探讨数据科学与用户体验、信息架构的关系，强调科学方法的重要性。
几周前在明尼阿波利斯举行的 IA 峰会上，有人注意到“数据科学”已经成为一个流行词，在没有任何指责的情况下，我认为我们作为一门学科还没有真正理解什么是数据科学是什么或者它能为我们做什么。通常，这是在我们的工作中使用更多数字的方便提喻。不过，我认为我们需要少关注“数据”，多关注“科学”。数据科学本身经常犯同样的错误，因此 UX/IA 世界不需要感觉太糟糕，但检查数据科学家面临的挑战可能会给我们一个思考如何使我们自己的工作更加严谨的框架。
Jeffery T. Leek 和 Roger D. Peng 最近在《科学》杂志上发表的一篇文章指出了人类在进行任何类型的分析时都会犯的最简单、最基本的错误之一：“问题是什么？”他们的副标题是一个简单的断言：“错误考虑的问题类型是数据分析中最常见的错误。”您可以轻松地用“用户研究”或“分析”来代替数据分析，并且它同样真实。
下面的流程图可帮助您弄清楚您正在执行或可能准备执行哪种分析：确定您的问题是什么的关键步骤：
Data analysis flowchart
我们的绝大多数工作将处于“探索”阶段，因为量化新样本中的发现是否可能成立（而不是假设它们会成立）对我们来说是新的。
我发现这种构建查询和分析的思维方式非常有用，部分原因是它表明我们的工作（即使在最严格的情况下）仍处于图表顶部，但也因为它提供了前进的方向。我们如何确保测量准确？我们如何才能更具体地思考我们是在描述还是预测行为？我们真正想从工作中得到什么？
将数据科学整合到 UX 和 IA 工作中最终需要的不仅仅是更多地关注分析或 A/B 测试，而关注更大的科学实践中的那些小元素会错过该学科可以给我们带来的真正价值。西方科学方法的传统几个世纪以来一直在思考如何构建探究来回答问题，以及如何知道你在问什么问题。这是一个很好的起点。
博客
