用戶研究方法視頻

A. 用戶研究方法之問卷法

調研方法的選擇對調研目標的達成影響很大，使用錯誤的調研方法很可能會得不到想要的答案，所以選擇合適的調研方法尤為重要。那麼問卷法適合什麼樣的場景，而對於哪些情況又不適合呢？

適用於： 調查用戶的使用目的、態度和觀點，例如：

1. 在產品進行重要改進之前，使用問卷讓用戶評估現階段產品的滿意度，以便後續改進設計；

2. 先定性研究（如訪談、焦點小組等）得出結論，再使用問捲去驗證先前的結論；

3. 通過制定一些基本的客觀題目（如手機使用習慣、經歷等問題），研究現有的用戶構成，用於篩選合適的目標用戶進行深入訪談。

4. 價值觀調查，安排在大型市場營銷活動之前，目的是確定產品描述和促銷方案。

不適合： 探索用戶新的、模糊的需求

首先需要明確調研目標是什麼，此次調研的目標用戶是誰，然後結合以上問卷法的適用性原則，確定問卷法的實施范圍。

確定使用問卷法後，開始進行日程安排，舉例如下：

（1）頭腦風暴

在確定使用問卷調研的方法後，需要開始頭腦風暴提出的問題了，為了問題可以更好地契合調研目標，我們需要了解目標的類型和問題的類型：

A. 目標類型

目標類型分為描述性目標和探索性目標，描述性目標往往是建立受眾的背景資料，通常通過相對獨立的問題可以達成。但是探索性目標往往需要通過一系列相關聯的問題才能得意實現。

B. 問題類型

問題類型主要分為三種，分別是特徵類型、行為類別和態度類別：

a. 特徵類別：描述用戶是誰，他的硬體和軟體環境如何？

    人口統計學：了解調查對象的概況，年齡職業？

    技術問題：用戶擁有的技術情況和相關經驗，他們用什麼手機？在管理網上隱私設置方面有多熟練？

b. 行為類別：刻畫用戶的行為表現。

    技術運用：如何使用您關心的技術，他們每周上網頻率是多少？

    產品使用：什麼產品功能是用戶想使用的？

    競爭對手：用戶都訪問什麼其他網站？

c. 態度類別：探究用戶的想法和信念。

    滿意度：他們喜歡您的產品嗎？我們的產品是否具備他們想要的功能？

    偏好：您的產品最吸引他們的是什麼？

    希望：他們想要什麼？他們覺得缺少了些什麼功能？

特徵數據最為穩定，不會經常變化，可研究價值較低。 行為數據 和 態度數據 對於研究較為有價值，但會容易因時間變化而變化，因此條件允許的情況下最好隔一段時間進行一次調查，提高研究的准確性。

（2）製作問題列表

頭腦風暴結束後，我們需要製作一份問題列表，問題的答案選項應該要具體、詳盡且相互排斥。

問題列表如下圖：

就這樣問題設置結束了，下面就要開始進行問卷的設計了。

（1）問卷結構

典型的問卷主要分為導言和正文兩大塊，而正文部分又可以細分為開頭、中間和結尾部分：

導言： 導言是整份問卷的全局說明，所以在問卷調查正式開始前，需要將此次調查的目的、調查時間、以及調查是否匿名等方式加以說明，如果有獎勵也請表明，可以提前給受訪者一個心理准備。

正文：

（2）問題設計原則

A. 問題簡潔和明確的需要相互平衡：

您第一次使用XXX（不一定是目前最常用的這個）是什麼時候？——稍微犧牲了「簡潔」，但是更「明確」！

B. 問題態度中立、無誘導性

C. 選項互斥

C. 選項包含所有的可能

可以設置【其它________】選項 ，以確保用戶始終可以作出選擇；同時，選擇【其它_______】選項的比例高低也反映了選項設置是否全面。

D. 選項表述易於用戶理解

詢問用戶使用的手機操作系統時，選項「iOS（iPhone）、symbian（塞班）」就比「iOS、symbian」更容易理解，雖然前一種表達貌似不倫不類。

E.選項盡量具體，例：

F. 選項表述態度中立、無誘導性

G. 選項隨機順序呈現

H. 一個問題中不要包含多個問題，如果需要請拆分

I. 問題避免極端化

J. 創建後續跟進問題

K. 包含退出選項

（1）確定調查樣本和數量

為了得到大量的樣本，且希望數據質量較高，問卷本身就會受到限制——題量要偏少。實際工作中，將問卷總題目數控制在25題之內，平均答題時間不超過300秒（來自《用戶研究之問卷調查法》）。

控制好樣本的數量，以下是參考《洞察用戶體驗》給出的人口差異與樣本量的關系：

假設標准誤差5%可信度95%，正常的人口差異：

1000人口=150樣本量

10000人口=300樣本量

100000人口=800樣本量

（2）盡量避免偏差

問卷里的偏差在所難免，以下偏差需要考慮在內：

抽樣偏差： 樣本與目標受眾偏差，例如：回答閃電送問卷的都是90%是女性用戶；

不回復偏差： 有一部分人總是忽視您的邀請，例如：沒有注意到問卷banner 的用戶；

時間偏差： 邀請的人參與調研時間會影響回答方式。例如：想知道是否喜歡送禮物給父母，在父母親節前，答案可能不一樣；

持續性偏差： 有些用戶持續一周都在加班沒時間訪問XXX APP，在進行調查的時候可能會錯過這部分用戶；

邀請性偏差： 例如優惠券力度不夠，可能會損失這部分「勢利」的用戶；

自主選擇偏差： 有些人就是不想做問卷，或者就是圖優惠券隨便填寫問卷；

呈現性偏差： 問卷的外觀、長度、問題設置可能會讓部分用戶拒絕填寫；

期望性偏差： 用戶可能填寫問卷時發現與自己自身情況部分而拒絕填寫問卷。

（3）選擇適合的邀請方式

日常問卷的活動中可以考慮採取以下的邀請用戶方式：

邀請鏈接（BANNER、微提示）： 優點成本低，不唐突／缺點是嚴重的自主選擇性偏差。需要檢測頁面瀏覽率（pv）跟問卷填寫率，算出回復率。如果回復率低，就不具有代表性。

電子郵件／簡訊： 聯繫到的都是老用戶。

打斷式邀請： 在用戶瀏覽網頁時候打斷用戶，讓用戶注意到問卷，為用戶編號，根據編號抽取，確保樣本隨機性。

電話、面對面和標准信函調查。

收集到問卷結果後我們可以著手進行問卷分析，並且分析結果。

（1）計算（年齡、收入）

平均數、眾數、中位數檢測是否受極端數值影響？

標準的是正態分布狀態，若出現雙峰分布（眾數與平均值相差大），需要進一步分析。

（2）比較

交叉製表： 通過兩個問題的答案合成一份表格，發現更有針對性的問題，例如：

問題1：您看美妝類視頻的頻率是？

問題2：您通常喜歡看哪中類型的美妝視頻？

通過交叉製表的方法，我們可以得出結論：單個商品推薦對於經常看和偶爾看的用戶來說吸引力差不多，化妝教程的話，對於偶爾看的人吸引力更大。

（3）整合

有時候問題里某些選項填寫的數量遠遠少於其他選項的數量，我們可以把它們看作一個整體，從而減少干擾，例如：

問題：您的收入是多少？

這部分可以組合成一個大組8000-20000的人的佔比

（4）總結誤區

有時候我們總結分析結果的時候會有一些誤區，應該盡量避免：

兩件事情的發生時間相當接近並不足以說明兩者有因果關系 ： 有一群人都很喜歡一個產品並經常會用，並不足以表明喜歡產品能讓人更多使用它，也不足以表明頻繁使用能讓人更喜歡它。例如：微信、公司的郵件。

不細分人口子群 ： 有時看似簡單的趨勢，實際上是多個不同用戶人口趨勢共同的結果。例如：問卷一半滿意一半不滿意，不代表這個產品做的中等，要看回答的分布情況——即什麼年齡群的人會覺得滿意，什麼覺得不滿意，是否主要的目標用戶都覺得不滿意？可以利用交叉分析。

用事實混淆觀點 ： 問卷調查的結果通常知識用戶的觀點，而不是事實。有關行為的問題基本都不能預測實際行動，人們誠實地認為他們可以預測自己要如何，但是他們心理狀態和面對心理狀態的恐懼使其真正遇到這些情況時不那麼做。

（5）解釋調查數據的時候必須考慮以下幾點

人們什麼都想要， 問卷不能確定普遍認證的特性組合，但是能夠告訴您人們如何確定特性的優先順序別和看重哪些特性。

人們會誇大其詞， 想要表現理想中的自己。

人們即使對答案沒有強烈的感覺，也會選擇一個， 所以要設置退出項。

人們總會愛猜測調查的意圖， 不提引導性的問題。 例如：你贊成在XXX APP賣成人用品嗎？

人們會撒謊。

如果想了解用戶的價值觀及其原因，訪談（知道背後的原因）、焦點小組和實地研究（了解用戶的行為）都是不錯的工具。

跟蹤調查 ： 定期以相同方式調查，可以跟蹤了解產品用戶的變化。

精化調查 ： 如果已經確定用幾個核心特點來定義用戶群，就可以進行更多的調查，提出更多問題來加深了解。

前/後調查 ： 改版前後做相同的問卷調查，可以揭示出用戶觀點和用戶人口構成的變化。

摘要：調查問卷法是一種常見的定量研究方法，因為其成本低、操作性強，所以被廣泛使用。本文主要講述了問卷調查的適用場景，以及做一次問卷調查的所需的步驟，同時詳細闡述了問卷調查各個環節需要注意的事項。

摘要：文章主要從what，why，when，how四個角度去闡述什麼事調研問卷法，為什麼使用調研問卷法，什麼場景下使用，以及如何落實調研問卷法。

摘要：文章總結了問卷調查設計的一些細節以及主要設計內容，分享給大家，希望給大家工作帶來幫助。

B. 如何開展定性與定量研究

所謂定性研究，是指對一小部分人群進行個體或集體調研，了解他們的想法、意向、動機和觀點，收集用戶的初始需求以及對於創意和概念的第一反應。通過分析無序信息探尋某個主題的「為什麼」，而不是「怎麼辦」，這些信息包括各類信息，如歷史記錄、會談記錄腳本和錄音、注釋、反饋表、照片以及視頻等。具體目的是深入研究對象的具體特徵或行為，進一步探討其產生的原因。如果說定量研究解決「是什麼」的問題，那麼定性研究解決的就是「為什麼」的問題。」

通常，作為一個新產品，策劃者在上市前會面臨很多困惑。比如，它應該賣給誰，它的產品利益點是什麼，這些利益點消費者是否需要，他們願意花多少錢來買這些利益點，消費者對這個新產品有何看法，他們會不會喜歡這種包裝、款式……為什麼？這么多問題，策劃者在辦公室里開個會、上網或者拍個腦袋是不能解決的，只有通過控製得當的定性研究，才能獲得這些問題的正確答案。

定性研究大多是採用參與觀察和深度訪談而獲得第一手資料，具體的方法主要焦點小組、客戶現場訪問、人種學，消費者檢測組等方法，如圖3-7所示。其客戶現場訪問，是定性研究中經常用到的一種方法。客戶現場訪問的優勢在於，不僅能觀察到被觀察者採取行動的原因、態度、努力程序、行動決策依據。通過參與，研究者能獲得一個特定社會情景中一員的感受，因而能更全面地理解行動。然後通過對觀察和訪談法等所獲得的資料，採用歸納法，使其逐步由具體向抽象轉化，以至形成理論。

圖3-7 定性與定量研究方法矩陣

與定量研究相反,定性研究是基於「有根據的理論」為基礎的。這種方式形成的理論，是從收集到的許多不同的證據之間相互聯系中產生的，這是一個自下而上的過程。定量研究主要以數據、模式、圖形等來表達；定性研究結論多以文字描述為主。定性研究是定量研究的基礎，是它的指南，但只有同時運用定量研究，才能在精確定量的根據下准確定性。

所謂定量研究，是指定量研究是指確定事物某方面量的規定性的科學研究，就是將問題與現象用數量來表示，進而去分析、考驗、解釋，從而獲得意義的研究方法和過程。定量，就是以數字化符號為基礎去測量。定量研究通過對研究對象的特徵按某種標准作量的比較來測定對象特徵數值，或求出某些因素間的量的變化規律。由於其目的是對事物及其運動的量的屬性作出回答，故名定量研究。

史蒂文斯（S. S. Stevens）將定量研究的測定尺度分為四種類型，即名義尺度、順序尺度、間距尺度和比例尺度。

名義尺度所使用的數值，用於表現它是否屬於同一個人或物。例如，給屬於特定群體的事物編號（男女、職業、區域等）。

順序尺度所使用的數值的大小，是與研究對象的特定順序相對應的。例如，給社會階層中的上上層、中上層、中層、中下層、下下層等分別標為「5、4、3、2、1」或者「3、2.5、2、1.5、1」就屬於這一類。只是其中表示上上層的5與表示中上層的4的差距，和表示中上層的4與表示中層的3的差距，並不一定是相等的。5、4、3 等是任意加上去的符號，如果記為 100、50、10 也無妨。

間距尺度所使用的數值，不僅表示測定對象所具有的量的多少，還表示它們大小的程度即間隔的大小。不過，這種尺度中的原點可以是任意設定的，但並不意味著該事物的量為「無」。例如，0°C 為絕對溫度273°K，華氏32°F。

比例尺度的意義是絕對的，即它有著含義為「無」量的原點0。長度、重量、時間等都是比例尺度測定的范圍。比例尺度測定值的差和比都是可以比較的。例如：5分鍾與10分鍾之間的差和10分鍾與15分鍾之間的差都是5分鍾，10分鍾是2分鍾的5倍。比例尺度可以進行加減乘除運算。

定量研究依據的是調查得到的現實資料數據，運用經驗測量、統計分析和建立模型等方法得出研究結論，主要包括A/B測試、試銷、調查問卷、大數據分析等。最常使用的定量研究形式是「問卷調查」，通過對大量用戶的調查得出可信數據結果，用於預測一般用戶的反饋。定量市場研究可用於判定一些重要指標，包括不同用戶的需求的優先順序、現有產品性能等級和滿意程度、試驗的可能性、二次購買率和對產品的喜好程度等。這項技術可以減少產品開發流程中的諸多不確定因素。

近年來，隨著電子計算機的推廣和應用，量度設計和計算技術的改進和發展，使社會統計法日臻完善。因而，定量研究在社會學中的運用越來越普及。定量研究的特點是具邏輯的嚴密性和可靠性，它推導出來的結論通常是十分精確的。但是，在具體運用時，必須要有正確的理論觀點作指導，把定量研究和定性研究有機地結合起來，而絕不能主觀地割裂量和質的關系，避免孤立地、片面地和靜止地分析和研究問題。

C. 如何學習數據分析

【轉自網路】
首先，我要說的是我覺得你是一名在校大學生！Data Mining不是你想的那麼簡單，他不單單和數學有關系，還包括了計算機領域的諸多學科。還有社會工程學、邏輯學等文科和理科的交叉學科！他是一門龐大的體系。你要是真想學我只能給你指條比較快的成才之路，後面的東西自己慢慢學都趕趟！慢慢充實自己！大學四年好好利用！學無止境！
既然是數據分析那你的高等數學必須要過硬，別著急這只是你的其他學科的基礎課。其次是概率與統計，這才是正科，大學那點玩意就是糊弄人的，你要多看這方面的書。這個一定要學好！線性必須要會要精通。因為數據劃分是數據挖掘里最重要的一個環節。這個就是線性范疇里的了。也要精通，學會線性分析你就發現你就學會了很多。數學有這三個底子就可以了。數學分析不要看了。因為那隻是高數的延伸！
計算機你一定要懂。資料庫你必須得學會。三大資料庫ORACLE.SQL.MYSQL原理基本類似觸類旁通！
還有就是培養你的思維，盡量縝密敏捷。這樣才可以發現數據中的不同！因為有的數據挖掘是計算機處理的。有的則是紙面上的。所以必須學會記錄
好了，就先這么多了。你學會了這幾個就是你進軍下一步的基礎，這幾個就夠你學一陣子的了。
祝你好運哥們！
數據挖掘的起點很高——
1、統計學
2、機器學習
3、數學——圖論，最優化理論等。
WEB上的數據結構更加復雜。
python語言————應該學習

抱歉，事情太多，如果不追著就忘了！我認為你作為企業員工對數據挖掘感興趣，最主要的就是從應用和解決問題開始，所以我想把數據挖掘這個狹義定義的內容改成你應該對數據分析感興趣，數據挖掘只是數據分析的一個重要工具和解決方法之一！
數量統計知識方面：我認為統計思想是數學在實踐中最重要的體現，但對於實際工作者最重要的是掌握統計思想，其實統計理論非常復雜，但實際應用往往是比較簡單的！比如，很多人都在大學學了假設檢驗，但實際應用中假設就是看P值是否小於0.05，但是H0是什麼？拒絕還是接受的是什麼現實問題；要理解！
掌握軟體問題：從軟體角度學，是非常好的思路，我基本上就是這樣學的。我常說編軟體的人最懂理論，否則編不出來，編軟體的人最知道應用，否則軟體買不出去；現在軟體越來越友好，把軟體自帶案例做一遍，你會自覺不自覺的掌握軟體解決問題的思路和能解決的問題類型；
數據倉庫問題：OLAP和數據挖掘是數據倉庫建立基礎上的兩個增值應用，從企業整體角度，數據挖掘應該建立在企業數據倉庫完備的基礎上。所以說數據倉庫是針對企業級數據挖掘應用提出的，但我們應該記住，企業從來不是為了數據挖掘建立數據倉庫，而是因為有了數據倉庫後必然會提出數據挖掘的需求！現在隨著數據挖掘軟體的工具智能化，以及數據倉庫和ETL工具的介面友好，對資料庫層面的要求越來越少；
數學不好可能反應了一個人思考問題的方式或深入理解問題的能力，但數學不是工具是腦具，不斷解決問題的過程可以讓我們思考問題更數學化！
沈浩老師建議：
不急，一步一步來！先把本職工作中的數據分析問題理解了，干好了！
熟練玩好Excel軟體工具，這個可以看《Excel高級應用與數據分析》我寫的書，當然有很多Excel論壇和網站，從我的博客就可以連接到。
學習好統計分析方法，我不是單指統計原理，而是統計分析方法，比如回歸分析，因子分析等，不斷進入統計分析解決問題的思考方式；這個可以看看SPSS軟體方面的書和數據案例，通過軟體學習解決數據分析的統計問題，這方面的書很多，當然你也可以關注我的博客，不斷增加統計分析方法解決數據分析問題的思路，自己對照著完成！
在上述問題有了比較好的理解後，也就是你應該算是一個數據分析能手的時候，開始進入數據挖掘領域，你會發現用數據挖掘思想解決問題具有智能化、自動化的優勢，接下來，你需要考慮數據建模的過程，通過學習Clementine軟體或SAS的挖掘工具，不斷理解數據挖掘與原來的數據分析工具有什麼不同或優勢！
當前面都是了解並且能夠得心應手後，你就要有針對性的掌握你工作所在行業的問題，例如：電信行業的解決方案問題：客戶流失、客戶價值、客戶離網、客戶保持、客戶響應、客戶交叉銷售等商業模型，同時與數據分析和數據挖掘統一在一起的解決方案！
接下來，你應該掌握資料庫的一些原理和操作，特別是SQL語言的方式
你到了這個階段，就應該有全面解決問題的能力，比如挖掘出來的知識或商業規則如何推送到營銷平台上等等
梳理自己的知識結構，不僅會操作，現在你應該成為專家了，要能夠宣揚你的知識能力和領導力，當然也要表明你在數據挖掘領域的專業特長
要經常幫助同事和行業朋友，比如幫助解決數據分析問題，幫助咨詢，甚至給大家講課，這對你的知識梳理和能力的提高非常重要，你的自信心會更強！
有興趣，可以建立一個博客或什麼，不斷寫點東西，經常思考和總結
結交廣泛的朋友！
關於入門的教材：
互聯網，其實不用買什麼書網路基本都有；要有好的搜索能力，當然包括搜各種軟體！
SPSS和Clementine軟體的說明和案例，都做一遍；
《數據挖掘——客戶關系管理的藝術》
《調查研究中的統計分析法》
《Excel高級應用與數據分析》
《數據展現的藝術》