复盘：分答诞生的背后逻辑

小提示：您能找到这篇{复盘：分答诞生的背后逻辑}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的复盘：分答诞生的背后逻辑内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

如果今天我们来复盘这场“马车还是福特”的博弈，不难发现姬十三和他的团队能够胜出，是因为对用户深层需求的不断探索和准确理解。

一个不争的事实是：所有卓越产品的诞生，都离不开对用户需求和人性的深刻理解。这正是为什么“用户研究”在每一个产品的成长历程中都极其重要的原因。遗憾的是，产品经理不见得个个都是顶尖心理学家。怎么才能客观又高效地抓住那些“用户自己都不知道”的深层需求，用户究竟想要什么、需要什么……为了找出这些问题的答案，人们尝试了很多方法。河北微信朋友圈有广告市场问卷、访谈、现场体验……这些办法不是不好，但是样本量受限，用户的反馈还难免主观、片面。

有没有一种方法，能确保被研究的用户不受观察者的干扰、所使用情境更加真实、能看到更完整的用户操作流程、能反复观察比对分析、还能尽可能提供更大的样本量呢？

对于所有互联网产品来说，答案清晰可见：

采集并研究用户行为数据，是最立体、客观、低成本的用研方法。

一. 数据化用户研究的三个步骤

1. 采集素材

就像做调研需要先准备问卷一样，想通过数据研究来挖掘用户特性，你得先准备素材，即：采集数据。这三方面的数据缺一不可：用户属性（不只是人口属性）、行为事件和环境信息。

用户属性绝不等于人口属性，与年龄性别相比，更青岛智能游戏机不良清除机重要的是要记录用户在平台上的状态。比方说，电商里的积分等级、社交app里的点赞关注数、运动健身的app可能关心体重、智能硬件产品关心是否绑定设备……

行为事件数据比较好理解，就是用户做了什么。重要的操作节点是必须被记录的，例如：模块导航的点击、浏览内容时的分类、搜索的效率、表单的填写……

环境数据则包括渠道、设备、网络环境和使用时间等信息。

2. 用户群研究

在收集了完整的用户属性与行为数据之后，第二步就是要找出最需要关注的用户群，以及他们的核心诉求。你不能只看所有用户的属性和行为分布，为了找到真正对产品增长有贡献的用户，你需要不断地细分人群、进行对比。

留存用户与流失用户有哪些不同的特征，模块A与模块B对留存有何贡献等，哪些环节导致了用户大量流失……都是这一阶段需要被提出的问题。

3. 测试验证，找到最优解

经过前一阶段的分析，你和你的团队已经对产品的现状有了更深的认识，也提出了一些改进策略。接下就该验证这些假设。灰度发版、AB Test都是常用的手段。但不管你做了怎样的改进，都别忘记在发版后仔细研究新版本的数据表现。用户在指尖反馈回来的数据结果，将是验证猜测的核心标准。

二. 分答诞生的背后逻辑

以在行/分答为例，分析其实如何通过数据分析，来实现病毒式增长的。

乔布斯有句经典语录“用户根本不知道他们想要什么”，福特汽车的创立者也说过，人们说自己想要一匹跑得更快的马，但其实他们需要的是一辆轿车。这是一个人人都听过的段子，前不久真实地在我们身边上演了：

学员想要个更便宜方便的“在行”，但姬十三和他的团队最终选择了“分答”。而促使他们做出这个决定的关键动因，正是他们对“在行”中各类用户的深刻理解。

在2015年9月，在行接入了精细化数据分析平台，开始采集和分析他们的用户行为数据。

在采集数据时，在行将「学员」与「行家」进行区分；然后按照查看行家、想见行家、发起约见、成功约见等事件定义用户阶段阶段，对「学员」进行参与度分层；接着，叠加了约见次数、约见行家类别、客单价、所在地等数据维度，更细致地拆分这些学员，并最终建立了一系列不同活跃度、不同内容偏好、不同消费能力的用户群组。

接下来，在行团队开始对这十多个用户群组进行特性分析。

最初，大家认为地域和时间是限制在行扩张的核心因素。然而在进行了简单的数据比对之后，在行团队发现：给学员匹配距离更近的行家、让学员和行家用电话交流之类的方式，顶多算是一匹跑得更快的马。而用户内心所期待那辆“福特车”，应该是一种更轻、更高频、价格更灵活、时效性更强的知识分享产品。

基于这个观察，在行开始了一次大胆的Growth Hacking尝试：在“在行”中开发”语音问答”的新模块。由学员发起提问、圈出期望的答题行家并预设答题价格，再由行家通过语音在线竞答。于是，以“有问题吱一声”为闵行区纺织布料行业全网营名的「吱」模块迅速上线，成为“轻在行”模式的第一个测试方案。

模块「吱」是分答成功背后的神秘功臣。说它神秘，是因为许多在行的老用户并不知道「吱」的存在。当时，在行团队为了更好地研究语音问答模式的受众特性，并未将这个模块开放给所有在行的用户。而是按照前期划分好的用户群组，分批次地开始做灰度测试，以此模拟各群组用户在使用语音问答时的心智模型。

经过多轮测试和对比，一个出乎意料的结果显现出来：高频使用语音问答的用户群，与喜欢线下约见行家的用户群几乎是毫无重叠的两拨人。甚至于，从没有成功约见过行家的用户，使用模块「吱」的参与度，比有约见经历的用户高一倍有余。

数据对比的结果给在行团队带来了全新的用户洞察：“语音问答”与“在行约见”的受众有本质不同的知识获取需求，二者对知识的深度和趣味性有完全不同的预期。从产品层面来看，要满足不同用户的不同需求，最好的方案是：将“语音问答”模块做成与「在行」互补的新产品。至此，「分答」始现其型。

三. 小结

如果今天我们来复盘这场“马车还是福特”的博弈，不难发现姬十三和他的团队能够胜出，是因为对用户深层需求的不断探索和准确理解。

避免“拍脑门”式的臆测，让行为数据替用户代言，用数据结果衡量每一个假设……这种客观严谨的用户研究方法，是值得每一个产品团队借鉴的。

总的来说，通过行为数据分析实现客观高效的用户研究，你需要：

1. 基于自身的业务特点，依托账号体系，采集用户属性与行为数据；
2. 选择一款合适的分析工具，既能还原用户的操作流，身临其境作单体洞察；又能快速实现多维度的用户分群对比，以探索用户特性；
3. 反复切分用户群组，对比数据表现，大胆假设、快速验证；
4. 比对产品迭代前后的数据指标，评估前期假设、衡量改版质量。

本文由 @诸葛io于。，。