任你选择
课程特色
1、AI优势领域深度结合：课程将讲师在金融数据分析、AI提效与智能体构建领域的丰富实战经验，精准嫁接至UED工作流。重点教授如何运用DeepSeek等大模型与数据分析框架（如OSM、UJM），将非结构化的用户反馈（如客服对话、APP评论）转化为结构化的体验洞察，实现设计师最关心的“从数据到设计决策”的闭环。
2、金融场景实战案例驱动：所有案例均源自讲师在工商银行、平安科技、招商银行等金融机构的数字化转型服务项目与内训经验。一手复盘如何通过数据分析发现某手机银行流程断点、如何利用竞品评论分析明确功能优先级、如何构建智能体模拟用户进行早期可用性测试等，确保方法论紧贴金融产品研发的实战需求。
3、从洞察到输出的工具闭环：课程提供一套完整的“AI设计协作者”工具箱，超越传统调研工具。不仅教授如何用AI进行海量用户反馈的情感分析、旅程地图自动生成、可视化仪表盘搭建，更将进一步展示如何利用AI Agent（如Coze/扣子）将用户画像、设计原型、验证逻辑封装成可复用的智能体工作流，实现设计前的自动场景预演。
4、转型为量化设计驱动者：课程致力于帮助设计师与产品经理突破经验依赖，掌握量化评估设计方案的技能。通过学习构建关键用户体验指标（如任务完成时长、错误率）、运用行为序列数据诊断体验问题、以及通过AI辅助的轻量级A/B测试假设生成，培养以数据驱动设计优化与价值验证的核心能力。
课程对象
研发中心的用户体验设计师、交互设计师、产品经理、用户研究员，以及希望提升产品体验数据化分析与设计提效能力的开发工程师、业务分析师。
课程收获
通过1天的AI学习实战，帮助学员解决如下问题：
1、掌握AI赋能的用户洞察方法：能够利用大模型对客服日志、应用商店评论、NPS文本等海量非结构化数据进行自动化的情感分析、语义聚类与问题归类，快速绘制用户痛点地图。
2、构建数据驱动的设计验证闭环：学会运用OSM与UJM模型，将业务目标拆解为可量化的体验指标，并通过用户行为数据分析（如点击流、事件漏斗）定位设计问题根因，形成验证假设。
3、精通AI辅助的设计原型与报告生成：能够利用生成式AI（如Midjourney for UI探索、DeepSeek for文案/流程图生成）和AI Agent平台，快速产出设计概念、交互稿及可视化分析报告，大幅提升概念验证效率。
4、形成智能化的设计工作流：获得一套可立即应用的设计策略工具箱，涵盖从AI竞品分析、自动化用户画像生成，到智能体模拟用户测试的完整流程，将AI作为核心设计协作者融入日常工作。
课程大纲
时间 | 课程内容 | 涉及案例 |
上午 | 一、思维重塑——AI与数据如何重构UED工作流 1. 从定性到定量：数据驱动的设计决策思维：量化思维、对比思维、归因思维在体验问题诊断中的应用。 2. 智能研究助手：AI在用户洞察中的落地场景：运用大模型自动分析海量用户反馈（评论、问卷开放题），进行情感极性判断、主题聚类与优先级排序。 3. OSM+UJM：构建可度量的体验指标体系：将“提升客户满意度”目标，沿用户旅程拆解为可监控、可优化的关键触点指标（如登录成功率、关键操作时长）。 | 【案例】某手机银行“转账流程”用户满意度提升分析 |
二、洞察实战——从用户行为数据到设计洞见 1. 行为数据分析：从点击流中发现体验“断点”：学习解读事件埋点数据，通过漏斗分析、路径分析、停留时长热力图，定位导致用户流失或困惑的具体页面与交互步骤。 2. 智能诊断框架应用：运用“宏观-中观-微观”分析框架（SSA模型），系统性地诊断诸如“理财产品购买流程转化率下降”这类复杂问题。 3. 竞品与趋势的AI分析：利用大模型快速收集、摘要、对比多个竞品的产品更新日志、用户评论及行业报告，生成结构化的竞品分析简报。 | 【案例】诊断某消费金融APP“活动页跳出率异常” | |
下午 | 三、设计提效——AI辅助的原型、验证与内容生成 1. AI辅助创意与原型生成： • 概念可视化：通过自然语言描述快速生成用户画像卡片、用户旅程图、信息架构草图。 • 界面探索：利用生成式AI进行UI风格探索、图标与组件库的灵感激发。 2. 构建“设计验证智能体”：学习使用Coze/扣子等平台，创建一个能够模拟目标用户角色、对线框图或设计稿进行多轮提问和交互的AI Agent 3. 自动化设计报告与内容生成：使用AI一键生成设计说明文档、PRD框架，以及基于数据分析结果的PPT可视化图表。 | 【实战】为“养老金融专区”设计概念快速原型 |
四、综合演练与未来展望 1. 综合实战工作坊：以“优化手机银行‘信用卡账单查询与还款’体验”为题，小组协作，运用全天所学： 步骤1：用AI分析近一个月相关用户反馈，提炼核心痛点。 步骤2：基于现有行为数据，定位关键漏斗流失步骤。 步骤3：产出优化后的核心流程交互框架与UI风格建议。 步骤4：设计关键体验指标及验证方法。 2. 挑战与伦理边界：探讨AI在设计中的局限性（如创意同质化）、数据隐私保护及人机协同的伦理考量。 3. 趋势：从工具到智能体伙伴：展望AI智能体、多模态交互如何深度融入未来设计工作流，以及设计团队如何持续构建自身的“数据+AI”能力护城河。 | 【案例】从数据分析到设计落地的完整复盘——某银行理财详情页改版 |
