你到底是数据驱动，还是真的关心用户体验？

在无法收集和分析数据的情况下，如果你想为用户提供良好的体验，你可能需要依靠你的经验、直觉和运气。然而，当我们学会收集数据和分析背后的含义时，我们就不再在黑暗中探索了。你只需要考虑哪些数据可以反映你关心的事情，调用它们，拉一个表，然后自己分析。但还是有人会问：我们是不是只是为了数据而这样做？如何平衡提升数据，做有价值的事情？是数据驱动，还是真的关心用户体验？关于这个问题，我的观点是：首先，不要自然地反对数据和体验。假如你这样做了，那从一开始就是错误的。就像每个人都在讨论“碳水化合物与健康饮食”之间的关系一样，如果你想从热量的话题开始，不要走得太远。衡量标准确实在一定程度上是有用的，但更常见的是，衡量指标和用户体验并不是完全对立的，也不能兼得。当然，有时候，有些坏事确实是以“改进指标”的名义开始的。而且，如果你碰巧选择了一些测量指标并开始改进，你可能会做一些伤害人们经验的事情。举几个例子:这句话背后有什么问题？点击率的上升并不能完全证明用户体验真的变得更好。如果你给用户过高的期望，但实际上不能满足他们的期望，他们可能永远不会相信你。这句话背后有什么问题？需要考虑的是，花在这个应用上的时间真的是你需要跟踪的重要指标吗？不一定。如果你是一个内容消费平台，可能是因为你想让每个人都看到更多的内容，他们花的时间越多，就越有可能找到你提供的有价值的东西。但如果你的应用程序是一个小工具，比如计算器，或者用来预测天气，那么用户的持续时间对你来说毫无意义。此外，还有许多重要的事情不能轻易或准确地衡量。我们不能直接观察到所有用户的想法，否则我们当然可以为他们设计完美的体验。因此，我们只能做出猜测、测量和尝试。这些行为有一定的局限性。仅仅依靠数据，你无法理解：人们有多喜欢你的产品？有多讨厌？人们对产品的信任是否随着时间的推移而增加？这个产品真的被认为简单易用吗？人们如何看待你的产品和市场上的其他同类产品？人们最想改变的功能是什么？其中一些可以通过研究找到答案，但即使你能准确地掌握受访者的情绪，也很难知道在做出具体的改变后可能会产生什么效果。如果上述内容不能准确衡量，就意味着单纯追求指标是非常不合适的。我们可以再举一些例子:品牌往往很有活力。例如，当苹果或耐克推出新产品时，许多人愿意购买。即使他们不研究新产品，他们也通过过去的使用建立了对这些品牌的信任。这时，如果一些没人听说过的新品牌做出同样的产品进入市场，情况就不一样了。这样的产品很可能没人问津。但有一点，品牌的力量是很难量化的，你怎么能把它们变成每天都能跟踪的数字呢？更重要的是，你如何衡量这些公司做出的成千上万的决定是如何影响品牌的，以及这些计划的成本和收入。另一个例子是趋势的力量。没有一个指标能提前告诉你未来会朝哪个方向发展。想象一下，当智能手机在2008年首次出现时，如果你看看你网站的指标，你可能会看到智能手机的流量只占很小的一部分。你可能会得出结论，没有必要在移动设备上赌太多，因为大多数人不需要。但如今，你会意识到那些在移动设备上投入巨资并获得丰厚回报的人是多么有远见。这意味着，仅仅统计和分析当前的行为并不能帮助你获得一个好的、战略性的长期计划。当然，关于数据，我们也可以分享一些具体的经验：1。评估PMF（产品和市场），请注意保留率不要使用您的产品或功能，事实上，保留率与您的产品是否真的有价值是最相关的，因为它可以告诉你，使用它的人是否足够喜欢它，愿意返回并再次使用它。2.要优化增长，我们必须了解渠道和目标用户需要经历哪些障碍。首先，他们必须知道你的产品的存在；其次，他们必须有足够的兴趣去尝试；第三，他们必须转换为您的用户（如下载应用程序、填写表格和确认电子邮件）；第四，他们必须在你的产品中做足够的事情，只有这样，他们才能知道这个产品是否真的对他们的生活有价值；第五，他们必须记得回来（保留）。在这五个步骤中，你可能会随时失去一些用户。在这五个步骤中，你可能会随时失去一些用户。如果你能跟踪和衡量损失率，你可以判断你的工作重点，以减少转换漏斗的损失。3.找出哪些指标真的很重要，专注于收集和跟踪所有相关数据当然很好，但你需要意识到大多数事情都不是很重要，你不应该把时间浪费在那些不重要的事情上。4.不要只是获取数据。对于产品来说，最终目标非常重要。你需要确保你和你的团队能够理解为什么要做这些事情。在此基础上，你可能会得到一些有针对性的数据，但不要只是被动地接受数据，问为什么。想想这些数据的意义，数据的背后反映了为什么用户会做出这样的行为。在某些情况下，数据的改进看起来很好，但它真的没有因为其他因素而改变吗？如果是这样的话，选择另一个测量指标(或一组测量指标)能更好地跟踪实际情况吗？5.从怀疑的角度分析数据。如果数据显示进展良好，你需要问自己：“我能做点什么吗？让我相信这些结果看起来不太好？“通过这种反向思维来发现漏洞，你可以更好地解释数据，这样你就可以快速定位错误，然后调整你的策略。不要陷入主观偏见的陷阱，只要找到能证明你直觉正确性的数据。6.使用定性研究来分析原因。定量数据通常可以告诉你人们做了什么，有多少人做了。您最好尝试与定性研究相结合，了解用户的感受，进行可行性测试，找出定量数据无法反映的用户行为。