需求入门 - 用户经验曲线

在软件设计中,理解用户经验水平至关重要。本文探讨了如何针对不同阶段的用户(新手、胜任者、专家)设计软件功能,强调了多数用户属于能胜任工作的群体,设计时应优先考虑此类用户需求。

  在设计软件功能时,我们会针对涉众来分析该功能应该如何实现。需求中涉众分析的重要性大家都知道,但是在设计软件时,我们也需要知道同一个用户在使用软件不同阶段会有不同需求,本篇描述了存在三类软件用户:新手(Novice)、胜任者(Competent)、专家(Expert),在设计大多数软件时,我们应该把关注点更多的放在Competent阶段。

用户经验曲线

 有一阵子我们组迷上了魔方,人手一个,我也会玩了,起初几天时间处于看着公式的初级阶段,然后到了一般人的阶段,可以不需要看着纸条就能拼出来,但是我在最快也就是2分多种,我想我是不会成为下图最右边那位魔方高手一样的。另:在最后我将附上我的魔方不传秘籍给大家。

2009112609360070.jpg   2009112609400549.jpg  2009112609370859.jpg

  学开车过程也是一样,我也花了好几周去学车,处于初学者阶段,虽然现在还没有买车,但我想开熟练了肯定就和骑自行车一样了,作为一个普通司机我也是可以胜任的,但我肯定不会变成专业赛车手。

2009112522104084.jpg  2009112522165131.jpg  2009112522143176.jpg

  • 新手:临时状态

  • 胜任者:一般状态,是初学者执行相同任务时间的一半

  • 专家:极少数,是初学者执行相同任务时间的10%

    r_Experience%20Curve.png

大多数用户是大众(competent )的用户

  就像商业策划、市场细分时我们也会对不同用户群进行分析,开发软件过程中,我们还需要认识到同一个用户所处的不同阶段。在设计软件时,我们需要记住大部分用户既不是初学者,也不是高级用户,更多的还是能胜任工作的大众用户。一般初学者在经过重复工作的经验下会变为可以胜任的用户,但是只有很少一部分会成为专家,大部分用户只是为了真正的工作需要而学习。

  针对不同阶段的用户,我们设计重点也会不同。对于大部分产品来说,大多数用户都是胜任者用户,我们分析这类产品需求时需要把针对胜任者用户的需求优先级定得高点,简单地拿一个功能来说,经常听人说这个易用性不行,但是我们是否真的要想尽办法支持让初学者不学软件就会使用呢?还是着重考虑用户在熟练操作方式下呢?如果如果我们把更多的精力注意在初级者和专家级用户需求时,我们就会往往会不自然的以忽略大众用户为代价,这时对产品来说就偏离重点了。

  虽然大部分用户是胜任的用户,但是有些应用必须着重考虑初学者。比如不是频繁使用的软件,或者想吸引大量网民的网站,这类产品如果忽略初级用户,这将会给产品带来致命性的打击,因为不能快速学习使用的产品会让他们马上转移到其他产品中去。也有一些产品必须考虑专家用户,这类产品本身追求的就是差异化,比一般产品能做更多事情,做事方式也更具复杂性。

 

 

 

参考:

Competent Users and Software Requirements

Defending Perpetual Intermediacy

Modeling User Competency

魔方不传秘籍:

第二层:逆时针:R’U’R’U’R’URUR   顺时针:  RURURU’R’U’R’
第三层:十字:  FRUR’U’F’
           一面:  逆时针:不转在右边   L’U’LU’L’U2L   (固定一个,作用3个相同方向)
                     顺时针:不转在左边   RUR’URU2R’
           四角:对换在左边  R2F2R’B’RF2R’BR’U’
           对好十字:顺时针:中间在前面   RUR’URU2R’U - L’U’LU’L’U2LU’
                        逆时针:中间在前面   L’U’LU’L’U2LU’ - RUR’URU2R’U

 

更多内容:productView-pdf_46x35.gif业务分析与需求.pdf


欢迎转载,转载请注明:转载自周金根 [ http://zhoujg.cnblogs.com/ ]

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值