起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識數據驅動體驗 | 通過數據分析用戶行為來提升體驗服務價值
編輯導語：通過數據分析用戶行為是一個很重要的環節，不僅可以提升體驗服務價值，還能幫助設計師們更深入地了解用戶需求，本篇文章作者分享了如何通過數據分析行為來提升體驗服務價值，希望對你有幫助。
數據擔任了『設計』和『業務』的鏈接橋梁，在內部決策中，可以幫助設計師建立對用戶的同理心與心聲。
當不斷的運用數據后，設計師會更加清晰用戶群體的行為方式，進而明白如何為他們提供更好的體驗。
通過更好的體驗提供足夠的服務價值以建立穩定持久的關系，提升留存。
一、數據與設計師的關系
設計是一個較為感性化的過程，數據有助于闡明設計中各階段的業務含義，包括設計目標的啟發、設計實踐的定義以及設計成效的衡量。
但值得注意的是，在設計的運用中，數據并不是為了代替設計師的前瞻性思維工作，而是通過不同的角度看待設計對于用戶的影響。
二、數據與用戶行為的關系
說到如何了解用戶行為或心理，很多人第一反應可能會想到用戶訪談，但是觀點態度與情感數據的獲取很難擺脫主觀因素的影響。
比較常見的問題就是，用戶通常希望提供“正確的答案”，因而他們會告訴研究人員他們想聽到的答案，并非自己的真實想法（這被稱作設計期許反應偏差或默許偏差）。
而數據驅動下表現的往往是用戶相對真實環境下的真實操作心理。
若要更準確的獲得用戶的行為心理活動，對于數據的觀測與定義應該在一定程度上包括更全面的因素，例如定位、時間等。
以Airbnb為例，Airbnb的客房瀏覽、相似房型推薦、收藏、訂單成交等交互行為的點擊與停留時間在一定程度上都可以反推用戶行為。
但是Airbnb的產品屬性決定了用戶會在線下與房東產生很多其他的行為交互，進而再回到APP中來操作體現。
所以此時需要考慮時間與空間的因素影響，比如說來分析『夜晚在門店的訂單成交時間』這個數據指標相關項，可以更為準確去反應用戶行為。
那么既然數據可以反推用戶行為感知，我們需要怎么去解讀？
數據本身的維度解讀，一般可以分為縱向拆分維度與橫向拆分維度。
縱向維度來自同一批用戶群體在一段時間內或一段產品周期內的數據，使我們可以了解這段周期內用戶的改變、調整適應與學習進步。
能夠了解以往的變動如何影響著之后的經歷，這為我們的數據分析提供了背景信息。不過縱向維度往往周期較長，影響的變量也多，需要介入較為復雜的「多元變量A/B test」。
橫向維度一般截取某個場景下新老用戶的行為變化，例如說我們可以一次性選取5,000名老用戶進行實驗測試，觀察用戶的先后行為對后續行為的影響，以及一段時間內用戶的行為變化。
所以我們可以根據業務需要選用不同的方式來解讀數據背后的用戶心理。
了解了數據與設計師、數據與用戶心理的關系后，我們可以著手去探究如何通過數據來挖掘用戶喜歡的體驗感知，可以通過一套較為體系化的「數據驅動框架」來進行學習與實踐。
三、數據驅動框架
在介紹整體框架前，還是要重審一個重要的點。
數據分析用戶行為，是一個獲取信息和探索信息為目的的活動，一般在過程中可以借助數據的感知來改進想法，拓展現有認知。
不要把數據驅動當做驗證一個設計的簡單工具。
下圖可以較為直觀簡單的展示數據驅動設計的框架模型，其中的每一步都需要數據來驅動。
同時每個部分也會產生許多分支留存，這也是為什么說，數據驅動的整體流程是拓展設計思維為主了。
因為是發掘用戶行為為導向的研究方式，所以我們需要對數據反饋的內容十分包容
我們下面對每個節點進行展開說明。
四、定義一個期望達成的業務目標
通常定義與業務成功直接相關的內容。然后通過設計角度來描述業務目標。
正確的定義目標是最重要的一環，這關乎我們能否捕捉到所期望的信息。
一般的產品業務目標從大致范圍上可以從轉化率、留存率、流失率等幾個方向去深化定義。
以「車來了」為例，可以通過用戶場景特征來細化我們的業務目標。
車來了的主要業務場景是實時公交，實時公交的主要活躍場景在于工作日通勤，即用戶在今天用，大概率一周后的今天也會有一樣的場景。
而對于這類通勤工具化產品，再未形成生態前，留存率往往是最重要的，有用戶體量才能去更多的場景擴展與商業變現。所以我們可以設一個目標是以周留存率為導向的。
提升周留存，通過設計角度的目標來闡述，希望增強這個場景的實時公交服務價值，得到用戶認可，形成『場景化的印象』。
讓用戶在一周后相同的場景還可以想到并且來用這個服務。如下圖，我們完成了第一步的目標定義。
五、發現問題/機會域
在這個步驟，主要是結合之前的業務目標與該場景下的用戶行為進行挖掘問題點與機會點。
聯動分析這個點非常重要，這是我們這個框架的核心，因為是結果導向的，我們需要隨時圍繞業務目標來思考后面的研究工作。
下面回到車來了的例子：
如上圖，我們來看用戶行為和周留存的相關性分析。
即拆解這個場景下的用戶行為，然后看每個用戶行為和該頁面周留存的相關率。
舉個例子，假設分析得到的結果是：
- 交互行為01-操作過『使用刷新』的用戶，周留存為50%；
- 交互行為02-操作過『滑動頁面，點擊圖區查看』的用戶，周留存為40%。
那么可以反向去解讀以發現問題和機會域，去挖掘這批周留存用戶（初步粘性用戶）的問題點所在。首先開始假設。
- 假設反復使用刷新，是用戶認為這個頁面不實時；
- 假設用戶沒看到地圖，只看軸信息不直觀。
于是我們就發現了多個問題機會點假設，如下圖：
提出問題假設后，就可以開始假設理想體驗。
六、提出理想體驗假設
我們以上述的兩個假設去展開討論。
- 一種是，重新思考該頁面的信息架構與體驗感知，體現更明確的“價值主張”。合適的信息架構與感知營造可以清晰突顯實時公交的核心價值：實時性、車輛時間預估、車輛到站提醒等。
- 另一種是，突出圖區的信息呈現方式，便于用戶自己對于位置信息的把握，更了解接下來的出行行為的預判。
總結如下圖所示，我們兩個假設為『明確實時性的價值主張』與『通過圖區增強位置與車的聯動感知』。
同時可以更深層次的去想，假設一中的用戶可能更信任系統預判，假設二的用戶更信任自己的判斷感覺。
七、設計方案與內部評估
根據上面的假設，可以借助很多設計手段與方法論進行設計嘗試。
例如在實時性感知營造的途徑上，可以通過信息分類，找出表現實時感知的動態信息，區別于基礎靜態信息，突出線上動態信息。
同時加入時間/空間維度，在某個設定值下，精細化顯示動態信息，并且加入機器預判等手段，來整體打造一個實時且信息預判準確的服務者。
這里突出整體方法論闡述，不展開設計方法的討論。
在設計初步完成后即可在內部進行訪談與可用性測試等用戶研究流程，可以幫助我們改進方案。
一般來說，根據行業比較認可的說法（NNG發明下表），訪談5個被測試者即可確定85%以上的可用性問題，所以不需要刻意去量化人數來確認其中的某些問題是不是設計引起的。
隨著更多用戶的參與，從每個后續用戶中獲取的信息量在逐漸遞減
八、客戶測試結果
在內部測試改進后就可以考慮小范圍上線驗證。
首先考慮的是用戶樣本的問題，一般會將用戶分為不同的『用戶隊列』進行采樣，隊列是擁有共同經歷的用戶群體。
這里需要說明下一個點，一般用戶的特征分為基本特征和行為特征，對于國內的大部分產品中的用戶基本特征其實都較為穩定（涉及到出海業務，基本特征就尤為重要了），而用戶隊列一般都是按照行為特征來區分較為常見。
比如說以車來了為例，劃出一個隊列可以是：連續使用三個月以上、周活躍次數≥5、主要在工作日高峰期使用等行為特征。
類似的也可以有目的的圈定其他行為特征的一些用戶隊列。通過這些用戶隊列來進行實驗組下發。
如果一個改版較為大膽，在改動后的最初一段時間，實驗組反饋的數據指標會非常混亂，之后會逐步趨于穩定。
這是因為，一個人需要花費幾倍時間來適應新的體驗，形成所期望的正?；蚋玫男袨榱晳T。
有了如上的工作，后續就需要去看用戶的反應了，看看設計對用戶行為產生了什么影響？
對此我們的下一步計劃是啥？是改進設計方案還是重新思考機會點。這都是需要去真正實踐來發現。
但是需要謹記一點，反饋的好與壞都不要消極，我們都可以通過數據更加了解用戶行為，知道他們喜歡什么樣的體驗。
總體而言，設計始終代表用戶，對用戶負責，而數據的實踐探索又恰如其分地為設計師搭建了與用戶之間的“互動對話”。
在不斷的運營中，設計師們也需要慢慢培養的三種設計思維意識：數據驅動、數據啟示與數據感知。
通過數據驅動去驅動設計決策，通過數據啟發來驅動多維思考途徑，通過數據感知來持續不斷的了解用戶、成為用戶。
#專欄作家#
小偉同學，人人都是產品經理專欄作家。關注C端、B端用戶體驗趨勢，擅長場景與用戶行為分析、設計落地與價值變現，注重全鏈式服務設計與用戶感知體驗，喜歡探索設計新模式。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。
- 目前還沒評論，等你發揮！
