
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
MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-29左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-29CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-29CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-29解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-29解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-29鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-29用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-29从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-29CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-29解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-29用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-29从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-292025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-29PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-29t 检验与 Wilcoxon 检验:数据差异分析的两大核心方法 在数据分析的广阔领域中,判断两组或多组数据之间是否存在显著差异是一项 ...
2025-07-29PowerBI 添加索引列全攻略 在使用 PowerBI 进行数据处理与分析时,添加索引列是一项极为实用的操作技巧。索引列能为数据表中的每 ...
2025-07-29CDA 数据分析师必备技能全解析 在数据驱动决策的时代,CDA 数据分析师作为连接数据与业务价值的桥梁,需要具备多元化的技能体系 ...
2025-07-29解析 LSTM 训练后输出不确定:成因与破解之道 在深度学习处理序列数据的领域,长短期记忆网络(LSTM)凭借其捕捉长距离依赖关系 ...
2025-07-29χ² 检验与 t 检验:数据差异分析的两大核心工具 在统计学的方法论体系中,假设检验是验证数据规律、判断差异显著性的核心手段 ...
2025-07-29