干货 | 认清“体验数据”真相

视频来源 | 客户观察·2021（第五届）华东峰会

分享嘉宾 | 达达集团体验服务支持部总监 洪晓玲

分享主题 | 认清“体验数据”真相

我相信各位对于“以客户为中心”和“大数据”这两个名词并不陌生，这是很多以客户为中心，数据驱动的公司术语，当然也有很多企业做的已经很好了。

前言

数据首先是收集，统计，然后是数据处理和应用。数据收集主要包括电话、问卷、各种埋点等各种获取用户信息及让用户提供信息的渠道。

1、数据统计的三个维度

在建立我们的体验数据库之前，我们要先明确自己所需要的。一般我们会从三个维度去收集数据1、基础数据；2、购买行为数据；3、需求数据。【基础数据】我就不用多说了，无非是，是谁，在哪儿，生日等等这些基础数据【购买行为数据】大家也一定都明白，无非是一些购买路径，购买时间等等【需求数据】一般是什么，客户的兴趣，购买偏好，关注点等等。

2、数据处理的方式

有了以上这些数据以后，我们一般会做什么呢？

做数据处理去找到有价值的用户。

我们会基于客户的这些实际行为去做判断整理，一般会从，新进度，购买频率，消费价值模式这些维度去做处理和分析，找到我们的价值用户，针对这些用户进行一些营销优化，提升他们的企业忠诚度。

今天我们主要聊聊，如何看清我们的“体验数据”把一些用户的主观感受的内容，尽可能的数据化以及如何和业务建立链接。

用户体验的数据无疑我们很多产品设计和业务推进的重要组成部分，例如智能产品开发，服务设计，包括和业务推动的VOC项目，CPO项目等内容。各个平台的用户体验，基本是用户的主观感受，因此用户体验方面的产品经理等对其的判断也多基于自我认识,很难重复验证。产品设计也就变成了类似赌博式的投资，为了避免这种情况，我相信很多企业都在研究如何将用户体验数据化，客观展现体验的方法。作为产品抉择者，深入的去了解一些方法和思维是至关重要的。

今天我们从几个方面分享一下我们的经验：

1、描述用户体验数据的思维和方式

2、收集整理渠道的三个原则

3、帮助业务理解用户体验

 

01

描述用户体验数据的思维和方式

进行用户体验度量的第一步无疑是“如何描述用户体验”，我们需要将用户体验的衡量转化为具体的问题和语言。这里大家不要误会，我记得在一个培训课上，曾经听过亚马逊的线下店，曾经对苹果。。。。当然不是让大家这样量化的去描述数据。

我们可以以一个咖啡店的用户体验数据来【举例】，我们可以将其分解成几个维度，例如：便捷感受，休息感受，咖啡感受等等。由此衍生的内容可以进行具体化，包括客观的观察和主观的报告。例如，可以同时测量用户在购买一杯咖啡上所花费的时间和用户主观上认为的便捷程度，再比如在休息感受维度，可以客观上的测量用户在咖啡馆里所待的时间，也可以进行主观评测等等。一般的用户体验度量，由于其具有非常强烈的主观性（本身研究的就是用户的感受和想法），因此在测量时常常会采用客观+主观的方式进行收集。

需要注意，在很多时候，我们并不清楚有哪些体验维度可以进行测试（如上述例子中的便捷感受，休息感受，咖啡品质的感受等），如何解决这个难关？

就需要研究人员或者设计师对于这个行业有一个了解。同时也需要理解，这些预设的作用，是为了加强数据之间的关联性从而读懂数据。在数据收集过程中，我们最最核心的是去客观的描述用户感受，甚至可以暂时将其维度，因果关系等已经存在我们脑海中的定式抛弃，来进行纯粹的描述这些用户行为（感知），至于分析与界定的部分，我们留在数据挖掘与处理部分即可。

“预设”的好处在于，用户体验度量将会有一个明确的方向，容易暴露问题，迭代产品，因此常常被用于改进式的设计。例如，App的迭代，服务路径的迭代等。相反的，没有预设的，纯粹描述行为的数据收集，则能够很好的打破思维定式，从数据本身中获得用户期待和用户行为等关键等，给产品开发，改革进行参考。例如，第一辆纯电动汽车，第一款智能手机等。再开展用户体验度量之前也需要明确整个项目目标是什么，从而决策合适的方法。

02

收集整理渠道的三个原则 

渠道其实各个企业的不同，会有很多入口，最常见的，我们的客服工单系统，满意度问卷系统，评价系统等等，三个原则收集整理渠道：

1、避免答案诱导

例如问：“是否喜欢这款产品？”这样子对于一般的无感觉用户，这个问题常常会产生“喜欢”这种答案，而一般采用的方式是“您对这款产品的态度是？A.喜欢 B.一般 C.讨厌”。需要考虑不同情况下，问题本身对于用户的思考方式影响。这是度量客观性的第一保证。

2、完备性

依据问卷性质，可以进行问题的设计，从粗略到详细，从ABC到百分比，从评级到打分。但不变得是，让用户的直觉反应能够在提供的选项中得到安放之处，而尽量避免纠结。以我之见，应当首先满足完全性，再在这个基础上增加直观性。例如在一般是否命题总，常常会采用三级“-1，0，1”表示“否，不知道，是”。当然“直观性”的需求是非常考验能力的。研究人员需要预先设想尽量全面的用户反映来进行措辞，又需要避免诱导。

3、可数据化：

最后一个原则是可以进行数据化，从而进行之后的数据运算。无论是客观指标例如，温度，湿度还是主观评测，例如便捷感受，满意感受等。都需要进行在数据上的转换。虽然想本身就是数据的指标可以直接带入计算，但这并不是越精确越好。承建上面咖啡馆的例子，我们需要调查咖啡馆温度与体验的关系。在获得准确的温度之后，由于人的温度感受是非常模糊的，只有数个感受：“热，较热，舒适，较冷，冷”。依据人体感受区间直接进行转化是可取的。一方面是减低之后数据处理的难度（降维），另一方面这些数据与主观感受更为匹配，因此得到的结果更为准确。另一方面，对于开放性问题，例如。“建议类”问题，就不适合作为用户体验测量的数据收集。当然，不可否认，这些回答中包含着许多宝贵的信息，但这为之后的数据处理带来了很大难度，当前对于这类问题仅有依赖研究者本身的素质，而无法进行重复性验证，也就是不客观的反馈。因此在这里被剥离。幸运的是，现阶段随着自然语言处理等机器学习技术的发展，通过“关键词”“情感化”等方式给可充分的想象力，有兴趣的同学可以研究一下。

在以上三个算是基本原则之后，落到更具体处，还需要考虑人员构成，区域因素等等。这里就不再过多阐述。

03

帮助业务理解体验数据

在这里分享一下我们的两个方案：

1、从客服的工单入手

（一级工单，二级工单，三级工单）往往分类了一百个乃至几百个，我们用这种方式来看客服记录的准不准，是不是每个问题都能找到对应不互斥的工单，实际的运用呢？我们会发现，线上反馈的入口里面，包含的标签往往只有20个不到，结果我们在分析客服工单的时候，问题过于分散，并不能很好的帮助业务快速理解，以及清晰的理解用户体验；所以我们更应该线上线下标签对齐，客服工单标题逻辑聚焦重点问题，重点策略内容来进行梳理。

2、从效率，费力度的角度看清体验

我来举个实际推动体验的案例：在看用户体验的问题中，发现有一类问题：用户反馈她忘记使用“优惠券/红包”；这个问题很常见，我们自己也经常遇到，往往遇到之后大家会怎么操作？一般都会取消订单重新下单。

我们在刚开始启动这个项目的时候经过一些讨论，有很多声音都反馈，这是用户自己的问题，为什么是体验问题；再讨论之前，我们看了由于这个原因取消订单的再次购买率的，具体多少就不分享了，肯定不是百分百，所以我们将有关的反馈数据，复购数据分享出来；另外从用户下单的效率，费力程度来思考，发现实际的问题是用户下单是要手动关联券，但优惠券发给用户，就是希望给她使用的，为什么不是自动关联，通过算法自动下单支付环节带入最合适的优惠券，不需要用户选择；

en

点个“在看”，分享行业好文