20年過去了,一切都在發展,唯獨通知還停留在1999年的水平。——@mikeindustries

我正在冰島的某地拿着一部快沒電的手機,距離我的車和其他人至少十英里遠。我打開手機想要查看谷歌地圖,這時,我的手機開始嗡嗡作響。

“Spotify 下午在播放列表中添加了兩條新曲目”。恰好,Periscope 也提示:“@kayvon 希望你觀看…”,郵箱里有兩封新郵件,我在Twitter上多了一個粉絲,Slack 上的又有一條新通知。總共九條通知信息。毫無疑問,當我在野外而手機電量僅剩 2% 時,高速的網絡連接和地圖服務才是最要緊的需求。

20年過去了,一切都在發展,唯獨通知還停留在1999年的水平。——@mikeindustries

近期,許多文章,公司,產品和會議都在關注這一主題。有大量的證據表明,現存的通知模式正在被打破,但是這種狀態不可能一直持續下去。該怎樣解決這些問題呢?未來的通知信息會是什麼樣的?

數據時代

從 Google 搜索到 Facebook 的信息流。基於大規模數據的算法分析決定着我們在網絡上能看到的東西。最近,自我學習算法驅動了諸如 Google Now 和 Facebook 這類產品的通知欄的升級。總的來講,這仍然屬於智能算法的初步應用,但幸運的是數據需要智能化,預測性的通知已經得到了基本的應用。

社交網絡的普及產生了自由共享個人信息的概念;為什麼我們還得先填寫那些無聊的表單才能即時登陸 Twitter 或Facebook 呢?

用戶行為數據

即使產品自身的性質並不傾向於數據收集(想想iA Writer vs Facebook),產品能夠從用戶的行為方式中推斷出大量數據,例如人們通常在每天的什麼時間段登錄?人們在產品上花費多長時間?這些時間和高參与度的關係?

產品生態數據

用戶的興趣點是什麼?他們還使用什麼產品?他們是如何使用產品的?這之中有沒有什麼共通點?

也許我們已經有解決隱私問題的方案了。在Google最近發布的智能自動回復功能中,人們不能讀取用戶的隱私數據。另外,機器學習算法也算一類方案。

真正意義上的智能通知

如果我們能夠收集並分析所有的數據,那麼真正的智能通知會是什麼樣呢?至少它們會是有幫助的,私人的,時間敏感的和主題相關的。

智能化的時間安排

即刻執行不一定是最好的方式。最近Basecamp 3推出的眾多有趣的特性之一就是“稍後工作”,這使得用戶可以自主選擇接收通知的時間。你肯定不希望與伴侶的約會被在不同時區工作的同事打擾。

在錯誤的時間通知弊大於利。無關的提醒不僅會被用戶忽略,同時還分散用戶的注意力,進而催生出一種挫敗感和緊迫感。

未來的通知將是高度智能化的。一個預測機制將會根據綜合數據推斷提醒的最佳時間,讓你能夠欣然享受生活。

智能定位

地理數據對於了解用戶行為所處的環境至關重要。如果一個人在黑山的一條距離岸二十英里的船上,那這實在不是一個提醒他都柏林的宜家店裡都在賣些什麼的好地方。

許多應用已經通過一些相對智能的方式來使用用戶的地理位置信息。例如當你到達一個新地方時,Foursquare會給予相應的提示(譯者注:Foursquare是一家基於用戶地理位置信息(LBS)的手機服務網站)——當地的一些信息。此外,許多to-do應用會在任務對應的場景與用戶所處位置相匹配時進行提醒。

智能分組

像所有的推送系統一樣,medium的通知是相當脆弱的。如果某一服務總是自我喚醒,會使用戶感到不堪重負並關閉它。雖然那些提醒是有益於用戶的,但數量的多少等同於負擔的大小。這也是分組會變得如此重要的原因。

看看Facebook將通知分類的方法,例如有多少人贊了你的照片,显示對應的一組用戶名和一個数字,如果願意的話,還可以查看詳情。相反,Quora不僅彈出所有關於你的通知,還需要你去逐條查看,即使其中有相同的信息。

將智能分組這一概念進一步深入,智能通知應當是逐步分組的。如果你每張照片收到的贊數一般少於十個,那麼你有可能希望每條通知都獨立呈現。如果每張照片能收到上千個贊,那麼每收到一百個贊提醒一次更加合適。你也可以選擇特別關注朋友,家人和一些重要人士的動態。如果馬克扎爾伯格評論了你的文章,想必你一定希望能立刻收到通知。

智能反饋

儘管每一位用戶都有其獨特性,但你不可能為每個人定製系統,因此我們需要適當的妥協。相對於愚蠢的默認設置,智能的通知反饋可以輔助提供更加個性化的產品通知。

根據你平時與內容的交互方式,產品可以提供更好的文案和呈現結構供你選擇。你通常怎樣處理新照片被贊的通知?僅僅瞥一眼?或是詳細地查看每一條通知信息?根據用戶行為習慣的不同,你們可能看到不同的通知方式。

具針對性的智能化

我們不斷與客戶在Intercom上交流溝通。在我們進行產品調研時,我們從不對(參与調研的)用戶提出同樣的問題,而對用戶進行針對性地提問。舉例來講,如果我們計劃提升產品的導出功能,我們會選擇在過去两天內曾使用過這一功能的用戶,趁他們記憶清晰的時候去詢問他們在使用過程中是否遇到過什麼障礙。

將消息發送給合適的用戶能夠獲得較高的反饋率,收到真正有用的反饋進而改善用戶的體驗。對數據進行聚合分析,智能化的通知能夠專註於對應的用戶而不打擾其他用戶。

智能通知 VS 系統通知

智能化的通知信息更像是你的私人助理或另一位自然人的提醒。與之相對的,系統通知看起來只是屏幕上一個小小的提示圖標。它們應該消失么?應該對這些通知信息打包么?產品應當是個性化的么?

有一種心理現象叫做幻想性視錯覺,我們每天都能看到許多人形的物體。我們感覺天空中的雲像人臉,動畫中的小動物像人一樣活動,科幻小說里的機器人也常常被描繪成人形。我們傾向於與機器人打交道,不管是Siri,Contana還是M(Google將其從Google Now中剝離出來真是失策)。

機器通過使用人類的語言進行通知提醒顯得更加人性化,就好像是一個真正的人寫的一樣。

事實上,通知信息現在越來越口語化。下面是一年前的通知信息和現在的通知信息的對比:

雖然消息這種通知形式剛剛起步不久,但我們相信它最終將取代傳統的通知形式。

反饋環節

無論預測系統多麼智能,無論數據收集多麼高效,產品都必須存在反饋環節。Zima Blue是英國科幻小說作家的短篇作品,作品中討論了智能化預測的一些特性。想象一下,在陽光明媚的午後,你選擇了一瓶白葡萄酒而非紅葡萄酒與朋友共飲,這可比你月下獨酌舒服得多。類似的,智能的算法就是在不附加任何東西的情況下找到最適宜的組合。同人的記憶一樣,單一偏差不會對整個預測模型產生顯著影響。即使系統仍舊(和下文“還是”重複,建議去掉“仍舊”)向你推薦紅葡萄酒,但你的記憶會鎖定異常點並加以放大,因此最後你多半還是會選擇白葡萄酒,下次也是如此。算法不會容忍整個行為模式受一個帶有偏差的實例影響而偏離。

智能通知的路徑

顯然,通知不能長時間駐留,它們與主要任務流程無關,是一種侵入性的元素。沒人喜歡它們。

與此同時,所有用於創造更智能的通知的信息都已存在。一些產品試圖合理地使用這些數據並建立一個能夠使通知的提供更具價值,更有幫助的路徑。

我只希望下次迷路,當我掏出自己快要沒電的手機的時候,它能成為為我指引方向的機器人小助手。

 

作者:Alex Potrivaev,Intercom產品設計師。

本文由 @Alex Potrivaev 原創發佈於人人都是產品經理 ,未經許可,禁止轉載。