通过数字“现场”观察理解视觉调查模式

文献标题

Understanding Visual Investigation Patterns Through Digital “Field” Observations

文献信息

• 主题领域: 视觉分析与用户行为研究
• 关键词: 视觉交互, 视觉分析, 信息可视化, 用户行为, 数据分析模式, 数据驱动洞察, 协作分析

研究背景与问题

• 作者发现的问题或挑战: 视觉分析领域的既有研究主要集中在学术和科学背景下进行，实验环境较为模拟或孤立。与大型企业情境下的用户分析需求脱节，导致这些发现难以推广到实际业务环境中。这些环境中存在复杂的系统和用户互动生态，且数据量巨大。
• 重要性: 在企业环境中，视觉分析至关重要，它帮助用户处理大规模数据并得出对业务有意义的洞察。但当前工具未能有效支持用户跨多系统的大规模任务，且用户行为模式难以理解。
• 研究动机与相关工作: 本工作旨在扩展已有文献，验证既有模式在企业环境中的适用性，并通过数字“实地”观察揭示新的用户行为模式、目标和协作需求。

解决方案

• 提出的方法或解决方案:

  • 数字“实地”观察方法：通过屏幕共享无干扰观察用户真实工作流程，并收集高质量行为数据。
  • 结合日志分析，从另一个视觉分析工具中提取用户行为模式，验证其通用性。

• 创新之处:

  • 数字“实地”观察减少了用户实验中的干扰，能够在企业情境中更真实地观察视觉分析行为。
  • 新增了三个之前未被识别的分析模式：Sidestep、Fanout与Plug and Play。
  • 提出了五个协作和生态系统相关的新主题，强调分析工具之外的复杂协作及用户生态。

• 实施步骤与关键技术:

  1. 通过屏幕共享记录9名用户的15次分析任务，跨8个团队和多个不同的数据域。
  2. 手动分析产生序列模型，并进行开放编码提取行为模式。
  3. 利用另一企业分析工具的日志（2530次会话）验证模式在不同产品中的适用性，采用序列模式挖掘算法Closed FAST进行数据分析。

研究成果

• 具体成果:

  • 用户目标: 提炼出四个核心用户分析目标：
    1. 检查已知变化后的异常或效应。
    2. 调查数据问题（为何不符合预期）。
    3. 判断数据是否与已知模式匹配并采取行动。
    4. 原型化或优化新指标定义以供他人使用。
  • 行为模式: 发现了六种视觉分析模式：
    • Drilldown（逐步过滤）
    • Sawtooth（重复筛选与复位）
    • Sidestep（移除先前过滤器视图）
    • Fanout（同时打开多个分析分支）
    • Plug and Play（加载现有模板快速分析）
    • Side-by-side（多实例对比）
  • 协作与生态观察: 提出了五个新主题：
    • 分析工作高度依赖于历史工作。
    • 实时协作是分析的重要组成部分。
    • 分析结果经常需要其他人的审查。
    • 分析后需具体行动（如代码更改、文档报告）。
    • 产品间的分散导致频繁切换工具。

• 优势: 相较于现有研究，本工作在真实情境下验证了既有行为模式，并补充了三种新的行为模式。此外，揭示了用户在企业环境中如何协作以及进行生态化操作。

• 实验与评估结果:

  • Drilldown为最常见行为（8920/9988个序列），其次为Fanout和Sawtooth。
  • Sidestep因频率较低（126/2530会话），未能通过日志自动识别。

• 局限性与未来方向:

  • 局限性: 数据来源于单一公司（Google），难以推广到其他组织或行业；序列模型手动生成可能受限于技术错误；部分模式因支持门槛未被完整分析。
  • 未来方向:
    • 探讨如何在工具中更好地支持用户实际的协作与生态系统需求。
    • 深入研究其他行业的视觉分析行为及目标。
    • 开发更高效的日志挖掘算法来识别低频行为模式。

总结

本研究通过数字“实地”观察和日志分析揭示了大型企业环境中的视觉分析行为，确认了一些既有模式的普遍性，并提出三个新模式及五个生态系统主题，扩展了视觉分析领域的认知。这些发现将为设计更贴近用户需求的视觉分析工具提供重要启示，同时为未来研究指引方向。