
用户研究需要全面且综合的了解及分析_数据分析师
1、是否对用户有用是一切产品的基础,理智的设计过程是先从了解用户开始的。
可用性是有环境基础的,高跟鞋在舞会的时候可用在打网球的时候不可用,对女人可用对男人不可用;只有深入了解用户和使用环境才能把确定是否有用,并把有用变成易用。
2、了解用户和环境的手段有很多,最常见的是”数据分析”。
在IT行业中早期大家叫它”数据库营销”,沃尔玛有个”啤酒和尿布的故事“是很成功的经典案例,从中体现了专业数据挖掘的巨大商业价值;
3、现在很多的企业都比较重视数据的分析。
据我所知门户网站的每个页面都埋有数据统计的代码;每个页面每个位置的点击率和操作情况都是详细的记录。
比如,一个注册界面:”多少用户进来,注册成功率(转化率)多少”、”用户出错比例多少”、”用户填写详实程度多少”、”多少用户直接离开,多少用户遭遇挫折后离开,在那里受到什么样的挫折离开”等等等等
4、这些海量数据的挖掘和分析,有着很大的价值和指导意义。
但,这种分析和挖掘也有着自身不够完善和不能真正准确的缺陷,因为很多意外的因素很容易会造成数据的变形,而往往数据分析人员不一定都能知晓这些意外因素。
比如,一个本不该放在某个位置的按钮、本不应该那么大的图片,可能会因为位置明显、面积大而造成点击量很高,这时通过数据的结果我们并不能得到正确的结论。
5、真正通过和用户接触沟通然后拿到数据,是海量数据挖掘的一个有效补充。这种做法的手段可以比较多样化:
往往我们也会把一些设计的原型拿去让用户试用,或者给用户类似的同类产品让他们去用,设计师在一边观察用户怎么做,从而得到设计启发和思路。这是一种设计师自己去”看”的方式;
比如,要设计一个开红酒的工具,你可以观察用户现在是如何开红酒的,然后也可以把你设计的工具雏形交给用户去用,看他如何用你设计的工具。
很多传统的研究方式中(市场研究中较多),会请很多用户填写设计好的问卷或者做电话调研、街头访谈、面对面用户访谈和测试等,然后作出数据统计。这是一种让用户”说”的方式;
比如,要设计一个公用电话亭,你可以在大街上采访市民,搜集他们对现有电话亭的抱怨和看法以及他们一般怎么在电话亭打电话..
当然我们还经常去想办法发现用户在怎么想,了解用户脑袋里面的那个MAP。
比如,我们设计一个圆的需要拧开的门把手,我们可以把设计拿给用户看,问他”看到这个圆的把手,你认为应该如何用它开门”;
6、有些时候我们也经常根据用户群的属性特征去做经验式的分析,
比如统计(或总结性模拟)用户的基本属性,分析用户的学习能力和使用习惯等,”学历”"对计算机的数量程度”"年龄”"专业”等等也都是对设计很有用的参考依据。
7、上面所说的这些手段是最常见的一些低成本的做法,当然还有一些靠仪器的做法。
但,目前在国内,我个人认为这些昂贵的仪器对大多数企业都起不到太多的真正作用,或者它们只是一个噱头、业绩…
8、前一段和一位在Yahoo美国的朋友谈到用户研究时,她提到了一些做法也蛮有意思。
比如,在上期帖子回复里有人谈到”走近客服”,他们在巴拿马的一些后期用户研究中会有专门的人去和客服一起工作观察和记录他们的工作,也会亲自尝试接听热线电话;
(往往客服人员提交给数据部门的数据是把他们认为不重要的数据筛选掉以后的,数据部门提交给设计师的数据可能又经过了一次筛选;而他们筛选原则和判断能力可能和设计师有着很大的差别)
再比如,记录某个ID在网站上的全程活动,看这个ID怎么注册的,去了哪里 点了那里过程中都干了什么等等,记录用户的真实交互轨迹,从而调整”用户操作流程”的设计;
(这种数据比海量分析真实,比逐个用户访谈高效且成本低。 但’隐私’问题需要考虑在内..)
还有,让用户通过他们习惯的方式主动描绘出他们对产品所期盼的感觉也值得尝试;比如我以前提到过一次麦当劳主动了解用户的例子。
9、总的说来:光靠对现状海量数据统计不一定能真正呈现真实现状,光靠点对点的访谈也不一定能全面的反应整体概况。
10、设计师想要深入了解用户和需求,首要的前提是:
通过各种方法走近用户,把用户当作老师;
想方设法拿到一线数据,把数据当作可以淘宝的垃圾堆”。
11、数据不是金矿,用户也不全都是正确的。
很多数据和用户反馈是无用的,甚至是会造成设计误导的。
最终,还得需要具备理智的分析和正确的判断能力。 (所以我最崇拜的UED还是那些”数据分析师”)
ps:对于用户研究我只是学习者,请更多的专业人士尽管指证。 :)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04