中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

很多互聯網從業者都意識到要關注用戶，而關注用戶離不開對用戶的研究。那么，互聯網的用研到底是怎么做的？目前有哪些痛點？還能有哪些可以提高改進的地方？

最近參加了一場有關游戲數據應用的座談會，主辦發邀請了在廣州做游戲運營、策劃和數據分析的人，談論的話題是“游戲的大數據應用”。聽了一圈下來感覺多數人的數據的意識還是比較薄弱的，基本的運營數據可能都未必能做到精細，更談不上“大數據”應用。不僅是游戲，可能大多數的互聯網公司都是如此。

互聯網用研的現狀

談現狀之前，首先想談談用研的概念。我認為目前互聯網行業的用研主要包含以下兩個大的方面：

1. 產品數據分析與應用

這一方面是互聯網產品的優勢，因為互聯網產品可以很好地記錄用戶在產品內產生的行為，從而獲得海量客觀、細致的數據，這是傳統行業所羨慕的。對數據應用的角度大概可以把互聯網公司分為三個層級：

（1）第一層是基礎分析層

基礎數據既包括我們常說的宏觀經營數據，例如Talking Data的手游數據體系，套路基本上遵循Come-Stay-Pay-Leave的漏斗模型，這種數據幾乎是必看的也是管理層最關注的數據，小公司可能通過接友盟、百度思南等第三方數據服務公司的SDK和網頁代碼來獲??；基礎數據還包括產品本身或者運營活動本身產生的數據，例如關卡的通過率、活動的點擊轉化率之類的，這部分的數據往往是相關人員在遇到業務問題時，找產品開發或者后臺數據支援部門的人去跑，屬于具體問題具體分析的類型。

（2）第二層是BI中心層

這一層的公司大多已經產品線比較豐富了，開始尋求搭建統一的自有數據庫后臺來提高效率。但是大多數的公司的所謂數據后臺，可能僅僅只是把第一層中一些常規的數據做成模板，實時或者周期性地自動更新數據。更好的一種應用是搭建公司層級的標簽系統，顆粒度精確到用戶個體，通過組合標簽抓取特定人群來分析，這在后文會講到。從另外一個角度，在這些公司做數據分析的人，肯定不希望只停留在運營數據的層面，做到一定階段會去嘗試數據建模，核心的思想實際上是關聯和聚類。

（3）第三層是數據應用層

這一層通過模型算法，根據用戶過往的數據，預判用戶的類型并實時向其推送個性化內容，也就是所謂的”千人千面”。這樣的應用目前用得比較有名的主要是在電商領域、互聯網廣告領域和新聞推送（典型如今日頭條），游戲領域似乎還未有典型案例。做個猜你喜歡并不困難，難的是背后的模型算法的準確度和自我學習的能力。這一層應該是跟”大數據“比較能掛得上鉤的，也是趨勢。

現狀是互聯網公司大多停留在第一層，達到第二層的屈指可數，第三層估計只有行業巨頭才能干。

2. 用戶研究與市場調查

如果說產品數據分析試圖從用戶的行為中找規律，那么用戶研究則是試圖探索用戶的主觀意識。業內對用研的定義可能是比較狹義的，但我比較傾向于將用研和市調結合起來說。因為互聯網的用研在思路和方法上與傳統行業的市場調查有很多共通之處，只不過根據互聯網產品的特性進行了改良和延伸。這一塊大概可以劃分為幾個方向：

（1）UX設計體驗方向

這個方向可以說是互聯網產品特有的，基于UI交互設計的研究，方法上包括可用性測試、A/B測試、眼動儀等。研究人員大多具有UI、UE及人機工程的背景。

（2）產品測試方向

這個方向與UX設計體驗方向的不同之處在于，UX更關注界面及背后的交互邏輯，而產品測試則更關注內容體驗。例如對于一塊游戲產品，研究人員可能會關注畫面、玩法模式、成長體系、經濟體系、新手引導等等功能價值和其所滿足玩家的情感價值。方法上多采用偏定性的方式，觀察+訪談、用戶體驗日志、腦電等。研究人員可能是產品經理，也可能是對產品有一定認知的用研人員。

（3）用戶基礎研究方向

這個方向做的是群體性的研究，例如學生手游群體、二次元圈子等，對用戶分層分群，研究其認知、日常習性、使用場景、態度、人口屬性等等。方法上沿襲社科專業的套路，現場觀察、座談會、深訪、定量問卷等都是最常用的方式。研究人員大多數來自社會學、人類學、心理學等專業。

（4）戰略分析方向

這個方向與市場分析、傳播、廣告、品牌等有著更緊密的結合，更關注商業價值方向的探索，諸如定位、流量、變現等，主要服務于管理層。方法上需要博采眾長，對研究人員有比較高的要求，大多來自咨詢行業和市場研究行業。

現狀是少數行業巨頭在上述方向分工明確均有各自負責的部門，而大量的中小型企業大多把上述職能混在一起，最常見的是研發部門搞定1、2，市場部搞定3、4，采用的方式也比較簡單粗暴。

互聯網用研的痛點

講了這么多現狀其實只是想讓行外人對這行有個大致的認識，下邊談談作為一個從業者的一些切身感受。

1. 產品數據分析與用戶研究割裂

不管在大公司還是小公司，這種割裂都是存在的。我們經?？吹降囊环N情況是，做數據分析的人躲在后頭埋頭于數據，他們與用戶之間幾乎是沒有聯系的。純粹從產品數據的維度去分析出來的結果，往往陳述的是一種現象，而當被問及現象背后的原因時數據分析師們常常會感到無力。反過來，做用戶研究的人經常接觸用戶，但卻不太懂利用產品本身的數據結構，他們更習慣于通過訪談和問卷來獲取信息，而痛處就在于此類信息的獲取存在較多不穩定因素，結果容易受到質疑。這種割裂一方面讓研究人員容易陷入閉門造車的瓶頸，另一方面也令業務方獲取不到全面有效的信息。

2. 研究方法的缺陷

現有的多數研究方法來自于統計學、社會學等學科，而這些方法在常人的理解范疇里是容易有偏見的。例如定性訪談常常被業務人員問到“這么幾個樣本能代表所有人嗎？”，調查問卷則常常被質疑“你的選項設計不完善”、“用戶大多可能是亂填的”、“會去填寫問卷的用戶都是活躍用戶”etc。作為專業人員當然有一些方法可以盡量減少誤差，但無論你做得如何的專業，這種偏見總是會存在的，而偏見的結果就是不信任。更為重要的是，由于研究人員水平的參差不齊，以及在執行過程中的各種不確定性更加擴大了誤差的范圍。痛處在于，在商業環境里你就算用嚴謹治學的態度去搞用研，人們可能表面恭維你是個“專家”而心里覺得你是個大忽悠。

3. 難以兼顧效率和信效度

互聯網的從業者常把“天下武功唯快不破”這句話掛在嘴邊，不可避免對用研的要求也是如此。從傳統調研行業跳過來的研究人員可能會覺得不適應，傳統行業做一個項目可能需要耗時幾周到幾個月，這在互聯網的速度里是不能接受的。作為一個職能部門當然是要做出一些妥協，在方法上采用更多粗糙的方式，在樣本上縮減甚至降低篩選要求，在數據處理不做任何信效度和顯著性檢驗?？墒沁@樣“快餐式”的做法跟研究的精神是有沖突的，種種妥協讓研究人員自己就對結果沒有信心，會萌生一種“這到底是在演戲，還是在做研究？”的迷茫，進而陷入一個終日疲于奔命卻做不出好東西的惡性循環。

4. 對數據的過度解讀

人們總是期望能從研究中發現一些“出于意外的事情”，而現實是受限于方法上的缺陷和時間經費的限制，多數的數據結果是驗證多于發現的。這種時候做研究的人往往會帶著一種“我必須想出點什么”的心態，去換著角度解讀數據。確實有些時候換個角度看問題能有新的發現，可是這種解讀本身就帶有很強的主觀判斷，根據這樣的判斷得出的所謂建議，有時候反而是在誤導。所謂眾口難調，你站在某個立場去解讀數據的時候，可能同時也會令不同立場的人覺得沒有收獲，所以在衡量研究工作的價值時也很難做到客觀公正。

站在需求方的角度，總結一句話就是對用研“不想用、不敢用、不能用”。我無意去討論“用研無用論”、“唯數據論”是否正確，也不想去對做用研的人灌雞湯。我只想結合實際在工作中的體會，去探討實際操作層面改進優化的可能。

設想：哪些地方可以提高改進？

1. 植入項目團隊的用研小組

像鵝廠和唯品會這樣的大公司目前的做法是采用中心對接制度的，簡單說就是項目組向包括用研中心、數據中心、UE中心在內的職能部門提需求，由各個中心統一分配人員承擔項目。這種方式有它的好處但最顯而易見的問題就在于單中心與其他中心及業務部門之間的割裂。

我認為更好的方式是由各個中心指派各自的專員，組成一個用研小組駐扎在項目組里，小組的成員由產品數據分析和用研調研兩方面的人員構成。這樣的組合對中小公司同樣適用，如果實在招不到專業的人員，至少策劃團隊里應該有長期專門負責這兩方面工作的人。若有中心則負責公司級別的基礎研究及各產品小組人員的統一管理培訓。

2. 標簽系統

在數據上進一步，不要只停留在看基礎運營數據的層面。既然對于數據千人可能有千種解讀，那我們要做的不是去鉆數據的牛角尖，何不先把數據亮出來給所有人都看到？從各種維度為每個用戶打上標簽，并且業務部門的人也可以直接在系統上隨時通過組合標簽來抓取他們想要了解的那部分用戶，查看他們在其他維度上的數據情況。更關鍵的是，可以對抓取出來的這批人直接推送運營內容，相信做產品做運營的人不會拒絕這樣的智能化操作吧？

從用研人員本身來講，是否也可以將標簽與問卷系統相結合，實現對某群用戶的精準問卷投放。以往的做法可能是在問卷前邊設計幾道甄別問題來過濾樣本，但這種甄別始終還是需要用戶自己去選的，有時選項設得不夠好后期的分析會很被動。而采用標簽系統的好處就在于對用戶的甄別是基于客觀數據的，顯然也更容易獲得信任。

3. 定性樣本庫

無論是傳統行業還是互聯網行業，做定性調研找樣本是一個難題。自己去找費時費力，如果找第三方外包的話，又很擔心樣本的質量。實際上目前這個產業鏈的透明度是比較低的。全國各地有許許多多靠找樣本為生的執行公司，這些公司條件簡陋而且普遍人員水平不高，他們的生意主要來源于上游市場研究公司的需求。這些執行公司收到需求后會利用他們的人脈去找符合條件的人。

但是，這個找人的過程是很難監管的，畢竟篩選主要通過問卷加上電話訪問的形式。有些職業“會蟲”為了能上會會撒謊，更有一些執行公司的人為了完成任務會引導受訪者撒謊。在實際操作中這種情況并不少見。我在想是否可能建立一個相對透明的平臺，將“受訪者-需求方-專業定性主持人”等資源整合起來，砍掉中間環節。每個進入平臺的受訪者都需要更新信息，從各個維度打上標簽，需求方則可以透過組合標簽來篩選樣本并直接邀約。在每次項目完成后，雙方可以互相打分互評，對質量較差的樣本拉黑。

4. 對定量問卷半開放內容的利用

現在的定量體系中，研究員一般會在選項難以全面覆蓋的題目中設置半封閉的選項，也就是“其他，請注明”這樣的選項。但是這些用戶自行填寫的信息通常沒有被有效地應用。傳統的做法是通過人工編碼的方式對這些信息進行歸納整理，這種方式可謂耗時耗力。是否有更好的解決方法呢？寫程序代碼自動抓取和統計關鍵詞？又或者是否可以有這么一種提型：題目本身沒有選項，而是出現一個搜索欄，背后鏈接著一個可自定義的數據庫。用戶通過鍵入某個答案在數據庫中進行匹配，找到對應的條目后添加成為標準化的答案。

舉個例子，當你需要請用戶回答最近一周玩過的所有手游時，如果用現有的方式，設置多選題無法窮舉所有手游作為選項，而設置主觀題則由于用戶回答內容的非結構化而難以統計。那么如果把絕大部分的手游名稱，包括其所屬的玩法類型、題材等全部輸入數據庫，答卷時由用戶通過搜索的方式添加答案，最后自動統計出結果，這樣會不會更準確一些呢？

5. 線上定性

這方面已經有公司在開發，但是似乎效果并不好。穩定的網絡質量是一個問題，除此之外也還不夠智能。線下定性的過程中主持人會板書，會投票，會使用各種投射技巧，這些在線上定性也必須有專門開發的功能模塊支持。并且對于定性過程中產生的語言文字，如果能夠自動記錄并轉化成筆錄摘要會提高不少效率。是否能與語義分析技術、語音識別技術做些結合？甚至是未來的VR?

雖然對于整個互聯網公司而言，用研還沒有發揮出它應有的作用。作為一個從業人員，我覺得應該更多地關注業務部門的需求，從開發工具和優化流程的角度讓這項工作更智能化、敏捷化，而不是頂著所謂專家的帽子做一些看起來高大上實際缺乏效益的事情。

作者：叉燒拼咸蛋

來源：http://www.jianshu.com/p/b86d95ea3c15

本文由 @叉燒拼咸蛋 授權發布于人人都是產品經理，未經作者許可，禁止轉載。