创新的第一个里程碑：访谈结果分析及洞察
小明最近有点郁闷，因为疫情已经居家隔离好多天了。实在闲得慌，于是在朋友群里发了一条信息：
看来，大家对访谈数据的分析和洞察都很感兴趣，小明打算和大家分享一下这方面的心得，反正也是在家闲着。分析用户访谈数据和信息是进行用户研究时最令人兴奋，但也是最麻烦的一步。
它令人兴奋，因为它可以获取令人大开眼界的洞察或见解，有助于创造改变游戏规则的产品和服务。
它也很混乱，因为没有标准的程序可以遵循，而且大量的非结构化数据 可能会让人无从下手。
一、分析访谈的目的
简单地讲，分析访谈的目的有两个：
1）将访谈结果转化成某种洞察或见解
这个目的显而易见，将访谈获得的原始数据转化为某种洞察或见解是分析阶段的中心目标。虽然分析可以让原始数据更具操作性，但需要注意的是，这一步并不会产生绝对正确的结论，很多情况下，只是确定了某种假设。
2）和利益相关者达成某种共识，获取他们的支持
人们往往会忽视这个目的。只有当获得的洞察或见解后来被用作决策的基础时，分析才有价值，这需要团队成员、客户及其他利益相关者对洞察或见解取得共识。实现这一目标的有效方法就是让利益相关者积极参与分析，而不是仅仅向他们展示结果。
因此，只要有可能，请设计师、产品经理、工程师或任何与项目有利害关系的人参加。
二、什么是好的洞察或见解
虽然没有一个标准来衡量分析是否成功，是否获得一个好的洞察或见解，但是有一些指标可以表明分析是不是走在正确的道路上。
1）以访谈数据为基础
所有洞察或见解均来自访谈获得的数据。这里需要注意的一个常见问题是认知偏差，例如，人们总是倾向于已经相信的东西，这些会扭曲分析过程并误导决策。
虽然在数据中建立洞察或见解很重要，但是访谈数据往往是定性类型的数据，而定性数据的局限性在于它往往很难产生统计上的显著结果。所以，对于定性的访谈数据，我们要特别注意这些数据揭示的因果关系、用户情绪或一些不易觉察的视角。
2）避免偏离研究目标
分析大量访谈数据的过程可能会漫长，因为疲劳或其他干扰因素，分析的过程有可能会偏离原来的轨道，所以在分析过程中要不断地提醒团队研究的目标是什么。
3）揭露隐藏的东西
需要注意的是，如果分析结论并没有获得令人期待的新洞察或见解，这是很正常的事情，切忌为了获得新的、令人兴奋的发现而篡改数据。与此同时，对数据要进行更深入的研究，来揭示意想不到的联系或全新的洞察。
三、分析步骤
1. 熟悉访谈数据
如同电脑在运行软件前需要将软件加载到内存一样，在分析前，需要将访谈的数据加载到参与分析的团队成员的大脑短期记忆之中。如果参与分析的人员都是参与访谈的人员，那么这个过程相对容易。
但是经常会发生这样的情况，一些没有参与访谈的利益相关者会被邀请参与分析过程，那么熟悉访谈数据的过程显得尤为重要。
可以给没有参与访谈的分析者配对一名参与访谈的团队成员，帮助他们快速熟悉访谈的数据。
2.结构化访谈数据
由于访谈获得的定性数据本质上是非结构化的，难以分析，因此最初的任务是使其结构化，给内容的每一个意群（表达同一个主题的连续语句）打上主题标签。比如，下面是一个旅行爱好者行为调查访谈项目的一份记录：
将这篇访谈内容拆解到一个电子表格里，然后按照意群所表达的主题打上主题标签，有的意群可能是多个主题标签，如下：
需要注意的是，这些标签会随着标注的内容增加而变化，类似的标签合为一个，为新的内容增加标签。为了方便记录和使用，在电子表格上也做一个标签表，如下：
这样，在给访谈内容标注的时候，可以在这个表里选或新增。如果访谈的数据很多，团队一起这么一个一个文档的过会非常耗费时间，通常的做法是先一起标注几个文档，在标签的主题上取得共识后，就可以分拆成几个小组同时标注不同的文档。
3.主题挖掘
访谈内容被标注完主题后，就可以开始挖掘这些主题内容。将每个访谈内容的同一个主题汇集到一起，从中寻找共性或差异，如下所示：
鼓励团队成员分享他们的看法，因为这有助于形成新的洞察和见解。
聚合分析：将每个看法写到便利贴并贴到白板上，采用聚合分析的方式，将类似的看法归到一起（采用颜色或位置方式归类）。
- 多视角分析：通过被采访者的各个角度来分析数据，比如年龄、性别、职业等等。
- 放大缩小分析：除了改变视角，改变分辨率是另一种更清晰地理解数据的方法。在我们确定主题并在前面的步骤中深入研究每个主题之后，现在我们放大或缩小并查看更精细或更大的画面。
- 主题间分析：确定主题之间的关系，并试着理解它们的相对重要性、时间顺序或因果关系。
4. 输出分析结果
分析完访谈数据后，需要输出一些洞察或见解，最好的输出形式取决于你最初的研究问题，常用的输出示例如下:
- 按优先顺序列出痛点和机会领域
- 用户旅程地图包括兴奋点和低落点
- 有待完成的工作列表
- 用户角色细分
- 分析报告
四、常见误区
提高分析访谈技能的最佳方法是从实践和经验中学习，下面是一些常见错误，可以帮助更快地进步:
1）数据定量描述误区
在使用基于定性的访谈数据的定量描述时要小心。例如，“75%的参与者提到了旅行安全是个问题”如果没有对规模（比如总共样本才4个，3个这么说）的描述，这个75%很容易产生误导。
2）期待完美的清晰结果
定性数据通常是混乱的，在分析之后仍然是（尽管希望少很多）。记住，目标是减少不确定性，通常分析完你不会得到非常清楚的答案，你需要足够的确定性来决定接下来的步骤。
事实上，如果不确定性已经所剩无几，你可能已经分析过度了。
五、总结
小明给Karolina总结了几条：
- 邀请项目的利益相关者一起参加分析
- 数据结构化过程先集体在标签上取得共识，然后分头行动，提高结构化效率
- 主题挖掘过程先统计学上的分析，然后从被访者的多视角分析，对视角的放大和缩小分析，跨主题类别分析等等
- 输出洞察和见解，避免定量描述误区。如果结论很清晰，很有可能是分析过度或者是主观认知偏差的影响
访谈数据的分析是个很费时间和精力的过程，但是它是各种创新活动的第一个里程碑，它的成功与否，直接决定了后续步骤的价值。
小明花了整整一下午给一群小伙伴们讲解了如何做访谈结果的分析和洞察。小伙伴们都感觉这是一个有难度的活，需要回去好好琢磨琢磨，不过对于访谈的分析心里都有底了。Annie趁热打铁又提了一个新需求，要求小明讲讲最近很火的同理心访谈，当然不会白讲，隔离结束后，大餐庆祝！
小明欣然应允，反正待着也是待着，“等我准备好，咱们同理心访谈见！”
本文作者 @IDEA PRO 。
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！
