第4章 理解用户

理解用户就是从被动地收集数据需求到主动地承担数据需求的转变。在被动接收数据需求的时候总是会面临业务人员不懂数据的问题，沟通之间存在误差，数据人员不知道业务人员需要的东西真正是什么，所以在数据提供上就存在误差。同时，由于目的的不清楚导致认知偏差使数据人员不信任业务人员，业务人员无法完全依靠数据来作支撑。为此，在处理数据需求时，第一件事就是要问：业务用户的目的是什么?

以结果和目的为导向之后，处理数据需求对于数据分析师就有了更多的要求，是否足够了解业务是数据分析师能否完成任务的关键。它要求数据分析师对业务员想要达到的目标进行数据拆分，把目标变成数据可支撑的内容。在这个过程中，数据分析师把原本是需求方提的“数据需求”变成了自己给自己提“数据需求”，然后满足这样一个数据需求。这样做充分地利用了数据分析师更理解数据的优势，把业务员不懂数据的漏洞补全。

4.1 由粗到细，从宏观到微观

必须先从宏观上了解用户业务的全貌，再逐步深入细节。因为对于用户的业务而言，我们是外行，如果从业务细节着手，很容易迷失方向，失去对业务核心的把握。同时要认识到，对于一个外行而言，我们对细节的深入也必定是有限的，不要指望自己能够彻底地了解每一个细枝末节。一是不可能有无限的时间来了解，二是没有这个必要。因为未来的系统也不可能完全包办所有业务的细节，还有很多事情是要靠用户企业中这些具有专业技能的人来做的。

4.2 由少到多，收集不同层次的需求

对于企业高层决策者，他会给你描述一个系统的大的功能蓝图，如使企业具有整体报价能力，能更好地服务于高端用户，能支持企业的重大业务决策等;对于企业各级管理者，他会给你讲述他这一层的管理需求，如何更好地进行部门员工的业绩考核；生成月度报表，更好地进行业务结算等;对于各级业务操作人员，他可能给你谈及更多业务细节和操作细节……

在由上到下的逐级访谈中，对未来系统的描述是从一个大黑箱变成多个小黑箱，再变成透明、明确、详细的系统的定义过程。

用户业务调研和需求分析注定是一个不断细化的过程，不要指望一次访谈/调研就能穷尽，也不要指望一次开发过程就能得到完全满足用户期待的那套系统。因为事实上很多需求是隐性的，连用户都不清楚自己的需求。只有经过多次循环细化才可能把更多隐性的需求不断挖掘、暴露出来。

4.3 数据分析师对理解用户需求的思考

当今互联网环境下，很多数据分析师喜欢把做事情的着眼点扎根于“产品”本身，他们的目标是提供一个“可用、易用、好用”的产品；实际上产品不是数据分析的最终目的，而能为终端用户服务，或者说为用户创造价值才是最终目的，产品是为实现最终目的而诞生的载体或中间物。

作为承载服务的介质，产品的形态与特性又受制于企业的目标用户、技术水平和商业模式等。那么，如何才能让数据分析师更迅速地到达产品的终极目标就尤为重要。

4.3.1 如何用需求分析明确产品目标?

需求分析是个普适的方法论，任何岗位、任何项目在开始阶段都要经历需求分析，换句话说，没做需求分析就急于展开工作是盲目且低效的，结果也是失败居多。产品的需求分析，不单指用户的需求，也包含企业、平台、服务提供者等所有利益相关者的需求，过度向一方倾斜可能会导致其他利益相关者的需求得不到有效满足，进而影响产品的正常运转。

下面用一个实例来进行整个概念的分解。

案例：如何让用户更多地使用拼车功能?

以概念清晰，目标明确为基本点。

拼车：指的是多个相互间有或无联系的乘客使用同一辆车到达相同或者不同的目的地。

目的：让用户更多的使用拼车服务。

先从企业和司机角度出发，为什么要让用户更多地使用拼车功能。

企业：对用户而言提高了其可用到车的效率；拼车可以有效减少司机的资源空置率，提高车辆的使用率，减少车辆管理，对自由车辆和车牌的需求数量减少，减少对环境的污染以及缓解交通压力。

司机：减少空驶率，可以多接单从而提高收入。

从商业的角度来看，企业增加拼车功能是具有必要性的，尤其是在网约车本身受到限制而造成车辆减少的情况下。

现在再回到用户本身，先来做基础的用户画像（也就是什么样的人群会去打车）。

1）经济上相对比较宽裕的。

2）想要迅速到达目的地（减少出行时间）。

3）想要一个舒适的交通工具。

4）没有其他交通工具可选。

5）想要一个比较不错的服务。

6）想要认识新朋友（当前社会极少数的用户存在这种状态）。

7）自己不太容易找到目的地。

8）有智能手机且有对应的打车软件的。

从中可以看出，这类用户群体其实是比较清晰的。再回到拼车这件事情上，在什么情况下会选择拼车?

1）在节省时间的基础上节省经济支出。

2）相对时间比较宽裕。

3）无车可选。

4）环保主义者，为了节省资源。

在拼车这件事情上，用户的动机并不是太强烈。从上述内容出发，又如何才能让用户更想要选择拼车服务呢?

排除一些错误或者极少数用户才产生结果的归因。

用户想要认识新朋友：根据心理学的不对面原则（在陌生环境中尽量与陌生人不对面直接接触），用户会觉得比较尴尬，所以除了极少数自来熟的人可能会跟同车的人进行搭讪聊天之外，大多数是不愿意出现这样的局面的；甚至用户可能还会害怕，因为其心理安全距离在这种环境下已经不存在了。

利益驱动：只能说在特定的条件下相对便宜，但是前提是在时间上有保障；在打车的状态下，用户的首要目的是迅速到达目的地。

那么，到底哪些东西可以吸引到用户呢? 以下为作者个人思考（任何方案没有对错，只在于我们解决问题的方式不同而已）：

明确拼到车及接到用户的时间，让用户一眼知道如果拼车的话预计多久时间能从出发地出发；

让用户有信任感和安全感，明确知道同车的伙伴都是好人，比如实名认证；

减少用户与陌生人之间的生疏感，比如可以拼车之后在小群里聊天，先彼此熟悉一下，后续可以真的成为朋友，进行兴趣标签匹配等；

在节省时间的情况下节省支出，让用户可以明确感知拼车与不拼车的差异不是太大；

对于同目的地的，可以根据数据匹配并且告知用户，对方在目的地的往返次数比较高，是一个对该地点非常熟悉的乘客；

车辆使用推荐，根据用户平时使用车辆习惯以及出行目的地进行用车方式推荐。

这里面我们根据需求分析，了解了我们的用户是谁?用户有什么样的特征，再根据特征产出对应的解决方案（上述解决方案并不完整，仅以此实例描述需求分析的过程与其可能产出的结果）。

理解用户的重要性，主要体现在可以明确了解做事情的目的及带来的效益（可能是用户群体增加，也可能是企业盈利增加）。

理解用户的几个主要节点：

1）为谁做?我的用户群体是谁?

2）为什么做?解决了用户什么问题?为用户提供了何种服务?

3）这个服务本身可以带来什么样的预期结果?

4）这个服务的上线和运营成本是多少?投入产出比是否合理?是否存在替代方案?

5）这个服务可以为后续哪些服务提供依据（前期也可以不考虑这个问题）?

6）如果是运营需求，那么是否提高了运营的效率并且给用户带来价值?

如何使用需求分析做竞品分析，很多数据分析师会直接打开竞品看看类似的功能竞品是如何实现的，有哪些亮点可以借鉴；而根本没有思考给用户提供的这项服务的本身目的及业务逻辑是什么。在理解用户阶段的关键节点如下：

1）要解决什么问题。我的产品为什么要优化，遇到了什么问题?是核心功能的使用率低，还是关键任务的完成率低，或者是基础功能不足以支持整体商业目标?明确要解决的问题后，才能有的放矢地研究竞品，选择重点关注的方面。

2）要输入什么数据。这里的数据是广义的数据，不特指数字，一切能提供相关信息的内容都可以算作数据。在这里，产品经理就要明确，哪些竞品是可用来作为比较的对象，竞品的商业层、功能层、表现层是否都要成为研究对象，竞品的历史版本和改版记录是否应该关注等。

3）要得到什么结果和输出内容。产出取决于问题，能解决第1点中提出的待解决问题的竞品分析才算完成了预期目标。

还可以反推和理解别人的产品为什么这么做?又为什么不这么做?

除了理解用户需求之外，数据分析师还需要掌握其他的技能（比如项目管理、交互设计、用户研究等），而这些技能都已经有很成熟的体系支撑，这里不再赘述。接下来讲述数据分析师理解用户需求应该具备的基本素养是什么?

4.3.2 数据分析师理解用户需求应该具备的基本素养

（1）自我驱动力及主观能动性

一个没有主观能动性和自驱力的数据分析师，是很难将一个产品做到极致的，因为它没有追求，没有对用户及业务深入的认知，数据分析师无论在需求分析、项目推进、落地、运营等方面都起着重要的作用，如果一个数据分析师不具备这项基本素养，则他对整个产品的规划、迭代都不会有明确的认知，同时也无法保证项目在确定的时间达到可运营状态；当产品的基础底层搭建完成之后，需要数据分析师与运营团队、业务团队一起确定后续产品的整体目标及迭代方向，而数据分析师不具备主观能动性时，就会造成无法有效为用户提供有价值的服务，也无法为企业创造价值。

（2）发现并解决问题的能力

每个人都可能发现问题，但不是每个人都可以解决问题或者提出对应的解决方案，一个普适性的方法论“产品是解决问题的”,这个“解决问题”不局限于产品本身的问题，也可能是在推进项目的时候遇到的问题、产品在运营的时候遇到的问题，或者其他各种各样的问题；只有解决了其中的各项问题，才可能让产品做得更好，数据分析师自身成长得更快。举个例子：产品临近上线，但是销售预测还没有做，则会使产品的上线时间延迟，可能会造成错过时机而导致产品失败。

（3）沟通和理解能力

美国著名企业家卡内基先生曾指出，一个人事业的成功因素，只有15%是由他的专业技术决定的，另外的85%则要靠人际关系（而人际关系主要来源于沟通）。“如果你没办法理解用户说什么，那你也很难表述自己的观点”，沟通是一个双向的过程，不仅需要你理解用户，还需要用户理解你。最终的目的是达到互相认知一致；在沟通中信息要对等，没理解的地方都需要去问，不要害怕和恐惧；沟通需要长期去锻炼自己并且增加自己的知识储备，使自己的认知提高。

（4）学习能力

对业务的迅速消化、对概念理解的快慢都可以从学习能力中充分体现，而这些又是为用户提供服务的前提；“清晰了解业务，并将对应的业务进行线上化并优化其流程是一款产品的第一步”，而对于分析师而言，最快的学习方法是“多问为什么”，不仅问你的上级及对接业务部门，同时需要去问自己。

（5）有追求，并且有坚持

数据分析师需要对你做的数据分析产生兴趣，将你所理解的用户需求搞清楚，明确其目标，那样你才能做得更好，坚持得更久；“概念清晰、目标明确”。

4.3.3 如何根据用户行为去驱动产品?

以用户注册页面行为为例：

假如：用户在注册页面的浏览UV是1000，在注册页面的平均停留时长是2min，最终转化为10%（注册成功／页面UV）。

那么根据这个数据可以判断出基本的结果：

注册页面存在着流程问题，用户无法有效完成注册，但是还没有办法有效分析到底哪个流程有问题，所以可以进一步埋点，看看用户在注册页面都做了哪些操作，点击了什么?浏览了其他什么内容?跳出的路径是什么?

注册页面的流量较大，是否可以将一些运营活动放在注册页面中来。让用户一眼能看到注册之后可以参与×××活动。

这里，简单地表述一下数据的问题，主要说明用户行为到底该怎么去做?

明确各项指标定义，比如注册页面PV、UV的定义是什么?产品的日活、月活的指标定义是什么?

明确转化之间的计算方式，知道最终的结果是怎么来的?对谁有指导意义?

这个对应的数据对你的产品或者运营或者其他业务有什么指导性的意义，不要去做无意义的指标定义。比如要看页面的转化，那么就对页面转化的指标进行定义和埋点，如页面的PV、UV，按钮的点击次数，页面停留时间，下一个页面的PV、UV等。

上面用实例来讲述了在产品中指标的重要性；所以，当在产品中进行埋点，并且收集了基础数据后，就可以对用户行为进行分析，去发现产品存在的问题，并且最好能深入探究到原因。数据分析有一些常常容易掉进去的陷阱。

陷阱一：

不要把假设和结论混为一谈。分析数据后所整理出来的资料，只不过是假设。为了证明这一假设是正确的，必须再着手搜集证据，并分析证据。

数据分析中最容易犯的错误之一，就是导出网站后台数据，发现数据表现不好的指标，然后简单推测出几条原因敷衍了事；实际上这样的推断很容易遭到质疑，要让自己的结论站得住脚，需要搜集证据来验证假设，证据可能来自用户反馈，也可能来自细分数据、竞品比较等。

陷阱二：

所谓线性思维，就是套用公式，根据公式一定会得到正确答案的直线式思维方法；但是，在非线性以及复杂理论体系的世界里，初期条件存在些许不同时，结果就会变得无法预测（换句话说，在试图建立因果关系之前，要排除可能的影响（干扰）因素）。

举个例子，某电商做了一个10点钟免费抢的促销活动，导致了数据在上午10~12点时段异常得高，而数据分析人员没有关注活动信息就认为用户在这个时段有暴涨，那么这个数据可能就会造成误判，从而造成一些成本损失。

陷阱三：

认清现象和原因的不同；做数据分析最容易犯的错误之一就是把所发现的问题反过来说，当作是解决方案。例如，某电商网站购物车的“去结算”按钮的点击率持续下降，经分析认为是网站流量质量不好，有购买意愿的用户少造成的。于是提出了优化建议：提升流量质量，从而提升购物车的转化。

在这个优化建议提出之后，产品、运营、用研都对产品进行了复盘，发现并没有改进或优化，而最终经过深入分析，透过现象看其本质，发现是因为成本控制，对优惠券的叠加规则进行改变，从而导致了转化下降；与流量本身是没有关联性的。

归根结底，数据分析师对用户的理解没有做到位，没有分析出流量质量不高的根本原因，才导致解决方案“虚”、落不了地。

产品经理对于需求分析的把控程度决定了其为用户提供对应服务的准确性及价值，而数据分析能力决定了产品的走向及优化的点是否符合用户预期。