如何做好“用户洞察”?(行动篇)

一个典型的用户洞察研究项目主要包括需求的沟通与评估研究设计与执行成果输出三个关键环节。需求的沟通与评估关系着研究命题的价值,毕竟一个没有太大价值的研究命题也不会产生有价值的用户洞察;研究设计与执行是用户信息的收集过程,科学合理的研究设计与高质高效的执行可以为用户洞察打下坚实的基础;成果输出是对已获得的用户信息进行汇总解读,是对用户洞察的最终呈现。

如何做好“用户洞察”?(行动篇)

下面从项目流程全链路优化的角度来谈谈如何做好用户洞察研究。

一、需求沟通与评估

要想确保业务/需求方的需求是有价值的,需要注意避免需求的碎片化,单点化

1.1 对单个需求评估

用户研究人员经常会接到那种比较明确而具体的需求,但是也正是因为太过具体,局限于某一个小点,导致做用户洞察的价值不高。

这时候有两种选择,一种是评估完后不做,并从可行性和合理性两个角度说明原因;另一种是和业务/需求方一起就需求背景、业务问题进行进一步沟通,继而确定更合适的研究目标。

【案例】

业务/需求方:我们今年计划要对我们APP的图标进行升级,设计那边出了三个版本,能否请用户来测一下喜欢哪个版本?

【分析】

这个需求非常明确具体,但没啥价值,通过灰度A/B test就可以解决问题,但进一步沟通下来发现需求的背景是品牌重塑升级,那么改一下需求,了解用户对于APP图标升级的需求就有比较大的施展空间,包括挖掘用户对APP的品牌、产品认知、未来预期,这种未来的预期如何通过视觉体系(包括图标)来承载等。

1.2 对多个需求的评估

用户研究人员常常从多个业务/需求方那里接到很多临时性、碎片化的调研需求,这些需求往往只能解决产品某一个单点的问题,如果每一个都展开去做,不仅人力排期面临挑战,研究的范围也非常受限,导致能给到的信息增量非常有限,用户洞察很难有广度、深度和高度。

更加合理的做法是对这些临时性、碎片化的需求进行适当整合,提炼需求和问题的共性,并加以拓展。

【案例】

业务/需求方A:很多用户打开我们APP什么也没做就退出了,能不能帮忙调研下原因?

业务/需求方B:我们最近想对商品详情页进行改版,想调研下用户对于商品详情页的需求?

业务/需求方C:我们的订单取消率一直居高不下,能不能调研下用户取消订单的原因?

【分析】

这几个需求的共性,可以发现都围绕着成交转化,那么是否可以整合成一个“XX产品成交转化提升”研究专项呢?

二、研究设计与执行

好的研究设计与执行能确保收集到的用户信息是全面的、深入的、准确的,从而为接下来的信息解读打下好的基础。

2.1 研究设计

限于篇幅,在研究设计方面这里说一个重要的原则,那就是无论是研究方法的选择还是研究脚本(问卷、访谈大纲等)的设计,都要服务于挖掘目标未知信息。

很多用户研究人员容易出现的一个问题就是在研究方法、研究脚本方面设计了很多导向已知或者不相关信息的内容,这样不仅导致资源的浪费,参加调研用户的负担增加,而且无法聚焦最重要的问题。

最好的办法就是回顾研究目标和问题大纲,围绕研究目标或要回答的核心问题,进行详细的拆解设计。

我们在研究设计环节,一定要多问自己,这样设计最后能拿到什么信息,这些信息是否可以刷新现有的认知水平,能带来什么信息增量。

只有对最终的成果产出进行提前推演,继而反推研究设计,才能确保用户洞察的价值。

2.2 项目执行与管理

(1)定量研究执行

这里说说主流的问卷调研。

首先,要想清楚调研对象。

比如想知道大盘用户中的低活群体的特征和低活跃原因,就最好不能只调研低活用户,而是最好也要调研中高活用户,中高活用户与低活用户的对比更能看出低活用户的人群特征差异。参照体系的不同,会对最后的结果解读(洞察)造成影响。

其次,控制好系统误差。

比如涉及到本品、竞品的对比,最好不要使用内部渠道(如APP消息通知,带有本品牌标识的短信链接等),因为会存在本品牌光环效应,造成本品牌数据的倾向性增大。

再者,控制好抽样误差。

无配额控制的随机抽样问卷调研注定一开始就存在误差,因为用户填答问卷存在偏好。奖品、问卷的标题、问卷调研的内容等都会对用户填答偏好造成影响,从而使得最后回收的样本分布不均匀,与总体存在一定偏差。基于总体数据对抽样样本进行加权是减小误差的一种方式,但并不能完全消除误差,所以尽量在最开始就把抽样误差控制在最小。

以上,只是简单列举了几点,还有很多细节,改期可以详谈。

(2)定性研究执行

这里主要说说焦点小组座谈会和深访。

很多用户研究人员还不清楚焦点小组座谈会和深访的区别是什么,什么情况下用焦点小组座谈会,什么情况下采用用户深访。简单来讲就是焦点小组座谈会的目的是共创和发散;用户深访的目的是聚焦和深挖。

因为需要交流、碰撞、共创,焦点小组座谈会同组群体必须是同质的,这样才会存在“共同话题”,也就是交流同频;因为需要聚焦和深挖,所以深访对象必须是总体样本中的典型的个体,通过一个典型个体尽量挖掘所代表的背后大多数。

无论是焦点小组座谈会还是深访,都很考验主持人的能力和经验技巧,这直接决定挖掘信息的全面性、深度与准确性。

这里分享两个最重要的座谈会/深访探测技术。

一个是深度追问,也称为「攀梯术」。简单来说就是不满足于用户流于表面的回答,连续追问,这个方法能有效的使用户表达出深层的想法和原因。

【案例】

以一个短视频产品用户流失原因调查为例

访问员:为什么最近一段时间没登录过了?

用户:我用抖音了。

访问员:为什么去用抖音?

用户:因为抖音里的内容更有趣。

访问员:为什么觉得抖音里的内容更有趣?

用户:里面有很多户外野钓的视频。

访问员:为什么喜欢户外野钓的视频?

用户:平台工作、生活压力大,需要排遣下。

另一个方法是「侧写」,也就是不直接正面问用户,而是通过侧面迂回的方式让用户表达出深层次的想法和原因。“侧写”具体又包括类比法、图片测试法、外星人法,人格化法等。

【类比法案例】

访问员:为什么不续费我们的视频会员了?

用户:没钱啊

访问员:您目前有没有开通其他视频APP的会员?

用户:有开通B站的

访问员:为什么开通了B站的会员?

用户:因为里面有一些独家动漫资源

【图片测试案例】

访问员:我们的产品给您什么样的品牌印象?

用户:说不上来。

访问员:这里有一些图片,有猎豹,大象,熊猫,丰田汽车等,您选一些能代表我们品牌形象的,并说说为什么?

用户:我选大象,因为大象庞大、笨重,就如你们的品牌知名度是很大的,用的人多,再就是像大象一样稳重给人安全感

【人格化法案例】

访问员:我们的产品给您什么样的品牌印象?

用户:说不上来。

访问员:如果把我们的品牌看做一个人,你觉得最像哪个明星?

用户:我觉得像XXX,他不帅但是很有才华,非常务实,努力上进。

三、成果输出

很多用户研究人员最终的用户洞察报告都有一个要命的问题:数据描述很多,用户洞察很少

如何做好“用户洞察”?(行动篇)

为了让我们的研究报告更有洞察,有以下几点可以参考。

如何做好“用户洞察”?(行动篇)

3.1 多源数据整合

在撰写研究报告前,对信息进行规整,给研究报告打地基。除了调研得到的一手信息,也可以整合二手信息(比如行业第三方数据报告等);除了调研的小数据,也可以与大数据进行交叉验证。

例如,可以用大数据对调研得到的用户画像、行为信息等进行校准,这会直接影响最后的结论方向,使得用户洞察更加准确。

3.2 建立好的研究报告框架

好的研究报告框架一定是问题导向而非研究导向的

所谓问题导向的框架,是围绕业务/需求方关心的核心问题进行层层拆解逐一进行解答形成的框架;而研究导向的框架,是围绕用户研究人员自己的研究脚本(比如问卷、访谈大纲等)对数据的直接呈现形成的框架。

很显然问题导向的报告框架更有利于呈现用户洞察价值,也更容易被业务需求方所理解、接受。

【案例】

某汽车厂商想向中国市场引进一款中高端皮卡产品,想就可行性进行论证。

研究导向的报告框架常见的如:(1)中国皮卡市场分析(2)皮卡用户研究(3)皮卡产品需求测试(4)皮卡标杆企业分析。

而问题导向的报告框架应该是:(1)是否存在市场机会,然后从市场空间,增长趋势等维度去展开论证(2)如果存在市场机会,该产品目标用户群体是谁,然后从用户需求、产品匹配度等维度去展开论证(3)如果有市场机会,目前用户群体也明确,那么相应的落地配套策略是怎样的?然后从产品优化、销售渠道搭建、市场营销等角度去论证。

3.3 善于利用专业模型

专业模型可以很好地对已有的信息进行整合加工,变“描述”为“洞察”。

在用户画像洞察方面的模型,典型的有Censydiam用户动机分析模型,发源于美国的VALS(全称价值观和生活方式系统)模型等。

如某手机厂商就曾基于Censydiam模型把中国智能手机市场的人群细分为八类,在此基础上确定自己的目标人群。

如何做好“用户洞察”?(行动篇)

在用户认知、行为(动机)洞察方面的模型,典型的有漏斗模型(AIDMA,AISAS,AARRR,RARRA等),Sheth-Newman-Gross消费价值模型,福格行为模型,八角行为分析模型,上瘾模型等。如调研为什么用户使用夸克时,就可以应用Sheth-Newman-Gross消费价值模型,从功能价值(界面简洁清爽)、认知价值(满足好奇心、新鲜感和追求新知)、条件价值(学习时可以拍照答疑)等方面去展开分析。

如调研为什么用户使用抖音极速版时,就可以应用福格行为模型,从动机(APP包体小,占用手机内存少;功能精简后使用更加流畅;赚金币),能力(应用商店可以直接下载,方便获取,同时内容与已有抖音差别不大),触发(朋友分享链接邀请)方面去展开分析。

在用户需求洞察方面的模型,典型的有KANO模型,马斯洛的层次需要理论等,就不再枚举。

上述这些模型的应用,感兴趣的大家可以自己去搜索下,本文不做更多展开。

总体上,在用户洞察领域可以应用的专业模型还是偏少的,因此我们一方面应该积极发现、转化其他领域的成果,比如心理学、社会学、经济学、市场营销等领域,实行“拿来主义”;另一方面,我们也可以尝试通过项目经验的积累、方法论的沉淀来开发新的模型。

3.4 对研究对象细分

很多时候用户研究都会接到针对某特定用户群体进行研究的命题,典型的就是流失用户研究。

如果笼统的对流失用户流失原因进行调研,得到的也基本都是刚性流失、自然流失、受挫流失、竞争流失之类的答案,可能流于表面和品类常识。

以一款旅游APP产品为例,如果把流失用户进一步切分,从功能使用的角度分成交通出行为主的流失用户、酒店住宿为主流失用户、度假为主的流失用户等;从活跃程度的角度分成高活-流失用户、中活-流失用户、低活-流失用户,从人群差异的视角或许可以获得更多的用户洞察。

3.5 数据的深加工

数据的分析挖掘是构成用户洞察的重要部分,对数据的加工深度直接决定着用户洞察的价值。

数据的加工会分为几个阶段:第一个阶段就是原始数据,未经观察和审视,也就是“元数据”;第二个阶段,对数据进行观察和审视,初步分类、分组,同质的归到一起,初步形成可以理解的信息,但这时候还是“信息孤岛”;第三个阶段,寻找数据之间的关联和影响,把一个个“信息孤岛”串联起来;第四个阶段,穿过重重“信息孤岛”的迷雾,发现关键点,也就是关键洞察。

如何做好“用户洞察”?(行动篇)

(图 从Data到Insight @gapingvoid,culture design group)很多时候,我们最后的成果产出里对数据的呈现、解读止步于数据白描(照图说话),报告里的每一页都是孤立的,不能串起来讲述一个“故事”(洞察),这样得到的只能是“information”、“knowledge”而不是“insight”。

怎么避免这种情况?

一方面,要有意识的加强数据之间的关联、对比、影响等分析。

例如,一个品牌满意度&NPS&品牌表现评估的项目,通常情况下,用户研究人员会分模块独立呈现品牌满意度、NPS、品牌表现的数据,这样做没有大的问题,但更能获得用户洞察的方法是,看看满意度和NPS的关系,满意度和NPS交叉可以形成四种关系,如果是高满意度低NPS则很大程度说明产品体验很好但品牌缺乏吸引力,然后从品牌表现部分进一步进行数据挖掘,这样就可以把满意度、NPS、品牌表现三个模块串起来讲一个“好故事”了。

另一方面,积极应用高阶分析技术。

从Data到Insight的第三个阶段开始,简单的描述性统计、交叉分析就力不从心了,这时候就需要回归,多元对应分析,聚类分析,结构方程模型等高阶分析技术。

如何做好“用户洞察”?(行动篇)

(图 SPSS的高阶分析技术)比如一个快消品类品牌健康度的调研项目,已知影响品牌购买的有产品工艺、产品包装、产品原料等,我们想知道品牌的购买驱动是怎样的,哪些因素更重要,就只能通过高阶的分析方法(主成分分析,结构方程,回归等)。

3.6 共创

我过去这些年的经验告诉我,不要孤立地做研究,不要“闭门造车”,要相信并积极利用团队的力量。

在研究方面,一个研究者无论经验多么丰富,能力多么强,总会存在思维盲区、认知偏差,从而导致用户洞察的以偏概全甚至错误。

保持开放学习的心态,不要固执己见,不要玻璃心。

在项目展开的过程中,比如焦点小组座谈会和用户深访,积极卷入业务/需求方参与,并在会后或者深访结束后和卷入业务/需求方一起总结、脑暴。

在项目成果输出阶段,也积极卷入业务/需求方参与,他们从业务视角给的观点和建议往往至关重要;很多研究团队内部有成果评审机制,其实也是共创的体现。

最后,洞察力的提升不是一朝一夕的,需要长期的积累。

知乎上一个叫赵圆圆的作者写过一段话,我觉得特别好,就引用作为本文的结尾:

如何做好“用户洞察”?

1. 蹲门店做售货员,蹲电商后台做店小二,一对一的亲身体会之后你才真正知道你的消费者是啥样子,绝对和广告公司市调公司告诉你的有所不同。这叫个体洞察。

2. 看大数据,流量和销量,什么人看你的广告,什么人买你的产品,有个群体洞察。

3. 看整个行业的消费群在哪,竞品的消费者画像,这样有个行业洞察。

4. 接下来看3-5年的全行业的产品升级变化,发现规律。这叫历史洞察。

5. 研究大学生群体的喜好,预判未来五年的下一代消费趋势。这叫未来洞察。

6. 直到这个时候,你就可以略微的洞察到消费者的内心潜在需求了。

从个体洞察到群体洞察,从人群洞察到行业洞察,从历史规律洞察到未来趋势洞察,概括了在用户洞察方面的能力升级路径,也说明了用户洞察不能仅仅只理解用户,也需要对行业的历史、现状、未来趋势有深刻的理解。

#作者#

刘佩龙,微信:loop_summer。毕业于中国人民大学,10年+市场与用户研究经验,曾先后就职于Kantar,Nielsen等全球知名市场研究公司,目前就职于vivo互联网用研团队。致力于让更多人了解市场与用户研究。

本文作者@刘佩龙  。

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部