如何做好“用户洞察”？(行动篇）

研究设计与执行

好的研究设计与执行能确保收集到的用户信息是全面的、深入的、准确的，从而为接下来的信息解读打下好的基础。

2.1 研究设计

限于篇幅，在研究设计方面这里说一个重要的原则，那就是无论是研究方法的选择还是研究脚本（问卷、访谈大纲等）的设计，都要服务于挖掘目标未知信息。

很多用户研究人员容易出现的一个问题就是在研究方法、研究脚本方面设计了很多导向已知或者不相关信息的内容，这样不仅导致资源的浪费，参加调研用户的负担增加，而且无法聚焦最重要的问题。

最好的办法就是回顾研究目标和问题大纲，围绕研究目标或要回答的核心问题，进行详细的拆解设计。

我们在研究设计环节，一定要多问自己，这样设计最后能拿到什么信息，这些信息是否可以刷新现有的认知水平，能带来什么信息增量。

只有对最终的成果产出进行提前推演，继而反推研究设计，才能确保用户洞察的价值。

2.2 项目执行与管理

（1）定量研究执行

这里说说主流的问卷调研。

首先，要想清楚调研对象。比如想知道大盘用户中的低活群体的特征和低活跃原因，就最好不能只调研低活用户，而是最好也要调研中高活用户，中高活用户与低活用户的对比更能看出低活用户的人群特征差异。参照体系的不同，会对最后的结果解读（洞察）造成影响。

其次，控制好系统误差。比如涉及到本品、竞品的对比，最好不要使用内部渠道（如APP消息通知，带有本品牌标识的短信链接等），因为会存在本品牌光环效应，造成本品牌数据的倾向性增大。

再者，控制好抽样误差。无配额控制的随机抽样问卷调研注定一开始就存在误差，因为用户填答问卷存在偏好。奖品、问卷的标题、问卷调研的内容等都会对用户填答偏好造成影响，从而使得最后回收的样本分布不均匀，与总体存在一定偏差。基于总体数据对抽样样本进行加权是减小误差的一种方式，但并不能完全消除误差，所以尽量在最开始就把抽样误差控制在最小。

以上，只是简单列举了几点，还有很多细节，改期可以详谈。

（2）定性研究执行

这里主要说说焦点小组座谈会和深访。

很多用户研究人员还不清楚焦点小组座谈会和深访的区别是什么，什么情况下用焦点小组座谈会，什么情况下采用用户深访。简单来讲就是焦点小组座谈会的目的是共创和发散；用户深访的目的是聚焦和深挖。

因为需要交流、碰撞、共创，焦点小组座谈会同组群体必须是同质的，这样才会存在“共同话题”，也就是交流同频；因为需要聚焦和深挖，所以深访对象必须是总体样本中的典型的个体，通过一个典型个体尽量挖掘所代表的背后大多数。

无论是焦点小组座谈会还是深访，都很考验主持人的能力和经验技巧，这直接决定挖掘信息的全面性、深度与准确性。

这里分享两个最重要的座谈会/深访探测技术。

一个是深度追问，也称为「攀梯术」。简单来说就是不满足于用户流于表面的回答，连续追问，这个方法能有效的使用户表达出深层的想法和原因。

【案例】

以一个短视频产品用户流失原因调查为例

访问员：为什么最近一段时间没登录过***了？

用户：我用抖音了。

访问员：为什么去用抖音？

用户：因为抖音里的内容更有趣。

访问员：为什么觉得抖音里的内容更有趣？

用户：里面有很多户外野钓的视频。

访问员：为什么喜欢户外野钓的视频？

用户：平台工作、生活压力大，需要排遣下。

另一个方法是「侧写」，也就是不直接正面问用户，而是通过侧面迂回的方式让用户表达出深层次的想法和原因。“侧写”具体又包括类比法、图片测试法、外星人法，人格化法等。

【类比法案例】

访问员：为什么不续费我们的视频会员了？

用户：没钱啊

访问员：您目前有没有开通其他视频APP的会员？

用户：有开通B站的

访问员：为什么开通了B站的会员？

用户：因为里面有一些独家动漫资源

【图片测试案例】

访问员：我们的产品给您什么样的品牌印象？

用户：说不上来。

访问员：这里有一些图片，有猎豹，大象，熊猫，丰田汽车等，您选一些能代表我们品牌形象的，并说说为什么？

用户：我选大象，因为大象庞大、笨重，就如你们的品牌知名度是很大的，用的人多，再就是像大象一样稳重给人安全感

【人格化法案例】

访问员：我们的产品给您什么样的品牌印象？

用户：说不上来。

访问员：如果把我们的品牌看做一个人，你觉得最像哪个明星？

用户：我觉得像XXX，他不帅但是很有才华，非常务实，努力上进。

成果输出

很多用户研究人员最终的用户洞察报告都有一个要命的问题：数据描述很多，用户洞察很少。

为了让我们的研究报告更有洞察，有以下几点可以参考。

3.1 多源数据整合

在撰写研究报告前，对信息进行规整，给研究报告打地基。除了调研得到的一手信息，也可以整合二手信息（比如行业第三方数据报告等）；除了调研的小数据，也可以与大数据进行交叉验证。

例如，可以用大数据对调研得到的用户画像、行为信息等进行校准，这会直接影响最后的结论方向，使得用户洞察更加准确。

3.2 建立好的研究报告框架

好的研究报告框架一定是问题导向而非研究导向的。

所谓问题导向的框架，是围绕业务/需求方关心的核心问题进行层层拆解逐一进行解答形成的框架；而研究导向的框架，是围绕用户研究人员自己的研究脚本（比如问卷、访谈大纲等）对数据的直接呈现形成的框架。

很显然问题导向的报告框架更有利于呈现用户洞察价值，也更容易被业务需求方所理解、接受。

【案例】

某汽车厂商想向中国市场引进一款中高端皮卡产品，想就可行性进行论证。

研究导向的报告框架常见的如：（1）中国皮卡市场分析（2）皮卡用户研究（3）皮卡产品需求测试（4）皮卡标杆企业分析。

而问题导向的报告框架应该是：（1）是否存在市场机会，然后从市场空间，增长趋势等维度去展开论证（2）如果存在市场机会，该产品目标用户群体是谁，然后从用户需求、产品匹配度等维度去展开论证（3）如果有市场机会，目前用户群体也明确，那么相应的落地配套策略是怎样的？然后从产品优化、销售渠道搭建、市场营销等角度去论证。

3.3 善于利用专业模型

专业模型可以很好地对已有的信息进行整合加工，变“描述”为“洞察”。

在用户画像洞察方面的模型，典型的有Censydiam用户动机分析模型，发源于美国的VALS（全称价值观和生活方式系统）模型等。 

如某手机厂商就曾基于Censydiam模型把中国智能手机市场的人群细分为八类，在此基础上确定自己的目标人群。

在用户认知、行为（动机）洞察方面的模型，典型的有漏斗模型（AIDMA，AISAS，AARRR，RARRA等），Sheth-Newman-Gross消费价值模型，福格行为模型，八角行为分析模型，上瘾模型等。

如调研为什么用户使用夸克时，就可以应用Sheth-Newman-Gross消费价值模型，从功能价值（界面简洁清爽）、认知价值（满足好奇心、新鲜感和追求新知）、条件价值（学习时可以拍照答疑）等方面去展开分析。

如调研为什么用户使用抖音极速版时，就可以应用福格行为模型，从动机（APP包体小，占用手机内存少；功能精简后使用更加流畅；赚金币），能力（应用商店可以直接下载，方便获取，同时内容与已有抖音差别不大），触发（朋友分享链接邀请）方面去展开分析。

在用户需求洞察方面的模型，典型的有KANO模型，马斯洛的层次需要理论等，就不再枚举。

上述这些模型的应用，感兴趣的大家可以自己去搜索下，本文不做更多展开。

总体上，在用户洞察领域可以应用的专业模型还是偏少的，因此我们一方面应该积极发现、转化其他领域的成果，比如心理学、社会学、经济学、市场营销等领域，实行“拿来主义”；另一方面，我们也可以尝试通过项目经验的积累、方法论的沉淀来开发新的模型。

3.4 对研究对象细分

很多时候用户研究都会接到针对某特定用户群体进行研究的命题，典型的就是流失用户研究。

如果笼统的对流失用户流失原因进行调研，得到的也基本都是刚性流失、自然流失、受挫流失、竞争流失之类的答案，可能流于表面和品类常识。

以一款旅游APP产品为例，如果把流失用户进一步切分，从功能使用的角度分成交通出行为主的流失用户、酒店住宿为主流失用户、度假为主的流失用户等；从活跃程度的角度分成高活-流失用户、中活-流失用户、低活-流失用户，从人群差异的视角或许可以获得更多的用户洞察。

3.5 数据的深加工

数据的分析挖掘是构成用户洞察的重要部分，对数据的加工深度直接决定着用户洞察的价值。

数据的加工会分为几个阶段：第一个阶段就是原始数据，未经观察和审视，也就是“元数据”；第二个阶段，对数据进行观察和审视，初步分类、分组，同质的归到一起，初步形成可以理解的信息，但这时候还是“信息孤岛”；第三个阶段，寻找数据之间的关联和影响，把一个个“信息孤岛”串联起来；第四个阶段，穿过重重“信息孤岛”的迷雾，发现关键点，也就是关键洞察。

(图 从Data到Insight  @gapingvoid,culture design group)

很多时候，我们最后的成果产出里对数据的呈现、解读止步于数据白描（照图说话），报告里的每一页都是孤立的，不能串起来讲述一个“故事”（洞察），这样得到的只能是“information”、“knowledge”而不是“insight”。

怎么避免这种情况？

一方面，要有意识的加强数据之间的关联、对比、影响等分析。

例如，一个品牌满意度&NPS&品牌表现评估的项目，通常情况下，用户研究人员会分模块独立呈现品牌满意度、NPS、品牌表现的数据，这样做没有大的问题，但更能获得用户洞察的方法是，看看满意度和NPS的关系，满意度和NPS交叉可以形成四种关系，如果是高满意度低NPS则很大程度说明产品体验很好但品牌缺乏吸引力，然后从品牌表现部分进一步进行数据挖掘，这样就可以把满意度、NPS、品牌表现三个模块串起来讲一个“好故事”了。

另一方面，积极应用高阶分析技术。

从Data到Insight的第三个阶段开始，简单的描述性统计、交叉分析就力不从心了，这时候就需要回归，多元对应分析，聚类分析，结构方程模型等高阶分析技术。

（图 SPSS的高阶分析技术）

比如一个快消品类品牌健康度的调研项目，已知影响品牌购买的有产品工艺、产品包装、产品原料等，我们想知道品牌的购买驱动是怎样的，哪些因素更重要，就只能通过高阶的分析方法（主成分分析，结构方程，回归等）。

3.6 共创 

我过去这些年的经验告诉我，不要孤立地做研究，不要“闭门造车”，要相信并积极利用团队的力量。

在研究方面，一个研究者无论经验多么丰富，能力多么强，总会存在思维盲区、认知偏差，从而导致用户洞察的以偏概全甚至错误。

保持开放学习的心态，不要固执己见，不要玻璃心。

在项目展开的过程中，比如焦点小组座谈会和用户深访，积极卷入业务/需求方参与，并在会后或者深访结束后和卷入业务/需求方一起总结、脑暴。

在项目成果输出阶段，也积极卷入业务/需求方参与，他们从业务视角给的观点和建议往往至关重要；很多研究团队内部有成果评审机制，其实也是共创的体现。

最后，洞察力的提升不是一朝一夕的，需要长期的积累。

知乎上一个叫赵圆圆的作者写过一段话，我觉得特别好，就引用作为本文的结尾：

如何做好“用户洞察”？1.蹲门店做售货员，蹲电商后台做店小二，一对一的亲身体会之后你才真正知道你的消费者是啥样子，绝对和广告公司市调公司告诉你的有所不同。这叫个体洞察。2.看大数据，流量和销量，什么人看你的广告，什么人买你的产品，有个群体洞察。3.看整个行业的消费群在哪，竞品的消费者画像，这样有个行业洞察。4.接下来看3-5年的全行业的产品升级变化，发现规律。这叫历史洞察。5.研究大学生群体的喜好，预判未来五年的下一代消费趋势。这叫未来洞察。6.直到这个时候，你就可以略微的洞察到消费者的内心潜在需求了。

从个体洞察到群体洞察，从人群洞察到行业洞察，从历史规律洞察到未来趋势洞察，概括了在用户洞察方面的能力升级路径，也说明了用户洞察不能仅仅只理解用户，也需要对行业的历史、现状、未来趋势有深刻的理解。