数据驱动体验 | 通过数据分析用户行为来提升体验服务价值

编辑导语：通过数据分析用户行为是一个很重要的环节，不仅可以提升体验服务价值，还能帮助设计师们更深入地了解用户需求，本篇文章作者分享了如何通过数据分析行为来提升体验服务价值，希望对你有帮助。

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，数据有助于阐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，很多人第一反应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。

比较常见的问题就是，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应偏差或默许偏差）。

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。

若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中来操作体现。

所以此时需要考虑时间与空间的因素影响，比如说来分析『夜晚在门店的订单成交时间』这个数据指标相关项，可以更为准确去反应用户行为。

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/B test」。

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。

同时每个部分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。

因为是发掘用户行为为导向的研究方式，所以我们需要对数据反馈的内容十分包容

我们下面对每个节点进行展开说明。

四、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。

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。如下图，我们完成了第一步的目标定义。

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。

下面回到车来了的例子：

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；
• 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，如下图：

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，体现更明确的“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。

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。

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，根据行业比较认可的说法（NNG发明下表），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。

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，对于国内的大部分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。

比如说以车来了为例，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，实验组反馈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应了，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，反馈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。

#专栏作家#

小伟同学，人人都是产品经理专栏作家。关注C端、B端用户体验趋势，擅长场景与用户行为分析、设计落地与价值变现，注重全链式服务设计与用户感知体验，喜欢探索设计新模式。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。