通过数据分析用户行为来提升体验服务价值.docx

通过数据分析用户行为来提升体验服务 价值数据担任了设计和业务的链接桥梁，在内部决策中，可以帮助设计师建 立对用户的同理心与心声。当不断的运用数据后，设计师会更加清晰用户群体的行为方式，进而明白如何为 他们提供更好的体验。通过更好的体验提供足够的服务价值以建立稳定持久的关系，提升留存。一、数据与设计师的关系设计是一个较为感性化的过程,数据有助于说明设计中各阶段的业务含义，包括 设计目标的启发、设计实践的定义以及设计成效的衡量。但值得注意的是，在设计的运用中，数据并不是为了代替设计师的前瞻性思维工 作，而是通过不同的角度看待设计对于用户的影响。二、数据与用户行为的关系说到如何了解用户行为或心理，很多人第一反响可能会想到用户访谈，但是观点 态度与情感数据的获取很难摆脱主观因素的影响。在设计初步完成后即可在内部进行访谈与可用性测试等用户研究流程，可以帮助 我们改进方案。一般来说,根据行业比拟认可的说法（NNG创造下表）,访谈5个被测试者即 可确定85%以上的可用性问题，所以不需要刻意去量化人数来确认其中的某些 问题是不是设计引起的。发现的 可用性问题N(1-(1-L)An)测试者人数随着更多用户的参与，从每个后续用户中获取的信息量在逐渐递减八、客户测试结果在内部测试改进后就可以考虑小范围上线验证。首先考虑的是用户样本的问题，一般会将用户分为不同的用户队列进行采样, 队列是拥有共同经历的用户群体。 这里需要说明下一个点，一般用户的特征分为基本特征和行为特征，对于国内的 大局部产品中的用户基本特征其实都较为稳定（涉及到出海业务，基本特征就尤 为重要了），而用户队列一般都是按照行为特征来区分较为常见。比方说以车来了为例，划出一个队列可以是：连续使用三个月以上、周活跃次数 5,主要在工作日高峰期使用等行为特征。类似的也可以有目的的圈定其他行为特征的一些用户队列。通过这些用户队列来 进行实验组下发。如果一个改版较为大胆，在改动后的最初一段时间，实验组反响的数据指标会非 常混乱，之后会逐步趋于稳定。这是因为，一个人需要花费几倍时间来适应新的体验,形成所期望的正常或更好 的行为习惯。有了如上的工作，后续就需要去看用户的反响了，看看设计对用户行为产生了什 么影响？对此我们的下一步计划是啥？是改进设计方案还是重新思考机会点。这都是需要 去真正实践来发现。但是需要谨记一点,反响的好与坏都不要消极，我们都可以通过数据更加了解用 户行为，知道他们喜欢什么样的体验。总体而言，设计始终代表用户，对用户负责，而数据的实践探索又恰如其分地为 设计师搭建了与用户之间的互动对话。在不断的运营中，设计师们也需要慢慢培养的三种设计思维意识：数据驱动、数 据启示与数据感知。通过数据驱动去驱动设计决策,通过数据启发来驱动多维思考途径，通过数据感 知来持续不断的了解用户、成为用户。比拟常见的问题就是，用户通常希望提供正确的答案，因而他们会告诉研究 人员他们想听到的答案，并非自己的真实想法（这被称作设计期许反响偏差或默 许偏差）。而数据驱动下表现的往往是用户相对真实环境下的真实操作心理。假设要更准确的获得用户的行为心理活动，对于数据的观测与定义应该在一定程度 上包括更全面的因素，例如定位、时间等。以Airbnb为例，Airbnb的客房浏览、相似房型推荐、收藏、订单成交等交互 行为的点击与停留时间在一定程度上都可以反推用户行为。但是Airbnb的产品属性决定了用户会在线下与房东产生很多其他的行为交互， 进而再回到APP中来操作表达。所以此时需要考虑时间与空间的因素影响，比方说来分析夜晚在门店的订单成 交时间这个数据指标相关项，可以更为准确去反响用户行为。那么既然数据可以反推用户行为感知，我们需要怎么去解读？数据本身的维度解读，一般可以分为纵向拆分维度与横向拆分维度。纵向维度来自同一批用户群体在一段时间内或一段产品周期内的数据，使我们可 以了解这段周期内用户的改变、调整适应与学习进步。能够了解以往的变动如何影响着之后的经历，这为我们的数据分析提供了背景信 息。不过纵向维度往往周期较长，影响的变量也多，需要介入较为复杂的多元 变量A/Btest。横向维度一般截取某个场景下新老用户的行为变化，例如说我们可以一次性选取 5,000名老用户进行实验测试，观察用户的先后行为对后续行为的影响，以及一 段时间内用户的行为变化。所以我们可以根据业务需要选用不同的方式来解读数据背后的用户心理。了解了数据与设计师、数据与用户心理的关系后，我们可以着手去探究如何通过 数据来挖掘用户喜欢的体验感知，可以通过一套较为体系化的数据驱动框架 来进行学习与实践。三、数据驱动框架在介绍整体框架前，还是要重审一个重要的点。数据分析用户行为，是一个获取信息和探索信息为目的的活动，一般在过程中可 以借助数据的感知来改进想法，拓展现有认知。不要把数据驱动当做验证一个设计的简单工具。下列图可以较为直观简单的展示数据驱动设计的框架模型，其中的每一步都需要数 据来驱动。同时每个局部也会产生许多分支留存，这也是为什么说，数据驱动的整体流程是 拓展设计思维为主了。因为是开掘用户行为为导向的研究方式，所以我们需要对数据反响的内容十分包容数据介入Q数据驱动结合分后数据验证数据假设用户测试结果设计落地与评估发现问题/机会域提出假设定义业务目标我们下面对每个节点进行展开说明。定义一个期望达成的业务目标通常定义与业务成功直接相关的内容。然后通过设计角度来描述业务目标。正确的定义目标是最重要的一环，这关乎我们能否捕捉到所期望的信息。一般的产品业务目标从大致范围上可以从转化率.留存率、流失率等几个方向去 深化定义。21：42-f5G M528 路0 深圳湾口岸公交首末站宝安机场场站二营06：4。末22：00 票价:3元日级路倍息（含时刻表）换向6分钟3站/1.7km更多车纳）2W +型杀 Tses?19号线7深大南地铁站一 6中洲控股中心大厦0 5北师大附小。4后海新村。3北师大附中i2号线2二n豆尾各n选择下车站，能帮您计算乘车所需时间X以车来了为例，可以通过用户场景特征来细化我们的业务目标。车来了的主要业务场景是实时公交，实时公交的主要活跃场景在于工作日通勤, 即用户在今天用，大概率一周后的今天也会有一样的场景。而对于这类通勤工具化产品，再未形成生态前，留存率往往是最重要的，有用户 体量才能去更多的场景扩展与商业变现。所以我们可以设一个目标是以周留存率 为导向的。提升周留存，通过设计角度的目标来阐述，希望增强这个场景的实时公交服务价 值，得到用户认可，形成场景化的印象。让用户在一周后相同的场景还可以想到并且来用这个服务。如下列图，我们完成了 第一步的目标定义。定义业务目标 发现问题/机会域提出假设设计落地与评估 用户测试结果通过提升核心体验服务价值来提升周留存五、发现问题/机会域在这个步骤，主要是结合之前的业务目标与该场景下的用户行为进行挖掘问题点 与机会点。联动分析这个点非常重要，这是我们这个框架的核心，因为是结果导向的，我们 需要随时围绕业务目标来思考后面的研究工作。F面回到车来了的例子:21：42-r：! 5G M528路 * B深圳湾口岸公交首末站宝安机场场站二首0&40未22：00 累仰:3元之皿值（含时刻表）换向6分“3站/1.7km9:7深大南地铁站6中洲控股中心大厦5北ffl大附小4后海新村3北！e大附中2W埋5 S 2场景化拆解用户交互行为我的行程选择下车站选那下车站，陡然您计梁车所看轲间X 收藏线路 设置公交闹钟 线路信息（时刻表）换向 滑动横轴 纵向滑动页面，查看图区 更多车辆 多线路比照其他更多的行为如上图，我们来看用户行为和周留存的相关性分析。即拆解这个场景下的用户行为，然后看每个用户行为和该页面周留存的相关率。举个例子，假设分析得到的结果是： 交互行为01-操作过使用刷新的用户，周留存为50% ; 交互行为02-操作过滑动页面，点击图区查看的用户，周留存为40%。那么可以反向去解读以发现问题和机会域，去挖掘这批周留存用户（初步粘性用 户）的问题点所在。首先开始假设。 假设反复使用刷新，是用户认为这个页面不实时J 假设用户没看到地图，只看轴信息不直观。于是我们就发现了多个问题机会点假设，如下列图： 。定义业务目标 发现问题/机会域 提出假设设计落地与评估 用户测试结果挖掘核心问题点来提升区整门反推核心价值1、实时性不够强2、图面信息不够直接3、.提出问题假设后，就可以开始假设理想体验。六、提出理想体验假设我们以上述的两个假设去展开讨论。一种是，重新思考该页面的信息架构与体验感知，表达更明确的“价值主张。合 适的信息架构与感知营造可以清晰突显实时公交的核心价值：实时性、车辆时间预 估、车辆到站提醒等。 另一种是，突出图区的信息呈现方式，便于用户自己对于位置信息的把握，更了解 接下来的出行行为的预判。总结如下列图所示，我们两个假设为明确实时性的价值主张与通过图区增强 位置与车的联动感知。同时可以更深层次的去想，假设一中的用户可能更信任系统预判，假设二的用户更信任自己的判断感觉。定义业务目标发现问题/机会域提出假设设计落地与评估通过提升核心体验服务价值来提升周留存挖掘核心问题点反推核心价值设计最正确假设突显服务价值1、实时性不够强2、图面信息不够直接3、明确实时性的价值主张I用户信任系统推荐导向的机会点通过图区增强位置-车联动感知用户信任自己判断导向的机会点需要更全面、清晰的一手信息展示七、设计方案与内部评估根据上面的假设，可以借助很多设计手段与方法论进行设计尝试。例如在实时性感知营造的途径上，可以通过信息分类，找出表现实时感知的动态 信息，区别于基础静态信息，突出线上动态信息。同时加入时间/空间维度，在某个设定值下，精细化显示动态信息，并且加入机 器预判等手段，来整体打造一个实时且信息预判准确的服务者。这里突出整体方法论阐述，不展开设计方法的讨论。