編輯導(dǎo)語：用戶體驗，自上世紀(jì)90年代由用戶體驗設(shè)計師唐納德·諾曼提出這個概念以來，被廣泛運用至各個行業(yè)之中，不論是傳承多年的傳統(tǒng)行業(yè)，還是蓬勃發(fā)展的互聯(lián)網(wǎng)行業(yè)。在如今用戶為王的環(huán)境下，用戶體驗在企業(yè)中的地位則顯得尤為重要，它會直接影響到企業(yè)產(chǎn)品在市場中的競爭力，進(jìn)而決定企業(yè)在激烈的競爭中所獲得的效益。

1. 背景

1.1 用戶體驗系統(tǒng)特征

如果一個用戶持續(xù)地使用某個產(chǎn)品，一定是產(chǎn)品滿足了用戶某些核心體驗?zāi)繕?biāo)，形成記憶點（喚醒點），持續(xù)喚醒用戶在特定的場景下使用該產(chǎn)品。比如得物是做名牌鞋子鑒定的，讓用戶感覺這里不會買到假鞋，于是一旦有種草需求，就會來得物。

當(dāng)然實際用戶體驗不會這么純粹、簡單，用戶體驗系統(tǒng)其實是一個內(nèi)部信息模糊，外部信息清晰的灰色系統(tǒng)[1]。

• 內(nèi)部模糊體現(xiàn)在：可能某些點確實迎合了用戶，但其他點引起了用戶的反感，可能這個點迎合了A類用戶，但對B用戶不友好；
• 外部清晰體現(xiàn)在：峰終定律描述了用戶的首次和最后體驗會影響最終評價，諾曼說的反思層其實就是用戶體驗整個產(chǎn)品后的情感。

1.2 大部分情況下我們習(xí)慣研究用戶體驗的外部系統(tǒng)

內(nèi)部模糊性增加了從產(chǎn)品使用角度研究用戶實際體驗情況的難度，而外部清晰性使我們可以直接通過用戶訪談、調(diào)查問卷等手段直接調(diào)查用戶的感受。

雖然這些手段確實是在走近用戶，但受限于精力、實際研究條件以及自身先入為主的偏見，我們所聽到的、看到的未必是真的。

1.3 如何從產(chǎn)品使用角度研究用戶體驗的內(nèi)部系統(tǒng)

為了更全貌、更客觀地理解我們所設(shè)計產(chǎn)品的用戶體驗情況，我們除了通過調(diào)研手段直接了解用戶體驗外部系統(tǒng)的一些概況信息。

還需要去拆解該產(chǎn)品涉及的用戶體驗系統(tǒng)，即構(gòu)成我這個產(chǎn)品的核心體驗有哪些？這些體驗?zāi)繕?biāo)下有哪些量化指標(biāo)？這些指標(biāo)的數(shù)據(jù)表現(xiàn)如何。

2. 方法與案例-以某社交產(chǎn)品為例

如何從產(chǎn)品使用角度研究用戶體驗內(nèi)部系統(tǒng)？如圖所示從產(chǎn)品用戶體驗評價體系的構(gòu)建到Dashboard的創(chuàng)建：

1. 首先能夠基于產(chǎn)品特性拆解出在用戶價值層面，產(chǎn)品想要提供的核心體驗?zāi)繕?biāo)有哪些；
2. 其次圍繞這樣的體驗?zāi)繕?biāo)枚舉相關(guān)的量化指標(biāo)有哪些；
3. 根據(jù)量化指標(biāo)的定義構(gòu)建埋點公式，并確定需要埋的點；
4. 最后構(gòu)建出一個“用戶體驗?zāi)繕?biāo)-量化指標(biāo)”的Dashboard，用來監(jiān)控每次版本迭代的產(chǎn)品用戶體驗變化情況。

2.1 產(chǎn)品用戶體驗?zāi)繕?biāo)拆解

以某社交APP為例：該產(chǎn)品主要針對大學(xué)生群體，提供線上CP體驗，涉及到用戶體驗?zāi)繕?biāo)有：

• 組CP體驗：用戶在組CP過程中的體驗概況；
• CP任務(wù)體驗：用戶在組成CP后，做任務(wù)過程中的體驗概況；
• 社交互動體驗：用戶在和群友、CP社交互動過程中的體驗概況；
• Feed動態(tài)體驗：用戶在信息流的閱讀互動過程中的體驗概況；
• 緣分體驗：用戶遇到一個合適CP過程中的體驗概況。

2.2 量化指標(biāo)拆解

2.2.1 組CP體驗相關(guān)的量化指標(biāo)有：

• 主動匹配CP簽到率：匹配成功或重新匹配成功后，主動簽到行為的比例占多少？
• 主動匹配不適合率：匹配成功或重新匹配成功后，主動匹配不合適的行為比例占多少？
• 主動匹配超時未簽到率：匹配成功或重新匹配成功后，主動匹配超時未簽到的行為比例占多少？
• 被動匹配CP簽到率：匹配成功或重新匹配成功后，被動匹配CP簽到的行為比例占多少？
• 被動匹配不適合率：匹配成功或重新匹配成功后，被動匹配不合適的行為比例占多少？
• 被動匹配超時未簽到率：匹配成功或重新匹配成功后，被動匹配超時未簽到的行為比例占多少？
• CP匹配耗時率：沒有CP的用戶與點擊相互喜歡組成的CP用戶或者通過匹配方式組成的CP用戶的占比有多少？
• 主動匹配成功率：主動匹配或主動匹配冷卻的用戶中，匹配成功的用戶比例占多少？主動匹配冷卻是產(chǎn)品設(shè)計上的一個邏輯：用戶A匹配到用戶B，A簽到后，B會收到這個組CP消息。為了避免B剛收到A消息還沒來得及回應(yīng)，就消失掉的這種落差感。產(chǎn)品上有個自鎖邏輯，A簽到后會進(jìn)入10分鐘冷卻期，這個期間不能進(jìn)行匹配活動。
• 首次匹配重試率：主動匹配行為當(dāng)中，重新匹配的行為比例占多少？
• 重新匹配成功率：重新匹配用戶當(dāng)中，匹配成功的用戶比例占多少？
• 主動喜歡被響應(yīng)率：發(fā)起主動喜歡行為中相互喜歡的行為比例占多少？
• 推薦被響應(yīng)率：推薦卡片發(fā)起喜歡行為中相互喜歡的行為比例占多少？
• 匹配被響應(yīng)率：發(fā)起匹配行為當(dāng)中，最終相互簽到的行為比例占多少？
• 匹配到無CP人群滲透率：主動匹配的用戶與無CP用戶的比例，值越小越好
• 邀請好友組CP響應(yīng)率：發(fā)起CP邀請的用戶中，有多少用戶接受了CP邀請？

2.2.2 CP任務(wù)體驗相關(guān)量化指標(biāo)有：

• 任務(wù)完成率：組成CP用戶中，第一天完成CP任務(wù)的用戶比例占多少？第二天/第三天/第四天/第五天/第六天/第七天；
• 打卡上墻率：完成CP任務(wù)行為中有多少行為發(fā)布到打卡墻？

2.2.3 社交互動體驗相關(guān)量化指標(biāo)有：

• 語音消息滲透率：總用戶中使用語音消息用戶比例占多少？
• 語音消息人均使用次數(shù)：語音消息每天使用幾次？
• 視頻消息滲透率：總用戶中使用視頻消息用戶比例占多少？
• 視頻消息人均使用次數(shù)：視頻消息每天使用幾次？
• 撤回消息滲透率：總用戶中使用撤回消息用戶比例占多少？
• 撤回消息人均使用次數(shù)：撤回消息每天使用幾次？
• gif消息滲透率：總用戶中使用gif消息用戶比例占多少？
• gif消息人均使用次數(shù)：gif消息每天使用幾次？
• 房間加好友成功率：房間加好友行為中有多少好友請求被接受了？
• 搜索加好友成功率：搜索加好友行為中有多少好友請求被接受了？
• 動態(tài)加好友成功率: 動態(tài)加好友行為中有多少好友請求被接受了？
• 打卡墻加好友成功率：打卡墻加好友行為中有多少好友請求被接受了？
• 首次進(jìn)房打招呼率：進(jìn)房用戶中有多少發(fā)起打招呼的用戶？
• 退房率：進(jìn)房用戶中有多少用戶離開了房間？

2.2.4 Feed動態(tài)體驗相關(guān)量化指標(biāo)有：

• 動態(tài)滲透率：總用戶中有多少用戶進(jìn)入動態(tài)？
• 動態(tài)人均進(jìn)入次數(shù)：用戶平均每天進(jìn)入動態(tài)幾次？
• 動態(tài)人均查看詳情次數(shù)：用戶平均每天查看動態(tài)詳情幾次？
• 動態(tài)點贊次數(shù)：用戶平均每天點贊幾條動態(tài)？
• 發(fā)布動態(tài)成功率：點發(fā)動態(tài)用戶中有多少用戶最后點率發(fā)布動態(tài)？
• 打卡墻滲透率：總用戶中有多少用戶進(jìn)入打卡墻？
• 打卡墻人均進(jìn)入次數(shù)：用戶平均每天進(jìn)入打卡墻幾次？
• 打卡墻人均查看詳情次數(shù)：用戶平均每天查看打卡墻詳情幾次？
• 打卡墻點贊率：進(jìn)入打卡墻的用戶，有多少用戶發(fā)起了點贊行為？
• 動態(tài)詳情評論率：進(jìn)入動態(tài)詳情的用戶中有多少用戶發(fā)布了評論？
• 動態(tài)詳情關(guān)注率：進(jìn)入動態(tài)詳情的用戶中有多少用戶發(fā)起了關(guān)注行為？
• 動態(tài)詳情查看發(fā)布比例：查看動態(tài)詳情行為與發(fā)布動態(tài)行為比例，值越大越好；
• 動態(tài)詳情點贊發(fā)布比例：點贊動態(tài)詳情行為與發(fā)布動態(tài)行為比例，值越大越好；
• 動態(tài)詳情評論發(fā)布比例：評論動態(tài)詳情行為與發(fā)布動態(tài)行為比例，值越大越好。

2.2.5 緣分體驗相關(guān)量化指標(biāo)有：

• 組成CP與匹配比例：通過匹配組成CP的行為與匹配行為的比例，值越大越好；
• 簽到與匹配比例：匹配行為中簽到行為比例占多少？
• 推薦喜歡率：總用戶中有多少用戶對卡片發(fā)起了喜歡操作？

2.3 埋點方案設(shè)計

根據(jù)埋點意義確定需要埋哪些點以及指標(biāo)與埋點之間的計算邏輯，最后整理如圖所示：

2.4 構(gòu)建產(chǎn)品用戶體檢Dashboard監(jiān)控

按照產(chǎn)品各個體驗緯度，創(chuàng)建指標(biāo)Dashboard如圖所示：

3. 小結(jié)與展望

盡管用戶體驗內(nèi)部模糊特性增加了我們從產(chǎn)品使用角度研究其內(nèi)部系統(tǒng)的難度，但是我們還是能夠根據(jù)產(chǎn)品特性去拆解相關(guān)的用戶體驗緯度有哪些，以及每個用戶體驗緯度下的量化指標(biāo)有哪些，最后把這些指標(biāo)涉及到的埋點與計算邏輯錄入到前端與數(shù)據(jù)平臺，建立一個可以監(jiān)控該產(chǎn)品用戶體驗狀態(tài)的Dashboard。

相比于直接研究用戶體驗外部系統(tǒng)，這個監(jiān)控面板可以讓我們站在更全局、更客觀的視角去看待每次產(chǎn)品迭代。

作為產(chǎn)品經(jīng)理是應(yīng)該走近用戶，傾聽用戶聲音，但過分依賴這些外部系統(tǒng)，不免會讓人懷疑，這份責(zé)任心是真摯的還是虛偽的。

關(guān)于用戶體驗內(nèi)部系統(tǒng)的研究還不止于此，如何把這些碎片化的內(nèi)部信息通過算法整合成一個清晰的外部決策值，就像用戶經(jīng)歷了一番體驗后會對產(chǎn)品產(chǎn)生一個比較清晰的評價。

如果這個外部決策值與用戶評價是正相關(guān)的，那將非常有意義，我們不再受限于精力、實際研究條件以及自身先入為主的偏見，直接通決策值就可以得到比較客觀的反饋。

參考資料：KUO Y, YANG T, HUANG G W. The use of grey relational analysis in solving multiple attribute decision-making problems [J]. Computers & Industrial Engineering, 2008, 55(1): 80-93.

#專欄作家#

UE小牛犢，微信公共號：交互實驗獅，人人都是產(chǎn)品經(jīng)理專欄作家。關(guān)注產(chǎn)品思考、用戶體驗分析、交互研究，致力于UX方法論的探索和實踐。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash，基于 CC0 協(xié)議