用戶研究方法課後練習

1. 用戶研究的用戶研究的步驟與方法

方法：
訪談法（用戶訪談、深度訪談）
背景資料問卷
目標：
目標用戶定義；
用戶特徵設計客體特徵的背景知識積累； 方法：
驗前問卷/訪談、觀察法（典型任務操作）
有聲思維、現場研究、驗後回顧
目標：
用戶細分；
用戶特徵描述；
定性研究；
問卷設計基礎； 方法：
單層問卷、多層問卷；紙質問卷、網頁問卷；
驗前問卷、驗後問卷；開放型問卷、封閉型問卷
目標：
獲得量化數據，支持定性和定量分析 方法：
常見分析方法：單因素方差分析、描述性統計、聚類分析、相關分析等數理統計分析方法；
另：主觀經驗測量（常見於可用性測試的分析）；Nols操作任務分析儀、眼動績效分析儀；
目標：
用戶模型建立依據；
提出設計簡易和解決方法的依據 方法：
任務模型；思維模型（知覺、認知特性）
目標：
分析結果整合，指導可用性測試和界面方案設計

2. 超實用的用戶研究方法

      真實的用戶可能是個圓形，但是產品經理對用戶的定義可能進行了一個變形，可能是個橢圓形，但是產品經理了解到的定義已經開始變形了，到最終我們實現開發之後的效果可能和真實的用戶差別很大。那麼用戶研究的意義就是最大限度的接觸到真實的用戶，最大限度的還原我們的用戶。讓產品更符合用戶的使用習慣。

下面介紹三種比較常用的用戶研究方法，把需要注意的問題，實際操作的步驟跟大家分享，這些都是在項目中很通用也很大概率遇到的使用方法。

態度類信息：滿意度調研、內容偏好調研

行為類信息：行為習慣調查、使用情況調查、需求挖掘

意見類信息：產品功能、服務、售後等意見反饋

Q : 為什麼一定要包含被訪者的基本信息問題？劃分人群，核心用戶是什麼人口學信息的

Q : 為什麼要把基本信息題放在最後？

       建議放在後面，在用戶填寫問卷的時候，調研產品滿意度，但是開頭就讓填寫年齡、性別、收入、職業，突然就覺得像是在查戶口，明明調研滿意度，為什麼問些不相乾的問題，用戶警惕心就起來了，所以建議開始做一些簡單的行為類的問題，然後把基本信息放在最後面。把前面的所有信息都填完後，他會覺得我知道你是幹嘛的，再放一些基本信息題，用戶就會更容易接受。

       行為類的、事實類的問題（APP的使用頻率/時長）放在前面，主觀類的放在中間，基本信息放在後面。由淺至深，再到隱私問題。

1.APP使用頻率/時長

2.APP常見功能和使用場景

3.APP使用體驗評價

4.APP新增/優化建議

5.用戶基本信息

問卷的題目最好不要超過 30 個！15-20個是合適的題目數量，人口學信息要3題，主體問題佔10個左右。

       詢問有沒有這種需求？需求的頻率和深度是什麼樣的？需求強烈不？如果需求強烈，願意花多少錢解決這個需求？目前這個需求有沒有被別的競品滿足？如果沒有滿足，是哪方面沒有滿足？這一些列問題投放出去，可以幫助我們衡量商品投放出去，他能夠買的幾率有多大。但是如果直接問買不買偏差會非常大。把需求拆分成不同的細節去驗證。

       滿意度梯度很明顯，非常滿意   比較滿意  一般  不太滿意 非常不滿意，用戶看起來會很順。會知道自己會屬於什麼程度。

       問答題回收率會很低，選擇題思考成本會低。調研10幾個用戶，基本能覆蓋大部分問題，把問題羅列出來，讓他選擇，如果沒有包含到的加一個其他。

        基本上每個問卷前都建議大家做個訪談，如果沒有充分的調研，有50%的人都選了其他，根本不知道其他是什麼，如果其他佔比很多，說明事先沒有做充分的准備去做這個問卷。然後不得不再做一個調研和訪談，來問問這個其他是什麼。所以不如把訪談前置，把所有的選項列舉出來，避免讓太多的用戶去選其他。當你發現把很多問題都列舉出來，選其他的可能只有百分之幾的時候，就說明你對用戶足夠的了解。

用戶會懵，會思考，第一到底和用戶沒有建立新人關系，會關掉。

        每個流程都需要跟業務方反復去對，包括做項目之前小組之內要討論的非常清楚，現在有什麼問題我們是不知道的，這次問卷要幫我們解決什麼問題，可能影響因素，先去做幾個訪談，先去看一看。比如做新項目，對背景人群都不太了解，直接去設計問卷可能不知道是為什麼。問了之後，選項也不知道怎麼設置。

選項超過 6~7 個的時候，可以考慮設置選項隨機排列

Q：您使用過哪些導購類的APP？

A.拼多多B.折800 C.返利網D.什麼值得買

E.卷皮F.一淘網G.蘑菇街H.其他

在選項不能完全列舉的情況下，需要添加「其他」選項

Q：您在使用分期的時候有哪些不滿？

A.申請麻煩B.申請額度低C.分期利息高D.擔心忘還款E.商品價格比市面高F.其他

選項超過 10 個，需要設置先選個數，一般設置為3個或5個。

Q：您在使用分期的時候有哪些不滿？

A.申請麻煩B.申請額度低C.分期利息高D.擔心忘還款E.商品價格比市面高F.其他

當出現「以上都不是」「我不知道」「沒有我想選的」等選項，當出現這類選項時，需要設置互斥選項

Q：您在網上繳過哪些生活費用？

A.電費B.水費C.燃氣費D.寬頻費用E.都沒在網上交過

當問題只針對選擇了某個選項的部分用戶，需要給題目設置出現條件或跳轉邏輯

Q：您使用過以下哪些產品？

Q：您認為拼多多有什麼優勢？

1.初稿完成後，需要使用問卷至少對1-2個用戶進行試訪談

2.試訪中可能會出現很多問題：

• 問卷問題有歧義

• 缺少選項

• 題目邏輯不對

投放合適的人群

•投放群體與目標群體一致

•抽樣需要配比

回收多少份問卷才能代表整體？

1.看總計數據，確定總趨勢

2.對比、對比、對比，找差異

•不同人群之間

• 不同機型之間

• 不同競品之間

•……

Q：用戶升級系統的動力是什麼？       

A：新版本要有更明顯的更新和性能的超越

開發版VS 穩定版

發現穩定版用戶更擔心卡頓、不穩定的問題

為什麼？對比機型內存，發現穩定版用戶配置不如開發版用戶，容量較小

用戶訪談的小技巧

先讓用戶主動回答潛意識的答案，

如果用戶不知所錯，再給出參考選項

提前准備每個問題可能的假設答案，直到挖掘出用戶本質需求

然後呢

用戶訪談之後可以做什麼

人物角色

在各大互聯網公司，被認為是最具價值的研究方法

可用性測試是指讓用戶使用產品(服務)的設計原型或者成品，通過觀察，記錄和分析用戶的行為和感受，並加以 分析，用以改善產品(服務)可用性的一系列方法

可用性測試提供了這樣一種簡單直接的溝通方式。通過這種方式獲得用戶反饋，並以此為設計依據迅速調整產品功能乃至產品方向。

小到一個圖標的辨識，頁面導航，功能使用，大到某項業務的辦理，都可以拿來做可用性測試

• 影響任務完成的行為

• 導致用戶「偏離航線」的行為

• 用戶表達出來的挫敗感

•沒有看到本該看到的內容

• 用戶自己說已經完成任務但實際未完成

• 導致任務偏離成功完成的操作

•對內容的錯誤理解

• 使用網頁導航時，點擊了錯誤的鏈接

5-8 個

明確這是這是一個定性研究，根據尼爾森關於可用性測試的數據研究，5-8人便可以找到產品80%以上的可用性問題；

任務成功率=(完全完成的用戶數+求助後完成*0.5)/用戶總數

版本改進比較：優化前用時VS優化後用時

不同任務的效率水平：用戶的平均用時/熟練用時所得的倍數

產品規劃：訪談法、問卷調查法

設計開發：kano模型、可用性測試

上線效果：NPS、可用性測試

3. 用戶調研的定性與定量方法

筆記： 用戶調研方法論：定性研究與定量研究

產品設計中，起決定作用的是研究思想和研究方法

產品的理想迭代過程：

定性和定量、行為和態度

探索性研究，確定用戶的需求。定性方法是非結構化的、主觀的、科學性較差的研究方法。樣本量較少，用戶直接收集用戶的某些行為和使用習慣。

了解用戶的核心需求，訪問者應該具備相應的同理心、社交技巧和自我意識。

找一個相對舒適的環境與受訪者進行訪談，讓受訪者放輕松，這樣讓受訪者分享真實的想法。

用戶訪談分為：

在進行用戶訪談的時候建議選多一名成員作為記錄員。

用戶訪談優點：
不僅能從受訪者的語言中獲得信息，還能從他們的肢體語言中看出他們對產品的使用感受。

情境訪談是一種半結構化訪談方式，訪問者在用戶的工作或者生活環境中與受訪者交流，以確定受訪者使用產品的操作行為和感受。（如一些紀錄片在受訪者家裡進行訪談）

情境訪談遵從以下四個原則：

情境訪談優點：
在用戶的實際工作環境和實際操作中，觀察用戶的使用習慣、需求和痛點。

卡片分類法是建立信息架構的有效方法。卡片分類法由把單詞或短語寫在不同的卡片上而命名。注意確保卡片順序打亂，確保不會對用戶行為造成影響。讓受訪者單獨或集體地將卡片進行邏輯分組。通過要求受訪者命名各個分組，可以發現用於導航標簽的單詞或同義詞。盡管有在線工具支持線上的卡片分類練習，但觀察和傾聽用戶的辯論分組可以給你提供有價值的信息，讓你了解用戶的思考方式。

測試、驗證假設，需要大量樣本，間接收集用戶的行為和態度。

訪問者與受訪者缺少互動，容易遺漏用戶的行為。

Google Analytics

A/B測試實踐總結

一個項目做出兩個方案，讓一部分用戶使用A方案，另一部分用戶使用B方案，記錄用戶使用情況。

比如手機的某個功能的按鈕是紅色還是藍色，放在上面還是下面，使用A／B測試比傳統的討論更有效。

不同的用戶在他的一次瀏覽過程中，看到的應該一直是同一個方案。比如他一開始看到的是 A 方案，則在此次會話中應該一直向他展示 A 方案，而不能一會兒讓他看 A 方案，一會兒讓他看 B 方案。

A／B測試核心思想：

不過AB測試並不能說完全靠譜：
為什麼大多數的 A/B 測試都不靠譜？