人流量與現有銷售量落差最大的門店做概念驗證，將獲得更高的成功率，進而更有機會規模化推廣。
通常一個機構（企業或公部門都是）實施創新作為的時候，都會先做小範圍的評估測試，但如何決定從哪些地方開始測試最合乎經濟效益，便是數據可以發揮的地方，即評估最大效益的部署資源。
願意冒險的「創新」或規避風險的「優化」？
數據善於找出趨勢、降低風險、適配資源，但不見得能直接得到創新想法。因為數據必然受限於過去與現況，擅長解決「因為別人都怎麼樣，所以我們這樣做不會太差」、「過去這樣可以成功，將來這樣應該也可以成功」這類的問題；而面對未知的未來，特別是當我們的命題是開創全新的服務或產品時，往往很難找到直接的參照物。
創新往往仰賴質化研究的「洞燭先機」，甚至需要一些直覺與膽量，把看似無關散落的點，串成線。數據可以進一步幫助將線織成網，形成更完備的策略藍圖，但執行後的真實效益必然存在一定程度的風險，但這並不是所有主事者都願意付出的。因此，最好在任務一開始的時候就先釐清業主方（或主要利害關係人）的意圖，是傾向保守的「降低風險」、「既有系統優化」，還是準備好大刀闊斧、資源充沛的「顛覆式創新」？這代表了主事者願意承受風險的程度，也將決定質化的創意發想和量化的數據驗證，孰輕孰重。
三. 數據用於驗證與迭代
設計思考的第三階段：驗證與迭代，比較容易聯想數據所能扮演的角色。所謂迭代，指的是當我們建立了具備一定信心度的設計概念與策略後，先用簡單的「原型（Prototype）」或推出「最小可行產品（Minimum Viable Product, MVP）」做驗證。在大規模實施之前，先用低成本的方式作出解決方案，降低試錯成本，並透過快速的測試、驗證、修正的反覆循環，從中學習與精進，最終規模化。
管理學大師彼得杜拉克（Peter Drucker）說過：「You can’t manage what you don’t measure」即任何事物要能管理之前，必須先要能被測量。而只要有測量，就會有數據。數據就是在測試與迭代這個階段，最重要的資產。
建立關鍵指標與追蹤、修正機制。
為了要能準確的驗證設計的成效，我們需要建立關鍵指標(Key Indicator)。對於一個APP產品，可能是下載次數、付費率；對於一個服務流程，可能是客戶滿意度、耗費時間等。關鍵指標如何訂定，並沒有一體適用的標準答案，但必須能直接反映設計最初的價值主張（Value Proposition）。
這邊舉一個負面例子：政府為了推動「市政透明化」而建立了開放資料平台供民眾使用，但若只是將「開放多少資料集」作為主要考核指標，那麼就會出現平台上重量不重質、濫竽充數的問題，例如將同一筆資料拆成多筆、將各類會議記錄也當作開放資料之類，不僅不能達到最初「開放政府」的目的，反而讓民眾對其產生敷衍了事、欲蓋彌彰的不佳觀感。在這個脈絡之下，「高評價的資料集數量」、「資料被下載次數」、「API被介接應用數量」可能更適合作為檢驗的指標。可見，關鍵指標如何訂定，對於測試迭代、乃至規模化之後的管理，都至關重要。
訂定指標之後，就是要建立有效的追蹤與修正機制。回到前面提到的計程車熱點分析案例，透過真實起訖點分析所提出的增設或調整招呼站，在實施後的一段時間，若能再做一次同樣的分析，驗證新招呼站的有效性，並以此作為修正相關政策的依據。重複這樣的循環多次，便可以大大加速市政決策週期與有效度。設計流程中的「原型」與「迭代（Iterate）」、市政治理的「循證式決策（Evidence-based Decision-Making）」、或新創界的「精實創業（Lean Startup）」、甚至軟體開發界的「敏捷開發（Agile）」等，其核心都是類似的概念，都是透過數據，促成測試、驗證、修正的正向循環。
定海神針 — 制定數據研究計畫
在「大數據」的年代，設計師被迫需要一定程度掌握「量化」的工具。但在我過去帶團隊或教學的經驗中，在我們能活用各類數據之前，往往容易先被數據牽著走。也因為並不是所有問題都能找到直接對應的數據，我們常常「拿著鐵鎚，看什麼都像釘子」，反被手上可取得的有限數據綁架，覺得棄之可惜、食之無味，於是數據僅成了設計報告書中幾張無關痛癢的單調圖表。
因此，在跳入無窮的數據與量化分析方法之前，我們需要先訂定「研究計畫」。這份研究計畫包含：我的設計價值主張為何？在這個主張之下，我需要了解的關鍵議題？我需要哪些關鍵資訊？有哪些可能的數據源？我的分析方式是什麼？我的前期假設是什麼？若證實或證偽，對於我的設計策略有什麼影響？
當我們預先在這樣的計畫表上做思想訓練、釐清我們為何與如何使用數據、甚至假想可能的發現與相應的策略之後，我們更能分辨關鍵數據源與替代性數據源、避免耗費大量精力證明無關痛癢的常識、並確保研究與分析成果對設計策略有具體幫助。
好奇心，是數據時代下設計師的必備素養
最後，希望與各位設計師共同勉勵。在未來，數據的取得與相關工具，只會越來越普及、獲取成本越來越低，就如同今天人手一台電腦，各個都會基本的文書處理、報表、繪圖軟體那樣。數據分析、視覺化、甚至機器學習、AI等工具，不會一直很稀奇。說穿了，數據就只是我們探究這個世界真實樣貌的一種媒介。因此，真正能驅使你活用各種設計與分析工具、乃至發展出自己的一套方法論的，就是你對這個世界的「好奇心」；能產出深刻洞見與精巧解法的，則是你求好心切的「匠心」。
期待各位設計師，永保好奇心，不甘於現況，並永遠敢於創新！
