@ZEPRIUM

震撼首发

预测式设计

直觉的算法与高阶决策的未来

第一章：范式转移——从应激响应到概率预判

1.1 困境：应激式设计的局限

在当前的数字化产品开发流程中，我们观察到一种普遍的决策模式：设计团队过度依赖后验数据（如 A/B 测试、点击热力图）来指导下一步行动。

这似乎因为在整个组织团队协作方式，甚至企业管理层对市场的“理性”决策下，对设计团队的角色定义仅限于“锦上添花”甚至是“屎上雕花”的陪衬，而绝非是外脑甚至是商业与用户间沟通的桥梁。

究其核心原因，不外乎对”专业度“的质疑，以及产品团队对需求以及功能定义更直接的指导权：

• 设计团队的管理层面对商业以及市场缺少宏观视角以及商业思维，没能与业务团队的语言形成有效的互动，很大程度上也限制了相应进入决策层面的话语权。

• 企业产品决策从BRD/MRD直接越过，形成功能性以及交互性的PRD草案。这种直接的决策影响，对参与决策的角色进行了收缩，看似高效的上传下达在面对管理者的不确定时，往往面临着从上到下的盲目执行。

以上的现象加之各方工作的事实，从而形成的这种模式可被定义为 “应激式设计”。

• 滞后性： 数据是对过去行为的记录。完全依赖数据，意味着设计永远在“追赶”用户昨日的行为，而非“引导”明日的需求。

• 局部极值陷阱： 数据的反馈往往基于当前的微观改动。过度纠结于似然性的优化，容易让产品陷入局部的最优解，而错失全局的战略跃迁。

• 组织的短视： 许多产品团队迷信“物理漏斗”（点击->转化），却忽视了阻碍用户决策的往往是看不见的“心理漏斗”（恐惧->信任）。

1.2 定义：预测式设计

预测式设计并非指具体的产品设计功能，而是一种 设计决策方法。

定义：

预测式设计是指在资源投入开发之前，决策者利用 高权重的先验模型—— 包含行业通识、认知心理学原理、美学直觉以及对人性的深刻洞察 —— 结合业务目标，对设计方案的商业成功率进行精准计算与推演的过程。

核心价值：

它将设计从一种“基于试错的成本中心”，重构为一种“基于预判的投资中心”。

第二章：理论核心——贝叶斯推断在体验设计中的映射

贝叶斯定理并非仅适用于统计学，它是人类大脑处理信息、修正认知的底层算法。我们可以将其精确映射到高阶设计决策中：

贝叶斯公式

2.1 P(A)：先验概率 —— 设计师的算法模型

在统计学中，先验概率指在考虑新证据之前，对事件发生的初始信念。

在设计领域，Prior 代表了设计师的专业直觉体系。它不是拍脑门，而是“经过历史数据验证的直觉”。它更多需要设计师的丰富实战能力，而非照本宣科的宣扬数据无用论的感性认知。

例如：纯艺术专业的人从事设计，会对色彩和对比有着专业的敏感度、营销类设计师对LandingPage的控制力强过好UI设计师、平面设计师从事UI工作会对板式布局以及字体设计有着较高的要求，而工业设计师会对结构与产品功能更了如指掌。

不同领域的设计师都有着视角下的观点，也常常伴随着非专业领域的迷失和偏见。而经验丰富的设计师不仅会懂得避险，更会在熟练的直觉基础上产生创新。

这不仅是“刻意练习”带来的回报，更多是视角下的深度思考，是其他领域的人所不具备的。

如何整合高质量的先验，是需要设计者不断自我迭代的。

• 低质量 Prior： 盲目跟风竞品、缺乏逻辑的主观臆断。

• 高质量 Prior： 经过大量实战验证的认知模型。例如：我之前在Global Fintech的 [感知体系] —— 即“用户在以视觉感知为高优先级的人机交互中，对图形与文字等信息的通用认知规律”。

• 推论： 资深设计师与初级设计师的本质区别，不在于软件操作速度，而在于大脑中 Prior 的权重和准确度。

2.2 P(B|A)：似然性 (Likelihood) —— 是“盲从数据”还是“验证假设”？

在贝叶斯公式中，似然性 P(B|A) 指的是：“如果我的设计策略 (A) 是正确的，那么出现当前数据表现 (B) 的概率有多大？”

这听起来很像我们日常做的数据分析，但“预测式设计”与“传统数据优化”有着本质的区别：

区别 1：对待数据的态度

• 传统数据优化（应激式）：

◦ 心态： 数据是“指令”。

◦ 行为： 追求 “最大似然估计”。如果数据 B（比如点击率）下降了，那说明设计 A 错了，必须立刻改。

◦ 结果： 容易陷入“局部极值”。比如，把“注册”按钮做成骗点击的红包样式，点击率（Likelihood）肯定会飙升，传统优化会认为这是好设计，但它牺牲了用户信任。

• 预测式设计（贝叶斯式）：

◦ 心态： 数据是“证据”。

◦ 行为： 追求 “最大后验概率”。当数据 B 下降时，设计师会调用 Prior（先验）来评估: “这个下降是否在预期内？”

◦ 结果： 能够识别“数据的谎言”。如果 Prior 告诉我“用户正在经历学习期”，那么即使短期数据（Likelihood）不好，我也不会轻易修改设计，因为我预判数据在长期会回升。

区别 2：工作流的差异

• 传统流： 上线 -> 看数据 -> 数据不好 -> 改设计 -> 循环。

◦ (像无头苍蝇，被数据牵着鼻子走)

• 预测流： 建立先验模型 -> 预判数据趋势 -> 上线 -> 看数据 -> 验证模型。

◦ 如果数据符合预判（哪怕是暂时的下跌），坚持设计。

◦ 如果数据严重偏离预判，才修正模型。

核心论点：

似然性 (Likelihood) 不是用来“讨好”的，而是用来“校准”价值判断的。

平庸的设计师通过修改设计来迎合数据；

高阶设计师通过解读数据来校准他对世界的理解（Prior），从而做出更长远的决策。

2.3 P(A|B)：后验概率 —— 进化的决策

这是贝叶斯更新的结果。即：（经过验证的直觉）×（客观数据反馈）= 最优决策。

每一次项目复盘，实际上就是一次 Posterior 更新，它将反过来强化下一轮的 Prior，形成进化的闭环。

后验的结果指向不再是无目标性的追求数据结论，而是设计师带着先验所产生的价值判断以及设计策略得出的可量化的设计结论。

在以往，设计团队因产品需求而产生的目标一致性往往都是产品导向的。因为种种原因，在传导运营、产品、甚至市场目标时，设计团队都是被动接受。往往因为设计师在组织里成为了执行单位而非价值创造单位。

我们在后验概率的角度诠释结论，也有部分意义是设计师需要能务实且有目标性的推导自己的产出，即可以在前置工作的思考及方案落地中可以更符合概率论核心以及理性的逻辑判断。

这样持续的进行自我验证和更新结论，设计师对目标以及结果的性状会越来越清晰，从而产生更多贴近用户真实需求的的产品创新，从而达成量变到质变的跃迁。

第三章：构建高质量先验——感知体系的工程化

要实现精准的“预测”，设计师必须拥有自己的源代码。“感知体系” 即为这种高质量先验的工程化表达。

3.1 认知的物理底层

基于进化心理学，人类大脑边缘系统对生存威胁和安全信号的处理优先于理性分析。

• 通识： 在涉及资产交易（Fintech）时，用户的首要诉求并非“效率”，而是“安全与控制感”。这是一条权重极高的 Prior。

3.2 感知强度的量化分级

为了将抽象的“体验”转化为可执行的策略，我们将视觉干预划分为四个强度等级，用于匹配不同的业务权重：

1. 轻度感知： 辅助信息、次要流程。（如：极细分割线、低饱和色彩）

2. 中度感知： 常规操作、信息流。（如：标准投影、品牌色点缀）

3. 深度感知： 关键决策节点、权益展示。（如：拟物化材质、动态光效）

4. 强烈感知： 风险阻断、核心转化。（如：独占式全屏、警示色）

预测式应用：

当业务方要求“提高转化”时，预测式设计师会调用 Prior，判断当前场景的“信任阻力”，从而精准选择是调用“深度感知”来建立信任，还是用“轻度感知”来减少干扰。

第四章：实证——当算法遇到人性（关于“尊严”的算术题）

本案例旨在揭示：当客观数据指向“效率优先”时，设计师如何利用高权重的先验洞察，通过重构用户的心理账户，实现商业价值的跃迁。

4.1 数据的死角与冲突

在某面向拉美市场的金融产品中，数据（Likelihood）向我们尖叫着同一个指令：“效率！效率！” 竞品都在极致压缩流程，数据分析建议减少页面层级。按照“理性”的算法，产品应该把那笔钱放大并和CTA按钮放在主屏，强烈引导用户。

但我们的 先验直觉 预判：阻碍用户点击的，不是“操作成本”，而是“心理负担”。

4.2 心理账户的重构

AI 可以算出最优利率，但算不出“负债感”的压迫力。在用户的心理账户里：

• “5000元可用额度” = 负债。这意味着压力、风险和不得不还的痛苦。

• “实现女儿的愿望” = 投资。这意味着爱、责任和作为父亲的尊严。

我们违背了数据的“极简原则”，引入了“场景化封装”。

我们不再问“你要借多少钱”，而是提供“子女教育包”、“医疗急用包”。 我们将这笔钱从“负债账户”转移到了“情感账户”。

4.3 对抗“损失厌恶”的最高级

我们利用了“损失厌恶” 的心理杠杆：

• 如果不点击，用户省下的不是利息，而是失去了让女儿快乐的机会（情感损失）。

• 这种“情感损失”的痛感，压倒了对“利息损失”的痛感。

• 同时，通过“预填策略”，我们在用户确认场景后自动填充信息，将复杂的“填空题”变成了低消耗的“判断题”，进一步降低了决策门槛。

4.4 结果与启示

结果验证了贝叶斯式设计的有效性。尽管流程没有做减法，但数据转化结果得到了很好的验证，在场景性以及产品包类型的体验中用户接受程度明显更高。 这证明了：最好的体验设计，不是在屏幕上画花，而是在用户的心里“算账”。

第五章：结论——留给人类的最后一块领地

5.1 从“满足懒惰”到“确立使命”

在过去，设计的本质往往是“满足懒惰”，即帮用户省力。在这个领域，AI 将是无敌的，它能将交互成本降为零。 在未来，设计的本质将进化为“确立使命”。在 AI 制造的海量廉价信息中，“真实的人类意图” 将成为最稀缺的资源。

5.2 AI 只有相关性，你有因果性

AI 可以算出 99% 的人喜欢看短视频（相关性），但它算不出为什么一个父亲为了尊严愿意支付利息（因果性）。 AI 的预测基于“重复”，而人类的预测基于“意义”。

5.3 预测式设计的终局

不要试图去和 AI 比拼算力（Likelihood）。 去比拼心力（Prior）。 作为设计师，我们的终极价值，是成为意义的守门人。只要人类还拥有恐惧、爱、尊严和梦想，这些 AI 无法量化的先验，就是我们永远不会被算法取代的理由。

去做那个在算法横行的世界里，依然敢于为了“一个人的尊严”而改写代码的设计师。

最后

就像概率论一样，总会有很多人持不同的观点来强调甚至反击这样的思考与设计方法。我们不强调贝叶斯设计一定是普世的，但从我从业的经验和我对结果验证的角度客观评价，它一直是我学习、思考，甚至决策的有力支撑。而当我们还处于混沌的非专业的思考路径里无法高度提炼其“第一性原理”时，我们做的设计尝试便是主观的，且无法与肩负业绩的角色一起承担风险。那么设计者终将只是执行环节的一环。

假设，如果我们的设计都带有目标性，那么手段则会变得多种多样。如何选择适合商业产品甚至市场变化的那个，其实才是需要我们关注的。工作中琐碎的迭代优化固然充斥大量的设计时间，如果我们都能形成高度的市场认知、用户理解，再需要一点提纯过的设计方法，或许能够对结果有很重要的影响，从而参与度也逐渐回归且变得主动。

当然，任何领域的人都是需要天赋的。努力的人或许能完成的很漂亮，但却缺少敏锐的感受与洞察、高度的同理心，进而缺少可以灵活运用的思维。所以在理性的数据世界里，最稀缺的价值绝对不是那些唾手可得的定量结论。

但我们应当像 AI 训练模型一样，不断通过商业反馈来修正我们的感知体系，建立属于你自己的贝叶斯公式。