补偿与非补偿:两种决策策略

几乎我们在生活中所做的每一件事都需要做出决定。我今天应该穿什么?我晚饭该吃什么?我该买哪一副耳机呢?对于这个新服务，我真正需要哪个帐户层?在当今世界，经常有丰富的选择．当面对许多选择时，人们如何避免选择过载和决定选择哪个选项？

例如，在洛斯有数百个浴室梳妆台-太多的选择单独考虑!为了快速缩小选择范围，大多数网上购物者首先使用筛选选项来选择不可协商的条件:例如，可用空间的大小和水槽的数目。根据剩下的结果的数量，他们可能会继续添加额外的过滤器的偏好，如颜色处理。然后,一旦结果列表被缩减到可行的大小，他们浏览它，然后选择一些有前途的选择进行比较．

这个过程说明了人们使用的两种决策策略:

• 一个noncompensatory决策策略消除了不符合特定标准的替代方案。
• 一个补偿决策策略权衡考虑的备选方案的积极和消极属性，并允许积极属性来补偿消极属性。

非补偿性决策在有需要时使用许多的选择可供选择;它允许人们迅速将选择的数量缩小到一个或几个。补偿性策略对工作记忆正因为如此，只有在有需要的时候才可以使用没有更多的选择．

理解人们为什么以及如何使用这两种决策策略，可以让我们设计出最能支持用户的界面。

当人们使用每种方法时

的多种选择是决定人们使用何种策略的主要因素。这是因为这个数决定了大量的努力有必要对他们进行筛选。

当我们只评估少数几个选择(大约5-7个)时，比较每个选择的属性是一项可行的任务。通过彻底审查这些属性，我们可以确定某些方面对我们来说是否比其他方面更重要，然后在评估每个选择时允许积极的价值超过消极的价值——这就是补偿策略。

然而，当有许多选择时，全面比较每个选择的利弊是令人生畏的——如果不是完全不合理的话。在这些情况下，我们转向非补偿策略，消除任何不符合某些关键标准的替代方案。这种方法允许我们快速而轻松地缩小选项集，但不能充分考虑每一个选项。

过滤器支持无补偿策略

当人们使用非补偿策略时，他们选择了一个或多个不容讨价还价的策略排除所有不具备这些特征的选项．重复这个过程，直到选择的范围缩小到一个可管理的数目。

过滤器和分面导航在产品列表页面上，最常见的工具支持这种非补偿标准选择，允许用户快速删除不具备这些选择特征的选项。例如，Wayfair.com为各种沙发特性提供了许多过滤选项，允许用户缩小20903个沙发的列表，只查看那些符合特定条件的沙发，如尺寸、座位容量和价格。

对于库存大的网站，过滤器是至关重要的．如果没有它们，用户很容易被所有的选择压垮，经常会放弃网站。此外，过滤器是如此普遍用户希望他们出现在每个网站上．

例如,一个用户买一面镜子Crate & Barrel移动应用很失望,她不能过滤掉没有金完成的镜子:“我专门寻找黄金,我看到上面(清单页面),但我只是检查是否还有其他很酷的。我看到有41个，但没有办法过滤。肯定有办法过滤它们的但是没有，这很奇怪。通常，你知道，你可以，所以我有点烦恼。”

当然，仅仅有任何过滤器是不够的筛选器属性必须是相关的并匹配用户最关心的特征。呈现一个只包含一个或几个不相关属性的过滤器几乎比完全不呈现过滤器更令人抓狂。例如，一个用户在Interior Define移动网站上购买地毯时，发现唯一可用的过滤属性是集合．她说:“我想知道你是否能缩小我感兴趣的地毯种类。所以，我看到这里的过滤器[…]我不熟悉集合的名称，所以这对我没有帮助。你在哪里可以做这些?因为我过滤的时候看到的都是集合。通常情况下，你可以根据大小、颜色和特征进行过滤。”

确定过滤器可能相关的用户,检查你的网站的搜索日志,看看标准用户正在寻找,跟实体销售人员(如果有的话)和客户支持代表听到用户最关心什么,或监听什么标准用户可用性测试期间提出。

除了在浏览替代品时使用过滤器外，用户可能采用的另一种非补偿策略是使用多词查询进行搜索．在我们过去的电子商务研究中，每个查询平均包含2.3个单词，包括颜色、尺寸和品牌等特征。用户希望这些特征能起到过滤器的作用，当网站没有按照结果集中的每个单词对条目进行优先排序时，他们会感到困惑和失望。例如，一个用户在一个网站上搜索“木盒”，他会期望得到一个列表，其中只包括木制的盒子——而不是网站上所有木制的物品加上所有的盒子。

补偿决策需要比较工具

当评估少量的选择时，彻底考虑每个选择及其各种利弊是一项可管理的任务。用户界面的工具允许用户在同一页面上查看和比较多个项目及其各自的属性支持补偿决策。

精心设计的比较表分解每个选项的特点，让用户比较每个选项的优点。因为比较多个条目是一个认知要求很高的过程，所以必须将这些表设计为支持简单的扫描:将每个条目及其属性对齐到一致的列和行中，避免在表格单元格中使用冗长的文本，并确保包含的属性是有意义的(并且对于表中的每个条目是可用的)。电子商务网站每个类别只有少量的商品，或者多个帐户级别有不同的定价级别的服务，它们可以通过显示容易找到的比较图表来帮助用户在少数选项中进行选择。

允许用户选择一些产品并直接进行比较的比较工具也很有帮助。请记住，在每个工具中不需要支持超过5个产品——因为人们不会使用无补偿策略和更多的选择。

例如，在最近的一项可用性研究中，一名用户在家得宝(Home Depot)的移动应用程序上购买冰箱，他想知道为什么外观相似的冰箱价格会不同。如果一种选择更贵，那么它值得付出更高的代价吗?为了发现这些功能的差异，她从产品列表页面添加了两个模型到应用程序的比较工具中。在看结果的表格时，她说:“我喜欢并排比较，因为……如果某样东西多花了一点钱，我可以看到它的权衡，如果它对我来说有价值，我可以多花200美元或130美元。”

揭示每个备选方案的关键细节对于支持补偿决策至关重要，这样人们就可以考虑每个单独的属性。即使是在评估单个项目时，人们也必须这么做看正反两方面来确定是否有足够多的好处超过任何消极方面．

许多决策结合了两种策略

这些相反的决策策略并不是相互冲突的，当人们经历削减潜在选择和评估选项的阶段时，通常会使用每一种策略．正如前面的Lowes例子所示，通常人们首先使用过滤等非补偿策略来缩小一组选择，然后，一旦他们得到的结果数量较少，他们就会比较单个项目的积极和消极属性。

反过来，使用每一个决策策略可以让人们有效地减少大量可选择的替代品只有一小部分，还有然后彻底比较这几个选择的利弊做出最优的最终决定。

结论

理解人们如何做出选择，可以让我们设计工具，支持用户的决策策略，提高可用性。对于非补偿性决策来说，提供某种方法过滤掉不具备选定特征的选项至关重要，而揭示关键特征并提供比较工具则支持补偿策略。

在我们的培训课程中了解更多关于人们是如何思考和解决问题的人类思维和可用性．