用户研究

羞于启齿的欲望:做好“逆人性”类型产品的最佳武器

所谓产品中的人性,早年就有前辈整理了“人性的弱点”。“人性的七宗罪”等在产品设计中的运用的一系列文章,实际执行的时候也有一定套路广为流传,还火了很大一批APP。但笔者最近却在做一个健康的、积极向上的APP。结合经验和思考,今天我要讨论下这一类“不惯着”用户的应用如何生存下去。怎么定义人性?产品人定义的人性,可以偏颇的理解为人类想要去满足自己低层次欲望的驱动性。人性的层次——

上网的老年人:老龄化群体将如何重塑互联网?

沉迷于网络的老年人,可能会成为不法分子的攻击对象。时近正午,差不多25位老年人正在学习如何与Siri对话。他们拿起手中的iPad,长按Home键,随着Siri的一句“请问需要什么帮助?”,房间中顿时回响着各种各样的答复。“Siri,最近的咖啡馆在什么地方?”其中一名老太太问。“很抱歉,我不是很明白,请再重复一遍你的问题?”Siri回答道。几位来自美国退休人员协会(AARP)

如何做用户调查,才能避免被用户耍?

职场问卷术,就好像竞技游戏中Gank英雄。在大神手中,全场带节奏,后期转Carry;在菜鸟手中,前期崩盘,后期超鬼。因为不会用,于是说不好用、没有用,这就是典型的菜鸟玩家心态。不懂问卷调查的产品,不是好运营。无法收集到真实的用户需求,产品运营人员乃至整个公司,将被这些“伪需求”搞得团团转,最后也赢不回市场。其原因在于:对用户采访和问卷调查的过程中,没有按照系统的方法论,进行

用户画像构建轻松上手(上)

文章立意于给设计师新童鞋和身处产品设计圈的朋友们科普,另一方面笔者寻找了一些大家可以参考的模版案例,同时分享了实战时好用的的流程给大家。用户画像Persona的本质上回答了一个问题,我们的产品在为谁服务?Ta代表了使用产品的半虚拟角色,帮助我们从新的角度看设计,发现盲点并促进设计决策。为什么我们需要用户画像建立用户画像的首要意义是让我们更深入了解用户和当前痛点,并总结出需求

没有痛点何来产品?PM 必知的用户痛点攻略

用户痛点来源于用户的真实需求,是产品诞生的原动力,发掘并把握好用户痛点的能力也并非一朝一夕就能达成。用户痛点是产品诞生的原动力,只有当用户有需求时才会有对应产品的出现,但并不是每个产品都能真正能解决用户问题,用户需求是整个产品的起跑线,也是产品能够持续长久的内在动力,如果对痛点洞察不深而草草起步,那么产品的发展只能越跑越偏。认识用户痛点1. 痛点来源于真实需求大家都听过屠龙

1 张图,告诉你在线教育如何做好用户增长?

近些年来,在线教育的热度只高不减,许多人都会思考为什么在线教育能够持续发展,关键点是什么呢?本文中,笔者将从商业逻辑、增长核心为我们进行分析:做在线教育这些年,我一直在思考一个问题:在线教育能持续发展(即增长)的核心是什么?答案是:产品化。有的人也许会反对,因为在线教育本质是教育,那教育最核心的是什么?——老师。笔者也是老师出身,清楚这种观点的存在是非常正常且有核心意义的,

用户体验地图如何落地?

用户体验地图是从用户的角度出发,以叙述故事的方式描述用户与产品之间的互动。可以把用户体验地图作为一个参照物,去启动一些适当的用户研究,以找出假设是否符合现实。首先,用户体验地图(Customer Journey Map / User experience Map)不是由某个角色来完成的, 而是团队共同协作完成。 这个团队可以包括PM、UED、UID、DE、Custo

为什么喜羊羊的客户不是小朋友?

你有没有思考过:哆啦A梦,小猪佩奇,喜羊羊和灰太狼,这些动画片的客户是谁?如果你单纯地回答:是小朋友们。那就错了!客户至上。满足客户的需求。全心全意为客户服务。这些标语,你肯定已经听腻了。但是,这里说的客户,到底是谁?依靠直觉,我们可以很容易得出这样的结论:“客户是使用产品或者服务的人。”真的是这样么? 一、客户不是使用者你觉得,哆啦A梦,小猪佩奇,喜羊羊和灰太狼,这些

3种用户洞察能力的定义以及练习方法

用户洞察与用户研究和分析不一样的在于,用户洞察更把人当作人,而不是数据或者指标。做互联网就是做用户洞察。这句话好像谁说过但是不记得了,但听上去确实有道理,用强大的洞察力掌握用户的喜好和倾向,创造优秀的产品,策划和体验是易如反掌。很多方法论把用户洞察等同于用户研究与分析,倡导通过大数据分析来掌握用户动态,以用户画像代替具体的个体来指导业务走向,这个解读是不负责任和形式化的。用

让产品更智能:如何为你的产品选择适合的推荐算法

推荐算法是指利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西。如何为产品选择其合适的推荐算法呢?一、常见推荐机制/算法1. 基础推荐机制协同过滤的风险:尽管协同过滤技术在个性化推荐系统中获得了极大的成功,但随着产品结构、内容的复杂度和用户人数的不断增加,协同过滤技术的一些缺点逐渐暴露出来。 主要有以下三点: 稀疏性(sparsity):在许多推荐系统中