專案摘要
這次 UX 再設計的核心目標是：不要讓介面成為使用者開始運動的阻礙。在使用者研究階段，我透過 App 評論分析與使用者訪談，發現真正造成卡住的原因並非內容品質，而是資訊架構分類不清、功能入口分散，以及跟練過程中動作提示不足。
因此，本次再設計聚焦在三個面向：重新整理資訊架構與導航命名、優化快速開始訓練的路徑、以及補強訓練影片中的節奏提示。
為什麼 NTC 需要重新設計？
在解決問題之前，得先看清問題的全貌。我首先從 Google Play 的 451 則評論切入，藉由 Python 自動化分析整理回饋類型與常見痛點，讓後續的體驗優化建立在真實使用者回饋之上，而不只是設計師的主觀推測。
量化分析 — 451 則評論
分析結果顯示，82% 的使用者對 NTC 的運動內容表示滿意或正面肯定。這說明問題不在於內容本身，而在於使用者如何找到並開始使用這些內容。負面回饋主要集中在導航與資訊架構問題（8%）、技術門檻（7%）、功能自定義需求（3%），其中導航命名與資訊架構佔比最高。
質化訪談 — 6 位使用者
量化分析讓我看見問題的分布，但難以判斷使用者在什麼情境下迷失、以及這些障礙如何影響後續的使用意願。因此，我邀請 6 位首次使用 NTC 的使用者進行一對一訪談與可用性測試，觀察他們在尋找課程、理解導航與實際跟練過程中的即時反應。
「NTC App 給我的感覺更像是一個資料庫，我需要自己去找出可用的素材。」
從使用者旅程拆解設計問題
在完成量化與質化研究之後，我將分析結果整理成清楚的問題框架。我建立 Persona「Amber」，作為這次設計決策的核心參照對象——她代表一群想快速開始運動、但缺乏時間與精力自己摸索 App 的使用者。
Persona — Amber
User Journey Map — Amber 的使用旅程
為了讓設計決策有更清楚的情境依據，我將 Amber 從打開 App 到完成第一次跟練的流程整理成 User Journey Map，標示每個階段的行動、情緒起伏、痛點與設計機會。
將設計策略轉化為可操作的介面體驗
針對 Amber 使用旅程中的兩個主要低點，我將這次 再設計 的核心聚焦在降低開始運動前的理解成本，並收斂為三個具體策略。
↓ 將滑鼠移至各策略卡片，查看 Before / After 設計細節
「運動計畫」→「訓練」：移除與「計畫」重複的語意，讓這個入口更直接對應「找課程、開始訓練」的任務。
「活動」→「訓練紀錄」：將較模糊的「活動」改為更接近歷程、成就與紀錄概念的命名。
「計畫」保留不變：當「運動計畫」改為「訓練」後，「計畫」本身的語意變得清楚，因此保留原命名。
資訊架構重整 — Sitemap Before & After
在進入高保真原型前，我先完整重整 NTC 的資訊架構，釐清哪些命名需要修改、哪些入口需要前移、哪些層級需要合併，確保改動邏輯上的一致性。
Prototype — 可互動的完整流程
在完成資訊架構與關鍵畫面設計後，我進一步將再設計方案轉化為 High-Fidelity Prototype，呈現使用者從探索課程、快速開始到進入訓練影片的完整操作流程。
立即體驗 Prototype →驗證與迭代
完成再設計方案後，我邀請 3 位受試者進行任務式易用性測試，以確認設計調整是否真正降低了「探索到開始訓練」的理解成本。
驗證方法
輔助觀察指標
除了記錄任務完成時間，我也同步觀察以下行為作為輔助依據：停頓（使用者在介面前猶豫不動的時刻）、返回上一頁的次數（迷路或確認失敗的訊號）、反覆切換分類的頻率（導航命名是否仍造成混淆），以及完成後是否需要額外尋找下一步。這些觀察補充了時間數字無法呈現的情境細節。
測試結果
| 觀察指標 | 再設計前 | 再設計後 | 變化 |
|---|---|---|---|
| 找到感興趣課程並開始所需時間 | 2 分 12 秒 | 58 秒 | ↓ 縮短約 56% |
「整體來看，redesign 不只是介面更清楚，也確實降低了使用者在開始運動前的理解與決策成本。」
重新整理資訊架構與導航命名後，受試者完成任務的時間明顯縮短，停頓與返回次數也有所減少。雖然測試樣本不大，結果僅供初步參考，但這些方向性的改善支持了設計決策的有效性，也指出後續迭代可以繼續深化的面向。
後續優化方向與設計反思
這次 NTC 再設計是我第一個完整的 UX 專案。從研究、定義問題到設計策略，整個過程讓我更清楚理解：UX 設計不是讓介面變漂亮，而是透過研究與迭代，持續降低使用者完成目標所需要的認知成本。
這次易用性測試偏向初步驗證，樣本數有限。未來希望納入更多不同運動程度、使用背景與操作習慣的受試者，並加入更細緻的量化指標——例如導航點擊次數、返回頁面頻率、任務完成率，讓設計決策有更扎實的數據基礎，而不只是停留在時間縮短這個單一指標。
在這次專案中，我嘗試用 Python 搭配 AI 工具自動化處理 Google Play 評論，將大量非結構化的使用者回饋初步轉化為可分析的問題類型。這個過程讓我看見 AI 作為研究前期輔助的價值——它能快速整理規模，但真正的設計判斷仍然來自對使用情境的理解，以及與真實使用者的對話。未來我希望進一步整合 AI 輔助訪談逐字稿分析、關鍵字萃取與行為模式歸納，讓研究流程更有效率，同時保持對使用者行為的直接觀察。
在整個 再設計 過程中，最深刻的一課是：我必須學會放下自己對介面的設計預設。當受試者的操作路徑與我預期的不同時，第一個念頭不是「使用者理解錯了」，而是「設計是否真的傳遞了正確的方向感？」這次專案讓我更習慣用觀察代替假設，用數據和行為模式來支持設計決策，而不是靠直覺走完整個流程。這也是我在這個專案中最重要的學習：設計不是證明自己的直覺，而是透過觀察、驗證與修正，讓產品更貼近真實的使用情境。