百木园
上一篇文章讨论了消费品行业和互联网行业中用户研究的差异，在进一步思考互联网用户研究工作之前，我们首先聊一聊用户研究工作究竟在提供什么价值。
讨论用户研究工作价值时，常见的思路是从商业问题切入，例如在立项初期，可以通过用研判断需求是否存在；在设计阶段，可以通过用研验证产品可用性；在迭代时，可以通过用研获得启发、预测策略效果等等。
这样看起来，用户研究是在不同环节有不同效用的“万金油”。那么用户研究产出的内容是否有一些共性？不同业务、不同阶段的负责人在启动用户研究时，是否可以有共通的期待？作为用研同学，在向他人解释用研工作时，是否有更加概括而又能让人一下子理解的表述方式？
这一篇尝试从用户视角（也就是使用用户研究结论的同学的视角）回答一下用户研究究竟在提供什么价值，这既涉及“用户研究员的工作价值”，也可以是“业务同学做用户研究的价值”。
一、用户研究方法拆解
用户研究的工作是从用户侧拿到信息，以支持商业决策。
拿信息是研究员的基本功，具体包括找谁、问什么、怎么问等等。从信息加工到给出结论，再到支持决策，除了基础统计方法，还涉及分析逻辑、模型框架，对产研设计营销等领域的知识，以及对业务逻辑的深度理解。
二、用户研究价值拆解
什么是一次好的用户研究？个人认为标准是：能提升决策质量的研究是好的研究。
那么一份用研结果如何支持商业决策？
可以拆解为以下三个层面：提供代入感，提供分析模型，提供统计数据。
三、用户研究价值：提供代入感
代入感能让我们对用户感同身受，发现“不知道自己不知道”的东西。
1. 代入感是什么
代入感不是解读数据，不是用复杂的统计学方法找规律，而是运用本能的同理心，将自己的头脑和心思作为工具，加工用户信息，获得主观的、感性的体会。
产生代入感的前提是人与人有相似的底层需求、理解能力、情感本能等等，在这样的基础上，如果能够充分呈现用户的生活环境、过往经历、信息媒介、使用情景等信息，就可以让业务同学感同身受地领会到用户的感受和需求。
项飙老师在《把自己作为方法》一书中有一段关于“理解”的描述很精彩，摘录如下：
这是用户研究工作非常有魅力的一个地方。你有机会面对真实的用户，与真实的用户对话可以瓦解某些天马行空的设想；在不专业且没什么耐心的用户面前，之前坐在办公室里拍脑袋想出来的一些主意也会显得苍白而幼稚。
举一个小例子，曾经为一个线下活动做效果评估，在对用户进行访谈时，我眼睁睁看着对方说着说着话就闭上了眼睛，因为他参加了一整天活动已经非常疲惫了。
之前可能也在问卷答案中看到过类似“活动时间过长”这样的反馈，但这样面对面的感受还是不一样的。
还有一次去京郊某地做项目，这个地方其实属于北京，但当地出租车司机会说“你们从北京来呀？”，这样的措辞体现着本地居民对该地区的理解：行政划分上是北京，却不是那个超一线大都市北京。这种细微的感知难以从常规的统计数据中获得，只有在现场、在用户身边才能发现。
代入感不只有“在场”时能感受到，也可以通过解读报告来代入。这也是为什么调研报告中往往会提及用户社会信息，比如性别、年龄、收入等，目的之一就是提供代入感，了解社会背景能理解用户群生活在怎样的环境中，进而理解他们的观点、态度、感受。
2. 代入感的价值
代入感为什么重要？逻辑和数据为什么不足够？因为“人”太复杂了，与人相关的信息很多，维度很多，运作机制很复杂，人的逻辑不是物理的逻辑，描述人的模型都会压缩维度。
比如各种行为模型、需求分析模型、用户分层模型，模型的简洁意味着损失大量信息，模型和数据在某种层面上是在远离真实。
理解复杂的“人”的一个方式就是代入，直接从对方的视角看ta的世界。
这可以避免遗漏逻辑，比如忽视某些因果规律、忽视重要信息，也可以重新反思自己头脑中是否存在未经审视的假设。
3. 代入感的应用与局限
从研究方法来看，定性研究的结构更加开放，能够提供更多生活细节，也会记录详细的用户语句、用户行为，所以能够提供更强的代入感，比如访谈、座谈会、入户观察、陪同消费、观察使用。
另外还有一个很棒的获得“代入感”的方式：体验半天客服工作，亲自倾听客户投诉。相信一定会收获满满，哈哈。
另一方面，“代入感”作为研究产出的问题也很明显：
因此我们接下来的两个工具：分析模型和数据信息。
四、用户研究价值：提供分析模型
分析模型是从纷繁的信息中梳理出逻辑主线，有时候已知信息已经很多了，却没有分析思路，便陷入“不知道自己知道”的状况，合适的分析模型可以解决这个问题。
用户研究模型和产品运营方法论有什么区别？和商业分析模型有什么区别？针对同一个问题，可能有不同的分析模型，又该如何选择？
不同模型有不同侧重、不同视角、不同默认假设，甚至不同的价值取向。
举个例子：如何分析不同需求点的优先级？有以下几个常见的模型：
- 重要性x满意度的矩阵。横坐标重要度，纵坐标满意度。通过定量调研获得对于不同需求的重要度和满意度得分，如果一项需求处于“重要”且“不满”的象限，就认为应当优先改进。
- kano模型。针对每项需求询问：如果有该功能你觉得如何？如果没有该功能你觉得如何？（我很喜欢-理应如此-无所谓-勉强接受-很不喜欢）根据两个得分将需求分成五种：魅力属性、期望属性、必备属性、无差别属性、反向属性。
- 投入产出比。针对每个需求，评估覆盖用户量、单用户收益、时间&人力成本，选择投入产出比最高的需求优先满足。
重要性x满意度模型假设：对于用户的每个需求，都是满意度越高越好。
但kano模型的假设是：有些需求只需要达到及格线，不需要做到太好（必备属性），比如日常自行车骑行速度，对普通用户来说能够满足通勤使用就好，不需要达到竞赛水平；有些需求则是可以缺失，但如果被满足会让很多人喜欢（魅力属性），比如手机防水功能；同时存在一些需求是越满意越好（期望属性），比如性价比越高越好。
以上两个模型背后的价值取向是：让用户满意、喜欢。
而投入产出比的模型则是在考虑人群需求的基础上，进一步量化成本和收益。相比之下，“用户满意”只是一个中间变量，最终目标是最小成本获得最大收益。前两个模型并不是认为成本和收益不重要，而是成本收益问题不在这一步解决。
用户研究项目相关分析模型最大的特点就是包含用户反馈数据，并对用户数据有更多处理。常见的思路包括：花样用户分层（比如NPS/RFM，比如交叉、降维、聚类等统计方法），花样描绘行为态度（又叫UA，比如旅程地图/各种漏斗/各种深度x广度象限图），花样找相关关系，等等。
看到一个模型时，可以思考一下这个模型的假设是什么，默认的价值观是什么，适用场合是什么，是否补充了自己原本缺失的视角。模型没有绝对的好坏，模型领进门，修行靠个人。
五、用户研究价值：提供数据信息
统计数据是将认知进一步量化，在“知道自己不知道”时的定向收集信息，找到“最大”、“最多”、“最相关”等东西，这背后带有一点功利主义的逻辑。
大多数用户研究项目都需要有定量数据支持最终的结论，尤其在周期性项目中，统计数据和数据的变化情况就是报告的主要产出。
用户研究中的数据分析，与销量数据分析、线上行为数据分析等有什么差异呢？
1）信息更加丰富。比如可以了解想法、态度，以及生活背景、人际关系。
2）能够获得竞品数据。比如用户对不同产品的购买情况、对不同品牌的印象，等等。
3）样本结构非常非常重要。
这是非用研同学很容易忽视的一点。在分析销量数据、行为数据时，通常是直接拉取符合条件的全部数据，但用户研究无法触及全部用户，时间和成本也不允许过大的调研范围。
如何投放问卷？通过什么渠道，用什么话术吸引用户打开？回收的样本结构能否代表大盘样本？如果代表性有偏差，如何转化成可用的数据？这些问题是用户研究同学需要熟练掌握的。
所以作为用研同学，看到网络上各种报告时，往往会对调研对象、样本结构、发放渠道很敏感，如果报告没有给出这些信息，其结论的适用范围就很可疑。
4）问法非常重要。
用户调研是与用户的互动，如果要得到真实结果，就需要设计中立的，无引导性的问题，不能在问卷中透露或者暗示研究者的喜好；题目要简单易懂，不能有专业术语，每个选项要单一简洁，不能在同一个选项中包含冲突的内容，等等等等。
六、小结
所以，用户研究可以提供代入感，可以提供分析模型，可以提供统计数据，在不同的项目中会有不同的价值侧重。
给作者点赞，鼓励TA抓紧创作！
来源：http://www.woshipm.com/user-research/5498434.html
本站部分图文来源于网络，如有侵权请联系删除。