編輯導語：用戶體驗，自上世紀90年代由用戶體驗設計師唐納德·諾曼提出這個概念以來，被廣泛運用至各個行業之中，不論是傳承多年的傳統行業，還是蓬勃發展的互聯網行業。在如今用戶為王的環境下，用戶體驗在企業中的地位則顯得尤為重要，它會直接影響到企業產品在市場中的競爭力，進而決定企業在激烈的競爭中所獲得的效益。

1. 背景

1.1 用戶體驗系統特征

如果一個用戶持續地使用某個產品，一定是產品滿足了用戶某些核心體驗目標，形成記憶點（喚醒點），持續喚醒用戶在特定的場景下使用該產品。比如得物是做名牌鞋子鑒定的，讓用戶感覺這里不會買到假鞋，于是一旦有種草需求，就會來得物。

當然實際用戶體驗不會這么純粹、簡單，用戶體驗系統其實是一個內部信息模糊，外部信息清晰的灰色系統[1]。

• 內部模糊體現在：可能某些點確實迎合了用戶，但其他點引起了用戶的反感，可能這個點迎合了A類用戶，但對B用戶不友好；
• 外部清晰體現在：峰終定律描述了用戶的首次和最后體驗會影響最終評價，諾曼說的反思層其實就是用戶體驗整個產品后的情感。

1.2 大部分情況下我們習慣研究用戶體驗的外部系統

內部模糊性增加了從產品使用角度研究用戶實際體驗情況的難度，而外部清晰性使我們可以直接通過用戶訪談、調查問卷等手段直接調查用戶的感受。

雖然這些手段確實是在走近用戶，但受限于精力、實際研究條件以及自身先入為主的偏見，我們所聽到的、看到的未必是真的。

1.3 如何從產品使用角度研究用戶體驗的內部系統

為了更全貌、更客觀地理解我們所設計產品的用戶體驗情況，我們除了通過調研手段直接了解用戶體驗外部系統的一些概況信息。

還需要去拆解該產品涉及的用戶體驗系統，即構成我這個產品的核心體驗有哪些？這些體驗目標下有哪些量化指標？這些指標的數據表現如何。

2. 方法與案例-以某社交產品為例

如何從產品使用角度研究用戶體驗內部系統？如圖所示從產品用戶體驗評價體系的構建到Dashboard的創建：

1. 首先能夠基于產品特性拆解出在用戶價值層面，產品想要提供的核心體驗目標有哪些；
2. 其次圍繞這樣的體驗目標枚舉相關的量化指標有哪些；
3. 根據量化指標的定義構建埋點公式，并確定需要埋的點；
4. 最后構建出一個“用戶體驗目標-量化指標”的Dashboard，用來監控每次版本迭代的產品用戶體驗變化情況。

2.1 產品用戶體驗目標拆解

以某社交APP為例：該產品主要針對大學生群體，提供線上CP體驗，涉及到用戶體驗目標有：

• 組CP體驗：用戶在組CP過程中的體驗概況；
• CP任務體驗：用戶在組成CP后，做任務過程中的體驗概況；
• 社交互動體驗：用戶在和群友、CP社交互動過程中的體驗概況；
• Feed動態體驗：用戶在信息流的閱讀互動過程中的體驗概況；
• 緣分體驗：用戶遇到一個合適CP過程中的體驗概況。

2.2 量化指標拆解

2.2.1 組CP體驗相關的量化指標有：

• 主動匹配CP簽到率：匹配成功或重新匹配成功后，主動簽到行為的比例占多少？
• 主動匹配不適合率：匹配成功或重新匹配成功后，主動匹配不合適的行為比例占多少？
• 主動匹配超時未簽到率：匹配成功或重新匹配成功后，主動匹配超時未簽到的行為比例占多少？
• 被動匹配CP簽到率：匹配成功或重新匹配成功后，被動匹配CP簽到的行為比例占多少？
• 被動匹配不適合率：匹配成功或重新匹配成功后，被動匹配不合適的行為比例占多少？
• 被動匹配超時未簽到率：匹配成功或重新匹配成功后，被動匹配超時未簽到的行為比例占多少？
• CP匹配耗時率：沒有CP的用戶與點擊相互喜歡組成的CP用戶或者通過匹配方式組成的CP用戶的占比有多少？
• 主動匹配成功率：主動匹配或主動匹配冷卻的用戶中，匹配成功的用戶比例占多少？主動匹配冷卻是產品設計上的一個邏輯：用戶A匹配到用戶B，A簽到后，B會收到這個組CP消息。為了避免B剛收到A消息還沒來得及回應，就消失掉的這種落差感。產品上有個自鎖邏輯，A簽到后會進入10分鐘冷卻期，這個期間不能進行匹配活動。
• 首次匹配重試率：主動匹配行為當中，重新匹配的行為比例占多少？
• 重新匹配成功率：重新匹配用戶當中，匹配成功的用戶比例占多少？
• 主動喜歡被響應率：發起主動喜歡行為中相互喜歡的行為比例占多少？
• 推薦被響應率：推薦卡片發起喜歡行為中相互喜歡的行為比例占多少？
• 匹配被響應率：發起匹配行為當中，最終相互簽到的行為比例占多少？
• 匹配到無CP人群滲透率：主動匹配的用戶與無CP用戶的比例，值越小越好
• 邀請好友組CP響應率：發起CP邀請的用戶中，有多少用戶接受了CP邀請？

2.2.2 CP任務體驗相關量化指標有：

• 任務完成率：組成CP用戶中，第一天完成CP任務的用戶比例占多少？第二天/第三天/第四天/第五天/第六天/第七天；
• 打卡上墻率：完成CP任務行為中有多少行為發布到打卡墻？

2.2.3 社交互動體驗相關量化指標有：

• 語音消息滲透率：總用戶中使用語音消息用戶比例占多少？
• 語音消息人均使用次數：語音消息每天使用幾次？
• 視頻消息滲透率：總用戶中使用視頻消息用戶比例占多少？
• 視頻消息人均使用次數：視頻消息每天使用幾次？
• 撤回消息滲透率：總用戶中使用撤回消息用戶比例占多少？
• 撤回消息人均使用次數：撤回消息每天使用幾次？
• gif消息滲透率：總用戶中使用gif消息用戶比例占多少？
• gif消息人均使用次數：gif消息每天使用幾次？
• 房間加好友成功率：房間加好友行為中有多少好友請求被接受了？
• 搜索加好友成功率：搜索加好友行為中有多少好友請求被接受了？
• 動態加好友成功率: 動態加好友行為中有多少好友請求被接受了？
• 打卡墻加好友成功率：打卡墻加好友行為中有多少好友請求被接受了？
• 首次進房打招呼率：進房用戶中有多少發起打招呼的用戶？
• 退房率：進房用戶中有多少用戶離開了房間？

2.2.4 Feed動態體驗相關量化指標有：

• 動態滲透率：總用戶中有多少用戶進入動態？
• 動態人均進入次數：用戶平均每天進入動態幾次？
• 動態人均查看詳情次數：用戶平均每天查看動態詳情幾次？
• 動態點贊次數：用戶平均每天點贊幾條動態？
• 發布動態成功率：點發動態用戶中有多少用戶最后點率發布動態？
• 打卡墻滲透率：總用戶中有多少用戶進入打卡墻？
• 打卡墻人均進入次數：用戶平均每天進入打卡墻幾次？
• 打卡墻人均查看詳情次數：用戶平均每天查看打卡墻詳情幾次？
• 打卡墻點贊率：進入打卡墻的用戶，有多少用戶發起了點贊行為？
• 動態詳情評論率：進入動態詳情的用戶中有多少用戶發布了評論？
• 動態詳情關注率：進入動態詳情的用戶中有多少用戶發起了關注行為？
• 動態詳情查看發布比例：查看動態詳情行為與發布動態行為比例，值越大越好；
• 動態詳情點贊發布比例：點贊動態詳情行為與發布動態行為比例，值越大越好；
• 動態詳情評論發布比例：評論動態詳情行為與發布動態行為比例，值越大越好。

2.2.5 緣分體驗相關量化指標有：

• 組成CP與匹配比例：通過匹配組成CP的行為與匹配行為的比例，值越大越好；
• 簽到與匹配比例：匹配行為中簽到行為比例占多少？
• 推薦喜歡率：總用戶中有多少用戶對卡片發起了喜歡操作？

2.3 埋點方案設計

根據埋點意義確定需要埋哪些點以及指標與埋點之間的計算邏輯，最后整理如圖所示：

2.4 構建產品用戶體檢Dashboard監控

按照產品各個體驗緯度，創建指標Dashboard如圖所示：

3. 小結與展望

盡管用戶體驗內部模糊特性增加了我們從產品使用角度研究其內部系統的難度，但是我們還是能夠根據產品特性去拆解相關的用戶體驗緯度有哪些，以及每個用戶體驗緯度下的量化指標有哪些，最后把這些指標涉及到的埋點與計算邏輯錄入到前端與數據平臺，建立一個可以監控該產品用戶體驗狀態的Dashboard。

相比于直接研究用戶體驗外部系統，這個監控面板可以讓我們站在更全局、更客觀的視角去看待每次產品迭代。

作為產品經理是應該走近用戶，傾聽用戶聲音，但過分依賴這些外部系統，不免會讓人懷疑，這份責任心是真摯的還是虛偽的。

關于用戶體驗內部系統的研究還不止于此，如何把這些碎片化的內部信息通過算法整合成一個清晰的外部決策值，就像用戶經歷了一番體驗后會對產品產生一個比較清晰的評價。

如果這個外部決策值與用戶評價是正相關的，那將非常有意義，我們不再受限于精力、實際研究條件以及自身先入為主的偏見，直接通決策值就可以得到比較客觀的反饋。

參考資料：KUO Y, YANG T, HUANG G W. The use of grey relational analysis in solving multiple attribute decision-making problems [J]. Computers & Industrial Engineering, 2008, 55(1): 80-93.

#專欄作家#

UE小牛犢，微信公共號：交互實驗獅，人人都是產品經理專欄作家。關注產品思考、用戶體驗分析、交互研究，致力于UX方法論的探索和實踐。

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