互联网的红利烧红了一个新的职业:产品经理。一夜间,人人都是产品经理。很多成名大佬喜欢说:“其实,我是一名产品经理”,不论之前是写博客的还是说相声的。

边装低姿态,边暗示自己产品领域倍专业,居功至伟。名头可以随便起,但是作为一个产品经理的核心功力:用户需求分析,就没有那么容易忽悠了。让我们从一个故事说起:

从前有一个国王,国王有个极其娇惯、任性、无比作的公主,这个国王又无比的宠爱这个公主:不管这个公主有什么愿望,国王一定满足。

终于有一天,公主说:“父王,我要月亮!”,于是国王叫来一个臣仆,说把月亮给我女儿给摘来,不然我就杀了你,臣仆欲哭无泪,最终被国王杀害,接着叫来另一个臣仆,也无奈之愤愤而终。

在公主的哭闹下,臣仆一个个死去,终于轮到了一个聪明的,他接到任务后,来到公主前谦卑的问:“亲爱的公主啊,请告诉愚昧的臣仆,月亮是什么啊?”公主不耐烦的说:“月亮是什么你都不知道!月亮就是用金子做的,如手指盖般大小,弯弯的,晚上就会挂在我窗前的树枝上啊,白天不知道被谁偷走了。”此臣仆暗喜,照此炮制,逃过一劫。

这个故事从我们TOMsInsight团队的老板口中听到,讲完此故事后,老板叹了口气,说:“需求啊,需求,也许上帝都不知道人类的需求是什么。”当然老板就是老板,多少都会有一些深沉(zhuangB)属性,但是此故事却让我们分析师团队很受启发。

互联网发展至今,当用户至上一次次的被提起;当以产品、用户为中心,打造极致成为口号;当大学落榜生都由于自己装过几百个app而就自以为是合格的产品经理;当大量互联网从业人员都由于自以为发现了用户需求上的空白几乎而觉得要不是自己有房贷那创业了肯定是一个互联网巨头;再加上不懂技术只能围绕产品概念说事的互联网科技媒体助拳,一时间好像只有产品经理在改变世界。

当这些浮躁的情绪在整个行业里绵延的时候,我们又能不能沉下心来,真正的去深入用户需求分析呢。今天TOMsInsight的主题是:那些用户需求分析背后隐藏的门槛。

  用户需求分析技能门派之分

用户需求分析的方法技能大概可以分成两个门派,或者说两个不同的风格:

一种是注重意识形态分析,喜欢的是:用户心理、人性利用、用户体验、交互体验、群体效应、用户调研、深度用户理解、用户行为模拟、再加上一些炒作的概念、等等。出于后文描述方便,我们可以把这一类叫做:软派。

另一种是注重数据建模和分析,喜欢的是:数据、用数据说话、数据建模、结构化数据构建、用户数据细分、用数据profiling用户、大数据分析、数据模拟运营、小流量测试、等等。同样出于后文描述方便,我们可以把这一类叫做:硬派。

为什么用户需求分析会变成这两种门派呢:

由于国情,在互联网发展起来之前的软件产业(也包括目前的软件产业)的用户以企业级客户,专业用户为主(直接面向消费级终端用户较少),而成本主要是技术投入,所以在考虑用户需求时,主要是如何尽可能用低成本去满足。

而这时期的产品经理,更是以系统结构师、系统分析师转化或者兼职,都是技术出身。不管目前大家对张小龙、雷军、周鸿祎的互联网产品理念多么推崇,但是当年他们入行都是以程序员的身份,并有长时间技术生涯。

互联网行业不同与软件,由于产品直接面向消费级终端用户(网民),门槛降低。又因为行业发展的红利,其入门起薪要高出别行业一大截。再加上乔布斯的成功,其重设计、体验的产品理念和做到极致的追求,与其非技术出身的背景。这些原因都让非技术背景的人才在07、08年以后大量的涌入互联网产品经理的行列。

对互联网企业来说,由于技术逐步平台化和服务化,成本降低。互联网产品需要创新,快速迭代,在“试错”中摸索。所以乐于吸纳各类背景的人才,甚至年轻化人才,希望其五花八门的创意中碰巧出现一个世界级的应用。

而这些各类背景,年轻化的人才,也开始充分利用自己的优势,形成软派。而技术出身、或者从技术研发转型的产品设计人员,更加保守且注重逻辑思维逻辑化,在用户需求分析时喜欢运用特长、发挥优势,用数据说话,以他们为主慢慢形成了硬派。

事实上,没有谁的用户需求分析思路会是纯软或者纯硬,有的是3分软7分硬,有的2分硬8分软,巧妙融合,如果这样深入下去,踏实探索,并无大碍。但是由于行业风气浮躁,大家更多的是浮在水面,导致不管软还是硬,都是卡在不同层级的门槛之前,不得深入。

  软派技能的门槛

我们先来研究下软派技能的门槛,按照水平递进我们分成以下三类:

1.一级门槛:把自己当用户。

喜欢把自己当用户或者把自己臆想成一部分用户群体,把自己的需求或者臆想出来的需求无限放大,盲目乐观。

具体的说是:当我们遇到了一些需求没法得到满足,就会觉得有大量的用户肯定也有类似的需求;或者因为和一个朋友聊天忽然发现了需求,就认定朋友这类人群有类似的大量的需求存在;再或者自己直接臆想出来一个装逼需求,除了装逼以外没有任何用处。

刚刚到这个行业的产品设计人员或多或少的都会被这个门槛挡住。有时候明白用户是一个分析对象而并不是自己,不像说起来那么容易:真正的去了解用户,搜集相关的信息,把自己变成空白,再变成用户,客观的思考;再变成空白,切换成自己,理性的分析。

2.二级门槛:有色眼镜局限。

跨过第一级,已经掌握如果利用问卷调查、目标用户访谈、或者相关的深度调研来分析用户需求。但是这时候,我们一般会被自己的有色眼镜(自己的意识形态、生活的水准、成长的背景、阶级定位等等)所局限,无法真正了解用户需求的本质。

说的直接点,就是由于我们和我们的用户群体根本不是一类人,就没法深入的去把握用户的需求,总是被自己的观点所误导。

一般水平的专业分析人员或多或少的都会被这个门槛挡住。比如一个从15岁身边就是一堆倒贴mm的高富帅,真的能了解那些急需解放右手的渴望么?比如一路贫困刚刚毕业才吃了第一顿必胜客几乎都睡在公司的产品新人,想做一款高尔夫社交应用,不管多深入的约谈潜在目标用户,能真正了解他们对社交的真正心理么?再比如一个从来不看篮球不打篮球的文艺青年,能明白天天刷NBA论坛的高中生NBA对他们意味着怎么样的精神寄托?

3.三级门槛:非体系谈心理。

接下来是第三级的门槛:真正(注意是真正,只会说的不算是跨越^_^)跨越第二级,已经懂得用户心理的微妙把握和对于人性的利用了。但是这时候,我们一般做不到建立起完整的对心理学、社会行为学的知识体系结构,所以构成不了一个对用户心理、行为的体系化的认知。

所谓的单方气死名医,但是却无法代替名医。名医明白如何去平衡身体的各种机能而不是头疼医头脚疼医脚。

同理,当我们没有体系化的对用户心理、行为进行认知,只能利用这个群体的部分心理诉求的时候,对这个用户群体的需求的了解,并不能算平衡,依据此需求设计的产品,一般会呈现火一时但是不长久的状态。

越过这三级门槛,就掌握了一流的软派用户分析技能。其实只要沉下心去钻压,踏实的学习,一点都不难。就怕跟着互联网行业的浮躁这风:最近经常看到一些科技媒体上95后少年在谈自己创业的产品如果利用人性。说句不好听的话,等真正成了人,熟悉了性,再谈人性吧。

硬派技能的门槛

接下来我们再看,硬派用户需求分析技能的三个门槛,也是按照水平级别递进:

1.一级门槛:数据都是事实。

不知道什么时候开始,“用数据说话”就已经成为互联网公司的核心方法论,也成为了硬派用户的核心理念。但是数据是一把双刃剑,不怕不懂数据,就怕自以为很懂数据却又不深入,从而得到错误的数据结果。

我们用实际的情况举一个例子吧。TOMsInsight的数据分析团队在国庆长假期间监控了2789个微信号的朋友圈中435092好友在朋友圈中分享数据的变化情况如下:

没有跨越第一级门槛的硬派技能分析人员就开始下结论了:假期期间大家更喜欢分享信息。但是我们再看一下,如果仅仅监控其中的北上广深四个一线城市的169809个用户,结果如下:

我们例子中的数据由于方法局限也不能代表什么结论,但是换一个角度,就出现了完全不同的结果。数据有很多维度的视角,仅仅从少数的视角维度就得出结论,利大于弊。

2.二级门槛:有数据无观点。

跨越了第一阶段的硬派的分析技能,就可以全方位的用数据描述用户需求了:年龄、地域分布、用什么手机、手机系统、访问什么网站、上网时长、时间段分布……等等等。

数据做的非常专业,各种算法分析、各种数据建模,排除干扰噪点等等。能做到这种水准的一般都技术背景深厚,又沉迷于此,却遇到新的门槛:把数据做的大而全,但是却毫无任何客观的观点,在数据抓取分析过程中没有主心骨或者太有倾向性。

说个可能对大家有启发的故事:二战时期美国军工公司曾对伤回战机进行全方位的数据分析,得出一些需要修改设计的结论,而进一步优化,此项目被军方叫停,因为显而易见的错误:那些真正的重伤飞机都完全毁掉消失,这些伤回飞机的分析再透彻,又能多客观呢?另外一个例子几乎是所有学过数据挖掘在校都听过的案例,啤酒与尿布:美国超市数据分析发现买啤酒的人总是买尿布。

好吧,如果这是一个发现,又有什么用呢?为什么我们从来就没见过啤酒和尿布在一起卖的超市呢?当然,美国也没有。

 3.三级门槛:数据描述一切。

跨过前面两个阶段,就已经能成为优秀的硬派需求分析师,可以在互联网巨头混个不错的职位独当一面了。但是这时候反而会遇到新的误区,喜欢用数据描述一切。

比如最近火热的大数据在一定程度上就推波助澜此道。过于详细的数据其实也就失去了意义,失去了用户需求的真正核心价值。分析是过程,而不是结果;数据是方法,而不是目的。

有些需求是永远无法用数据去描述清楚,也无法用数据去论证。我们需要在数据中找到一个平衡点,用来支撑我们继续探索的道路,但是不是用数据描述出来这个道路。劳民伤财,也没有任何意义。

软派和硬派,各有其优势和局限。两者有效的结合在一起,形成合力,更能准确的把握用户需求。两方面技能都跨过这三个门槛,就能成为用户需求分析领域的高手了(或配合成高手团队)。

  给我们的启示

这篇分析报告以后,TOMsInsight团队内部起了争论,却是一个无聊的论点:在中国互联网环境下,软派硬派谁应该主导。这个争论过于复杂以至于最终也没有什么结果,但是有一个公认的结论也希望能给大家一些启示:

有时候我们试图去抓住一部分人群的需求,我们努力的去分析:用户心理画像、大数据建模,抽丝剥茧去寻找真相,但是真相却离我们越来越远。

反而是我们自己聪明反被聪明误:一部三国,耗费了罗贯中一生,流传至今,记录了多少经典的战略战术?一副象棋,楚河汉界细算得失,街头巷尾,成就了多少民间豪杰,让大家都过上一把将军瘾,而且其乐无穷。

这其实也是用户需求的两个极端:一种是精神世界的满足,正如莫言所说“文学的最大的用处,也许就是它没有用处”;另一种是平衡之美,用创新的工具来重新构建我们的社会关系和人与万物的和谐。

而信息技术的精髓,对世界万物包括需求的抽象。当我们处于互联网前沿创新的时候,也许我们需要始终记得,我们是在抽象这个世界,而不是去描述这个世界。

文章来源:TOMsInsight

早读课编辑、校对:Violaz   Wint

怎样深入做用户分析?相关推荐

  1. 用户分析体系,该如何搭建

    用户分析是很多人挂在嘴边的东西.然而一做起来,经常被做得七零八落.很多新手一听"用户分析",就跟条件反射一样开始:"性别.年龄.地域.活跃.留存.流失.转化.RFM--& ...

  2. 用户研究:如何做用户画像分析

    用户画像就是根据用户特征.业务场景和用户行为等信息,构建一个标签化的用户模型.简而言之,用户画像就是将典型用户信息标签化. 在金融领域,构建用户画像变得很重要.比如金融公司会借助用户画像,采取垂直或精 ...

  3. 小红书用户画像分析_用户行为研究:如何做用户画像分析

    在写征文之前,我想更正一个概念,就是用户行为研究和用户体验研究不是一回事,虽然没有天差地别那么浮夸,但是真的相差很多关键概念,可以说完全不是一回事,所以请勿混淆. 基本概念:用户画像就是根据用户特征. ...

  4. 为什么要做用户行为分析?

    一.什么是用户行为? 用户行为由最简单的五个元素构成:时间.地点.人物.交互.交互的内容. (一)什么是用户行为? 对用户行为进行分析,要将其定义为各种事件.比如用户搜索是一个事件,在什么时间.什么平 ...

  5. 如何做用户画像分析?

    我们经常在淘宝网购物,作为淘宝方,他们想知道用户是什么样的,年龄.性别.城市.收入.购物品牌偏好.购物类型.平时的活跃程度等,这样的一个用户描述就是用户画像分析. 在实际工作中,用户画像分析是一个重要 ...

  6. 用什么来做用户行为分析?七个实用工具推荐给你

    当企业进入数据化管理阶段之后,就不得不对用户进行行为数据分析,当然其他的包括用户画像.趋势分析等等,都是现在企业经常要进行的营销分析,因此选一个好的数据分析工具是很重要的. 而现在的数据分析工具越来越 ...

  7. 数据分析案例-对某宝用户评论做情感分析

    目录 原始数据 绘制词云图 情感分析 原始数据 原始数据为某宝一商品的用户评论数据 绘制词云图 # coding=utf-8import jieba import re import wordclou ...

  8. 5招教你如何做用户行为分析

    什么是用户行为? 用户行为由最简单的五个元素构成,我们可以简单地记为3W2H:时间(When).地点(Where).人物(Who).交互(Interaction).交互的内容. "事件&qu ...

  9. 为什么要做用户行为分析,怎么做好用户行为分析?

    作者简介:谢荣生,数极客 创始人 & CEO,前国美金融产品总监.淘宝网高级产品经理. 笔者在中国互联网行业从业16年,经历了多个互联网发展阶段,也先后负责过产品.运营.营销等工作,发现最近几 ...

最新文章

  1. numpy数组ndarray如何对每个元素取绝对值,然后生成原数组的绝对值数组
  2. 前端进阶之路:初涉Less
  3. 动态添加ContextMenuStrip项(ToolStripItem)
  4. Bash脚本教程之目录堆栈
  5. 做大公司的螺丝钉 vs 当小公司的多面手
  6. 约瑟夫问题(顺序表)
  7. python读取数据库后生成网页_python查询数据库并将结果按照格式生成HTML页面展示...
  8. Tensorflow rnn-word2vec-电影评论
  9. 现在连U盘都不兼容性了?
  10. Mycat的使用 - 03.全局序列号
  11. 分享27个高质量前端大佬的油管频道(上)
  12. 24个基本指标精粹讲解(16)--DMA
  13. RocketMQ入门(5.单向(Oneway)发送)
  14. 滴滴-2019+快手2020(A)-校园招聘算法工程师笔试题
  15. 利用python进行显著性分析
  16. aws认证,aws有哪些认证,有什么用
  17. arcgis把jpg转成栅格图像,[转载]在ArcGIS中配准(TIF、JPEG)栅格图像并矢量化(转)...
  18. 【转载】FPGA功耗的那些事儿
  19. html星空炫彩粒子,炫彩粒子模拟
  20. 帕萨特加载模式启用怎么解除_关闭帕萨特自动启停功能的方法

热门文章

  1. 配置共享文件夹--不同文件夹设置不同访问权限
  2. spring与mybatis整合,数据库连接异常
  3. 计算机毕业设计Java汽车租赁系统(源码+系统+mysql数据库+Lw文档)
  4. Filter过滤器(1)初步认识
  5. COMSOLE/FreeCAD接触对使用
  6. 我是怎么避免“信息茧房”的?
  7. 移动云SD-WAN高可用方案探讨
  8. 计算机专业大二找不到方向,如何学好日语?计算机系大二学生,学校没有这门选修课。 自学找不到...
  9. MRI相关的基本概念
  10. n个重复数字求和问题 python