如果今天我們來(lái)復盤(pán)這場(chǎng)“馬車(chē)還是福特”的博弈，不難發(fā)現姬十三和他的團隊能夠勝出，是因為對用戶(hù)深層需求的不斷探索和準確理解。
一個(gè)不爭的事實(shí)是：所有卓越產(chǎn)品的誕生，都離不開(kāi)對用戶(hù)需求和人性的深刻理解。這正是為什么“用戶(hù)研究”在每一個(gè)產(chǎn)品的成長(cháng)歷程中都極其重要的原因。遺憾的是，產(chǎn)品經(jīng)理不見(jiàn)得個(gè)個(gè)都是頂尖心理學(xué)家。怎么才能客觀(guān)又高效地抓住那些“用戶(hù)自己都不知道”的深層需求，用戶(hù)究竟想要什么、需要什么……為了找出這些問(wèn)題的答案，人們嘗試了很多方法。問(wèn)卷、訪(fǎng)談、現場(chǎng)體驗……這些辦法不是不好，但是樣本量受限，用戶(hù)的反饋還難免主觀(guān)、片面。
有沒(méi)有一種方法，能確保被研究的用戶(hù)不受觀(guān)察者的干擾、所使用情境更加真實(shí)、能看到更完整的用戶(hù)操作流程、能反復觀(guān)察比對分析、還能盡可能提供更大的樣本量呢？
對于所有互聯(lián)網(wǎng)產(chǎn)品來(lái)說(shuō)，答案清晰可見(jiàn)：
采集并研究用戶(hù)行為數據，是最立體、客觀(guān)、低成本的用研方法。
就像做調研需要先準備問(wèn)卷一樣，想通過(guò)數據研究來(lái)挖掘用戶(hù)特性，你得先準備素材，即：采集數據。這三方面的數據缺一不可：用戶(hù)屬性（不只是人口屬性）、行為事件和環(huán)境信息。
用戶(hù)屬性絕不等于人口屬性，與年齡性別相比，更重要的是要記錄用戶(hù)在平臺上的狀態(tài)。比方說(shuō)，電商里的積分等級、社交app里的點(diǎn)贊關(guān)注數、運動(dòng)健身的app可能關(guān)心體重、智能硬件產(chǎn)品關(guān)心是否綁定設備……
行為事件數據比較好理解，就是用戶(hù)做了什么。重要的操作節點(diǎn)是必須被記錄的，例如：模塊導航的點(diǎn)擊、瀏覽內容時(shí)的分類(lèi)、搜索的效率、表單的填寫(xiě)……
環(huán)境數據則包括渠道、設備、網(wǎng)絡(luò )環(huán)境和使用時(shí)間等信息。
在收集了完整的用戶(hù)屬性與行為數據之后，第二步就是要找出最需要關(guān)注的用戶(hù)群，以及他們的核心訴求。你不能只看所有用戶(hù)的屬性和行為分布，為了找到真正對產(chǎn)品增長(cháng)有貢獻的用戶(hù)，你需要不斷地細分人群、進(jìn)行對比。
留存用戶(hù)與流失用戶(hù)有哪些不同的特征，模塊A與模塊B對留存有何貢獻等，哪些環(huán)節導致了用戶(hù)大量流失……都是這一階段需要被提出的問(wèn)題。
經(jīng)過(guò)前一階段的分析，你和你的團隊已經(jīng)對產(chǎn)品的現狀有了更深的認識，也提出了一些改進(jìn)策略。接下就該驗證這些假設?；叶劝l(fā)版、AB Test都是常用的手段。但不管你做了怎樣的改進(jìn)，都別忘記在發(fā)版后仔細研究新版本的數據表現。用戶(hù)在指尖反饋回來(lái)的數據結果，將是驗證猜測的核心標準。
以在行/分答為例，分析其實(shí)如何通過(guò)數據分析，來(lái)實(shí)現病毒式增長(cháng)的。
喬布斯有句經(jīng)典語(yǔ)錄“用戶(hù)根本不知道他們想要什么”，福特汽車(chē)的創(chuàng )立者也說(shuō)過(guò)，人們說(shuō)自己想要一匹跑得更快的馬，但其實(shí)他們需要的是一輛轎車(chē)。這是一個(gè)人人都聽(tīng)過(guò)的段子，前不久真實(shí)地在我們身邊上演了：
學(xué)員想要個(gè)更便宜方便的“在行”，但姬十三和他的團隊最終選擇了“分答”。而促使他們做出這個(gè)決定的關(guān)鍵動(dòng)因，正是他們對“在行”中各類(lèi)用戶(hù)的深刻理解。
在2015年9月，在行接入了精細化數據分析平臺，開(kāi)始采集和分析他們的用戶(hù)行為數據。
在采集數據時(shí)，在行將「學(xué)員」與「行家」進(jìn)行區分；然后按照查看行家、想見(jiàn)行家、發(fā)起約見(jiàn)、成功約見(jiàn)等事件定義用戶(hù)階段階段，對「學(xué)員」進(jìn)行參與度分層；接著(zhù)，疊加了約見(jiàn)次數、約見(jiàn)行家類(lèi)別、客單價(jià)、所在地等數據維度，更細致地拆分這些學(xué)員，并最終建立了一系列不同活躍度、不同內容偏好、不同消費能力的用戶(hù)群組。
接下來(lái)，在行團隊開(kāi)始對這十多個(gè)用戶(hù)群組進(jìn)行特性分析。
最初，大家認為地域和時(shí)間是限制在行擴張的核心因素。然而在進(jìn)行了簡(jiǎn)單的數據比對之后，在行團隊發(fā)現：給學(xué)員匹配距離更近的行家、讓學(xué)員和行家用電話(huà)交流之類(lèi)的方式，頂多算是一匹跑得更快的馬。而用戶(hù)內心所期待那輛“福特車(chē)”，應該是一種更輕、更高頻、價(jià)格更靈活、時(shí)效性更強的知識分享產(chǎn)品。
基于這個(gè)觀(guān)察，在行開(kāi)始了一次大膽的Growth Hacking嘗試：在“在行”中開(kāi)發(fā)”語(yǔ)音問(wèn)答”的新模塊。由學(xué)員發(fā)起提問(wèn)、圈出期望的答題行家并預設答題價(jià)格，再由行家通過(guò)語(yǔ)音在線(xiàn)競答。于是，以“有問(wèn)題吱一聲”為名的「吱」模塊迅速上線(xiàn)，成為“輕在行”模式的第一個(gè)測試方案。
模塊「吱」是分答成功背后的神秘功臣。說(shuō)它神秘，是因為許多在行的老用戶(hù)并不知道「吱」的存在。當時(shí)，在行團隊為了更好地研究語(yǔ)音問(wèn)答模式的受眾特性，并未將這個(gè)模塊開(kāi)放給所有在行的用戶(hù)。而是按照前期劃分好的用戶(hù)群組，分批次地開(kāi)始做灰度測試，以此模擬各群組用戶(hù)在使用語(yǔ)音問(wèn)答時(shí)的心智模型。
經(jīng)過(guò)多輪測試和對比，一個(gè)出乎意料的結果顯現出來(lái)：高頻使用語(yǔ)音問(wèn)答的用戶(hù)群，與喜歡線(xiàn)下約見(jiàn)行家的用戶(hù)群幾乎是毫無(wú)重疊的兩撥人。甚至于，從沒(méi)有成功約見(jiàn)過(guò)行家的用戶(hù)，使用模塊「吱」的參與度，比有約見(jiàn)經(jīng)歷的用戶(hù)高一倍有余。
數據對比的結果給在行團隊帶來(lái)了全新的用戶(hù)洞察：“語(yǔ)音問(wèn)答”與“在行約見(jiàn)”的受眾有本質(zhì)不同的知識獲取需求，二者對知識的深度和趣味性有完全不同的預期。從產(chǎn)品層面來(lái)看，要滿(mǎn)足不同用戶(hù)的不同需求，最好的方案是：將“語(yǔ)音問(wèn)答”模塊做成與「在行」互補的新產(chǎn)品。至此，「分答」始現其型。
如果今天我們來(lái)復盤(pán)這場(chǎng)“馬車(chē)還是福特”的博弈，不難發(fā)現姬十三和他的團隊能夠勝出，是因為對用戶(hù)深層需求的不斷探索和準確理解。
避免“拍腦門(mén)”式的臆測，讓行為數據替用戶(hù)代言，用數據結果衡量每一個(gè)假設……這種客觀(guān)嚴謹的用戶(hù)研究方法，是值得每一個(gè)產(chǎn)品團隊借鑒的。
總的來(lái)說(shuō)，通過(guò)行為數據分析實(shí)現客觀(guān)高效的用戶(hù)研究，你需要：
基于自身的業(yè)務(wù)特點(diǎn)，依托賬號體系，采集用戶(hù)屬性與行為數據；
選擇一款合適的分析工具，既能還原用戶(hù)的操作流，身臨其境作單體洞察；又能快速實(shí)現多維度的用戶(hù)分群對比，以探索用戶(hù)特性；
反復切分用戶(hù)群組，對比數據表現，大膽假設、快速驗證；
比對產(chǎn)品迭代前后的數據指標，評估前期假設、衡量改版質(zhì)量。
本文由 @諸葛io 原創(chuàng )發(fā)布于人人都是產(chǎn)品經(jīng)理。
聯(lián)系客服
