您的位置:老鐵SEO > 站長新聞 >

用戶研究之-用戶研究的方法

文章來源:www.kmkusn.tw

作者:老鐵SEO

人氣:142

2018-10-07

  聊聊用戶畫像的方法
 
  我在上一篇文章《用戶研究之-用好用戶畫像》已經講了什么是用戶畫像。這篇文章講講用戶畫像的方法。
 
  用戶研究
 
  這是《贏在用戶》這本書經常被人用到的一幅圖,這幅圖很好的歸納了用戶研究的方法。根據這幅圖的分類,我們來聊聊用戶研究的方法。
 
  理解用戶
 
  經常說研究用戶、理解用戶,那我們真正想研究的是什么內容?
 
  聽用戶說什么
 
  聽用戶說什么,借此來了解用戶的目標和觀點。目標是用戶想要完成的事情,觀點是用戶對遇到的問題的看法。要聽用戶說什么,可以直接和用戶進行訪談、也可以通過問卷的方式讓用戶回答等。
 
  聽用戶說什么時,我們經常犯的一個錯誤是去試著說服用戶接受我們的觀點,特別是當用戶的觀點跟我們背道而馳時。記住要聽用戶說什么,而不要試著去說服客戶接受你的觀點
 
  聽用戶說什么,還應該注意“人們說的和做的可能完全不一樣”的情況。
 
  分享一個《贏在用戶》這本書里面提到了一個例子。Sony在研究Boom Box概念的時候,組織了用戶對Boom Box顏色進行了討論,最終他們得出了一個結論,消費者應該更喜歡黃色的。但在會議結束后,組織者提供了黑色和黃色的Boom Box作為禮物,結果大家都選了黑色的。
 
  合理的識別什么是用戶的正確觀點,什么是用戶的真實觀點,在聽用戶說什么時尤為重要。
 
  看用戶做什么
 
  研究用戶做什么,是針對用戶的行為進行研究。觀察用戶行為的方式有很多,可以通過現場看用戶做什么、也可以根據用戶操作后產生的日志來分析用戶的行為。
 
  通過對用戶行為的研究能發現很多問題:“用戶更喜歡通過搜索框進入這個功能”、“用戶喜歡在睡覺前打開軟件”、“用戶更喜歡閱讀帶圖的文章”……等等。
 
  通過研究做什么,甚至能發現用戶自己都沒發覺或覺得無足輕重的行為習慣。了解這些習慣,更能設計出符合用戶習慣的產品。
 
  用戶研究的方法
 
  根據用戶研究的方法,可以分為定性研究和定量研究兩種。
 
  定性研究
 
  定性研究是一種相對開放性的研究方法。定性研究是需要研究者針對少數個體,根據研究者的觀察、經驗、分析來進行研究在方法。定性研究并不要求統計意義上的證明,更多的是研究者本身憑借自身經驗和觀察對用戶進行研究。
 
  定性研究無法針對大規模的用戶進行,通常只針對10到20個的典型用戶。
 
  首先,通過研究目的對用戶進行分類。在研究前必須先明確我們研究的目的,再根據目的,可以選擇按用戶目的、行為等來對用戶進行分類。
 
  舉個例子,某問答社區需要針對不同的用戶進行有區別設計,選擇了按用戶行為來劃分。有的用戶喜歡寫文章并和其他用戶進行互動、有些用戶只是上來閱讀文章等。所以可以將用戶分成:內容貢獻者、參與者、閱讀者等幾個分類。
 
  其次,在每個分類中選擇若干個典型用戶進行研究。在對用戶分類后,為每個分類選定若干個典型用戶,然后進行用戶研究。
 
  選擇典型用戶的方法有很多種,有特定目標的選擇,也有完全隨機的選擇。在這里就不展開細講了。
 
  最后,確認是否需要新增分類或增加用戶。在進行了一輪用戶研究后,在通過研究的結論判斷是否需要新增用戶分類或者增加用戶樣本。
 
  如果在研究過程中發現有用戶出現明顯不處于這個分類的特征,那么考慮是否增加新的分類。如果在用戶身上發現了新的觀點,那么可以考慮適當增加用戶數量進行研究。反之,如果在一個分類用戶身上已經沒有新的行為或觀點出現時,則可以考慮結束這個分類用戶的研究了。
 
  定性研究方法
 
  一對一訪談
 
  一對一訪談是采用與用戶進行一對一的談話的方式,通過跟用戶面對面的交流來認識和了解用戶的一種方式。
 
  一般一次只選擇一個用戶進行訪談,一是因為這樣容易聽清用戶的觀點,同時也避免了多個用戶之間觀點相互影響。但是,在有條件的情況下,鼓勵多個研究者針對一個用戶進行訪談,這樣能從多個不同的角度了解用戶。
 
  這里列舉幾個用戶訪談過程中會遇到的一些問題:
 
  照本宣科的提問。事實上在訪談過程中,經常會聽到用戶提出了我們毫無準備的問題,要善于從這些問題中挖掘出新的問題。可以提前準備問題,但切記不要照本宣科。
 
  用戶講別人的觀點。“我認為他們可能會……”,這個是用戶經常出現的表達方式。當用戶提起他人的觀點時,我們要適當的引導“那你遇到這種情況時會怎么做?”
 
  試圖說服用戶。適當引導用戶,但不要試著說服用戶接受我們的觀點。當我們認為用戶說錯了,也不要試著去強硬地去糾正。要去理解用戶為什么犯錯誤了。更何況當我們認為用戶錯的時候,很有可能錯的是我們。
 
  訪談離題太遠。要讓用戶說出他自己的故事,但是要避免離題太遠。用戶經常會發散地講述他們的故事,從產品使用,到日常生活,再到街頭八卦。我們雖然允許用戶小范圍離題,但要注意引導用戶。
 
  現場調查
 
  現場調查就是到真實的現場去看用戶怎么使用產品。
 
  現場調查經常可以看到一些場景和習慣是用戶覺得沒必要說的,甚至我們覺得沒必要問的問題。
 
  現場調查也有一些注意事項:
 
  做現場調查,應該盡量讓用戶從事他日常處理的事情,除非有必要,盡量避免構造一個場景讓用戶去執行。
 
  在用戶操作過程中,調查人員要盡量避免干擾用戶。碰到有疑問的可以先記下來,等用戶執行完成后再進行詢問。
 
  用戶在被詢問或觀察的情況下,很有可能為了迎合調研者而刻意改變日常行為。
 
  在用戶演示完成后,我們還應該針對一些問題和用戶進行交談。這部分內容有點類似于用戶訪談的形式,但是內容變成了針對于用戶行為的訪談。
 
  可用性測試
 
  可用性測試類似于現場調查。調研者通過設置目標讓用戶完成,觀察用戶在完成目標過程中遇到的障礙或困難,以此發現我們產品設計過程中存在的問題。
 
  在這個過程中也可以收集到用戶在使用過程中的建議。
 
  焦點小組
 
  焦點小組是一種調研者和用戶通過做座談的方式進行的一種用戶意見收集的形式。調研者作為座談會的主持人,引導用戶表達出他們的觀點。
 
  作為主持人控制場面和話題很重要,避免用戶和用戶之間太廣泛的討論。
 
  定性研究小結
 
  定性研究實行的難度比較小,在某種程度來講,定性研究是可以隨時隨地的進行的。而且在定性研究過程中,我們往往面對的是真實的用戶,更容易讓我們理解和梳理出用戶的故事。
 
  定性研究不需要特別專業的計算機知識,但是對調研者自身的分析和總結能力要求比較高。也應該看到,調研者自身的態度很容易影響到調研結果。要避免過于主觀的去分析用戶的行為和觀點。
 
  定性研究的方法也有其缺點,定性研究一般研究對象在10到20個之間,樣本數量較小,所以個體差異對整個調查數據的影響較大。所以,定性研究缺乏數據的支撐。定性研究無法自證我們的調研結論的全面性。
 
  但是特定情況下定性研究卻是可以發揮很大作用的。比如,在調研資源不足時,在我們沒有量化的數據時,在某些要求不太嚴格的小項目啟動時,都可以考慮采用投入成本不高的定性研究。
 
  定量研究
 
  定量研究是基于一定的用戶數據進行研究的方法。定量研究需要基于用戶的行為或觀點產生的數據,通過數學統計的方法來獲得研究結果。
 
  定量研究步驟
 
  定量研究面對的是成千上萬甚至于海量的用戶數據。所以,定量研究需要借助于數學的統計和計算機算法來完成。雖然近年來人工智能在用戶研究領域已經取得了較大的發展,但是用戶研究還是得從人為的假設開始。
 
  來看一下如何開展定量研究:
 
  首先,根據我們的調研目的,對用戶分類并進行假設。
 
  先根據調研的目的對用戶進行初步的分類。這一步跟定性研究類似,通常的做法是在定量研究開始前先進行一次定性研究,通過定性研究的結論來作為定量研究的分類假設。
 
  其次,基于對用戶分類的假設,對數據進行計算和分類。
 
  根據我們既定的假設和已有的用戶數據,利用數學的方法進行統計和分類。這一步需要借助于數學和計算機的算法,所以這個步驟經常是需要工程師來完成。
 
  最后,分析分類結果,并適當調整用戶分類。
 
  計算機分類出來的結果還需要進一步分析,分析一下計算出來的結果是否符合預期。這個步驟可以驗證我們對用戶分類的假設。
 
  數學的統計可以避免人為主觀的影響,有時候甚至能發現一些意想不到的問題結論。你可以知道“原來還有每個月成千上萬購物的用戶”,“原來那么多用戶在擠地鐵時使用產品 ”……
 
  但是也要警惕一點:數據也是會騙人。例如數據顯示“某功能男人比女人多一倍的打開概率”,當你知道女人打開概率是1%時,這個結論多么可笑。再次提醒:數據是死的,關鍵還得看你怎么解讀數據
 
  定量研究的方法
 
  問卷調查
 
  問卷調查是指通過給用戶發問卷的方式來進行用戶研究。
 
  問卷調查遠沒有看起來那么簡單。合理的設計問卷,不同的問卷設計方式在同一個問題上可能會得出完全不同的結果。
 
  舉個例子,問一個用戶“當有獎品時您是否會分享”,也可以問“您在下列情況下,哪些情況您會分享?”,還可以問“您曾經轉發到朋友圈的文章有一下哪幾類?”,同一個問題不同的提問方式你可能會得到一些不一樣的結論。
 
  如果對問卷調查不清楚,或者對用戶不了解,建議用迭代的方式來進行問卷調查。先針對小部分用戶進行測試,然后調整問卷,再進行下一輪的問卷調查。
 
  不可否認,問卷調查也是研究用戶“說什么”的一種方式,不可避免的部分用戶可能會口是心非的回答問題。要適當的考慮這部分用戶對調研結果的影響。
 
  日志和用戶數據分析
 
  日志和用戶數據分析是在產品已經上線的項目里面使用的方法。用戶在使用產品過程中會留下很多用戶數據或日志,我們以此為分析對象。
 
  相比于其他的用戶調研的方法,日志和用戶數據分析是用戶在真實的場景下使用產品過程中留下的數據,是最全面也是最真實的反應用戶行為的一種方式。但是日志和用戶數據分析研究的是用戶的行為,并不能反映用戶的觀點。日志和用戶數據分析可以和問卷調查或定性研究結合使用,將用戶行為和用戶的觀點結合起來分析。
 
  定量研究小結
 
  定量研究是針對一定數據量的用戶觀點或行為進行分析的方法,所以可以在數學上證明用戶分類的正確性。同時,定量研究經常可以利用計算機進行計算,這意味著我們可以針對更多的用戶數據進行分析。
 
  定量研究對技術的要求比較高,需要計算機工程師一起參與分析。因為定量研究是通過數學的方式進行統計的,所以其得出來的分類結論看起來會更加離散和復雜。這無疑提高了后期進行用戶畫像的難度。
 
  進行用戶畫像
 
  到這里我們對用戶已經有了一個大概的認識,從這里我們要開始利用我們收集到的用戶信息進行用戶畫像了。
 
  細分用戶
 
  用戶分類可以讓我們更加理解和聚焦某個分類用戶的需求,更細的分類有助于我們更精細化地去運營數據。但這也不代表用戶分類越多越好,太多的用戶分類會讓團隊在使用用戶畫像的過程中陷入困境。試想一下,如果一個產品存在20~30個用戶畫像,記不記得住都是一個問題,還怎么在平時工作中使用。
 
  那么多少個用戶分類合適?《贏在用戶》這本書建議的是3~6個。6個以內的用戶讓團隊容易記憶,并且更容易使用。
 
  針對某些比較大型的產品,6個用戶分類可能無法滿足需求。這個時候可以考慮針對某個大功能進行用戶畫像。例如,某個綜合性社區既有論壇功能又有電商功能,那么可以考慮針對論壇模塊和電商模塊分別進行獨立的用戶畫像。
 
  進行用戶分類
 
  根據分析目的的不同和產品的不同階段,可以采用不同的分類方式。
 
  按用戶目標劃分
 
  按用戶目標劃分是一種常見直接的方法,因為一個用戶使用我們的產品總是帶著一種目的而來。例如針對一個旅游社區產品,用戶可能是想了解目的地、也可能是想了解當地攻略、還有可能是想尋找一起去旅游的同行者等。
 
 
  我們還可以更深入的了解用戶目標的動機,對動機進行劃分。例如,在用戶進入社區后,用戶最終的目標是不一致。
 
 
  在我們規劃產品功能和產品結構框架的時候,按用戶目的劃分是一種非常有用的方法。通過這種方法設計出來的產品用戶理解起來更直接。
 
  按用戶行為劃分
 
  用戶使用產品會出現不同的行為。例如對一款音樂產品來說,用戶可能會出現不一樣的行為,有些用戶直接搜索喜歡的音樂、有些通過其他用戶推薦來播放、有些用戶在聽完之后會分享給其他用戶等。
 
  當我們的產品的功能比較垂直單一時,用戶的行為比用戶的目標更能區分用戶之間的差異,這時候按用戶行為劃分是一個很好的辦法。例如對于音樂產品,用戶的目標比較聚焦在聽音樂這件事上,這時候如果按用戶目標來劃分的話,用戶的差異可能沒那么大。利用用戶使用產品的行為來劃分,會是一個很好的分類方式。
 
  按用戶所處階段劃分
 
  用戶使用產品是一個漸進的過程,每個用戶都會經歷新手期、發展期、專家期等階段。每個階段用戶都會遇到不同的問題,新手期用戶面臨熟悉產品的問題、發展期面臨成長的問題、專家期面臨新鮮度流失的問題等。
 
  在產品啟動后運營階段,按用戶所處階段劃分,能更好發現用戶在各個階段遇到的問題。
 
  交叉劃分
 
  按一維特征對用戶進行劃分是比較直接的,但是我們面對的用戶往往是多樣的。用戶更多是在兩三個維度呈現出不一樣的特征,所以可以利用交叉的方式來進行用戶劃分。
 
  例如還是針對一個旅游社區來分析。我們將用戶的目標分成兩類,一類是想深入了解目的地的用戶,一類只是去目的地走走的用戶。除此之外,我們的用戶還分成新用戶和老用戶。來看看怎么使用用戶的目標和用戶所處的階段來進行劃分。
 
 
  除了二維的劃分法,我們還可以將用戶的行為加入進去。例如,根據用戶的行為,我們將用戶分成內容生產者和消費者。那么我們的分類就變成了下圖所示。
 
 
  還需注意,劃分了用戶分類后,不代表這個分類區間內一定有用戶。例如,一個用戶只想了解知識的新手用戶是不會成為內容生產者的。那么這個分類區間是可以刪除的。
 
  定量細分
 
  在我們做用戶的定量研究時,我們可能會得到大量的用戶數據。針對大量的數據再使用人工定性的細分方式就處理不過來了,這時候就要選擇定量細分的方式了。
 
  處理大量的用戶數據,可以用定量細分的方法來進行。
 
  首先,確定用戶關鍵屬性。
 
  在大量的用戶數據里面,找到我們需要計算的用戶屬性。例如性別、所在地、職業、年齡等等。
 
  雖然我們能收集到用戶海量的數據,但并不是所有用戶屬性都是必須的。我們選擇屬性必須是對產品用戶分類產生重大影響的屬性。例如,用戶的性別不同會出現完全不同的閱讀習慣。這時候性別這個屬性就是關鍵的屬性。
 
  其次,將用戶數據抽象成數學模型。
 
  我們拿到的屬性通常并不一定是一個數值,我們需要將數值進行數學模型的抽象。例如:性別分“男”、“女”,可以用數字“1”、“-1”來表示。
 
  最后,利用計算機算法進行分類。
 
  計算機的發展,特別是近幾年人工智能飛速發展,當前已經有了很多比較成熟分類的算法,在這里就不展開說明了。有興趣的可以翻閱一下相關資料。
 
  舉一個例子,某一個閱讀產品對于用戶進行細分。選取了性別和閱讀財經新聞次數兩個屬性來進行分類。從下圖可以看到,用戶分部聚集在兩個區域。這兩個區域可以大概的看成是兩個用戶的分類:
 
  男,喜歡閱讀財經新聞。
 
  女,不太關注財經新聞。
 
 
  同理,我們還可以選取更多的屬性來進行分類計算。當前很多新聞閱讀產品,在做用戶分類的時候,已經考慮到了上百個屬性,從性別、年齡、到所在城市等。隨著屬性的增加,越能形象的描述一個用戶。
 
  驗證用戶分類
 
  用戶分類確定了之后,怎么判斷我們分類是正確的?《贏在用戶》這本書給了幾個確認方法:
 
  是否能解釋關鍵差異
 
  什么是關鍵差異?就是一個用戶能區別于另一個用戶的差異。而用戶的分類需要能解釋這些關鍵差異。
 
  例如,我們識別出用戶的訪問頻率是關鍵的差異,有些是經常訪問的、有些用戶是偶爾訪問的。用戶的分類應該是能明顯的區分出經常訪問的和偶爾范圍的用戶。
 
  是否足夠不同
 
  不同的分類用戶必須有足夠的不同。例如,一個用戶的關鍵行為和觀點都是一致的,只有年齡是不一致的,這時候是不能將著其分成兩類用戶的。
 
  是否像真實的人
 
  用戶應該是一類用戶的代表,所以我們分類出來的用戶也應該是一個真實的人的代表。
 
  通俗來講,就是我們抽象出來的用戶,要具備應該真實人物應該具備的特征。而不應該是個相互矛盾的人。例如,不修邊幅的完美主義者,一個出手闊綽的實用主義者。
 
  讓一個分類用戶看起來像一個真實的人,有助于讓使用者引起共鳴。
 
  是否能夠描述群體
 
  分類用戶應該是一類用戶的代表。所以,當我們提帶這個分類用戶時,需要能夠描述這個群體。提到這個用戶就能想到其所代表的群體。這也是我們后期能使用這個角色的基礎之一。
 
  是否覆蓋了主要用戶
 
  在完成了所有用戶分類后,我們所有的用戶應該是能被歸類成某一個分類用戶的。如果存在某一些無法歸類的用戶,可能就要嘗試其他的用戶分類方式或者增加一個新的分類了。
 
  是否能影響決策
 
  能夠在我們后期決策時使用到這些用戶分類,才能體現我們用戶分類的價值。例如,我們針對不同的用戶的目標進行模塊的劃分,針對不同用戶的付費情況進行針對性的運營。
相關文章

在線客服

外鏈咨詢

掃碼加我微信

0557-8818050

返回頂部

网球比分指数