用戶調研與需求分析

一、用戶需求的來源

1、需求的來源:自己、大眾

2、產品經理如何了解大眾的用戶需求

聊天:和身邊的朋友聊天,了解他們的需求

觀察:對生活的觀察

產品經理對用戶需求的把握和捕捉,其實并不是在你學習一些技能或看一些書去獲得的,而是真正在你的日常生活中不斷的去觀察和揣摩用戶的需求獲得的。汝果欲學詩,功夫在詩外。

3、如何觀察日常生活?

敏感、懷疑、提問

如有一段時間抽屜式導航很火,很多app使用抽屜式導航;你是否注意到這樣一個場景就是用戶在座公交車時是一只手拿著手機,現在手機屏幕那么大,用戶要去點擊導航菜單時就比較麻煩,是否有注意到和想一想解決方法。

4、如何處理用戶需求

用戶提出了功能需求,不要馬上去做,而要先去了解需求的動機,在判斷是否要做。

保持開闊的胸襟,一視同仁;老板也是用戶。

二、需求分析方法

1、判斷需求靠不靠譜:角色、場景、路徑;

什么角色?什么樣的場景?通過怎樣的途徑去實現?

角色:搞清楚提出需求的這個人,他的角色是什么,他提出這個需求的原因是什么,有什么動機;

場景:需求的應用場景。比如我們在一個咖啡廳聊天,這個時候,咖啡的應用場景就是社交;

路勁:用戶提出一個需求,你在設計的時候要考慮,能不能在一條完整的路徑上都能滿足他,而不是說,只能滿足這個需求的一部分;

舉例個例子,支付寶AA收款在五六年前就出現了,為什么直到最近一兩年才火起來,被大大眾所熟知。

首先是角色分析。AA收款這個功能有哪幾種人會用?第一種,朋友一起吃飯,可能會用到。第二種,如果用戶是某個興趣團體的成員,比如某個球隊的隊員,他們常常一起出去踢球,也可能用AA收款。第三種,就是用戶在一個相對固定的團隊里,人數比較多,比如某個班的班長,常常要收班費,這樣也可能用到。

再看這三種人會在什么場景下用呢?第一種,我們和朋友出去吃飯,然后AA制付款。現在已經有了當面付這個功能,付款的時候兩臺手機靠在一起就能轉賬。在當時那個場景下為什么不行呢?因為五六年前,智能手機還沒普及,如果要用AA收款這個功能,就會發生這樣的場景:你在一家餐廳和朋友吃完飯,先付了錢,然后回家打開電腦,挨個問朋友的支付寶賬號是什么,再一個個添加好友,最后發一個AA收款的請求。這個場景實在是太復雜了,所以這種情況下,這個功能就不合適做。

再看第二種場景,對一個小團體而言,AA收款就很合適。為什么呢?因為團隊是相對固定的,每次都是從這些人當中發起收款請求。也就是說,用戶只要記錄一次每個人的賬號就可以,還是很方便的。

第三種場景,收班費。這個情況下,人數往往很多,可能沒有人愿意連續輸入40多個人的支付寶賬號。這種體驗太痛苦了,所以這個情況也不合適用AA收款。

最后的情況就是,支付寶的這個功能,在上線后很長的時間里都沒有人用,因為這個需求的應用場景和完成路徑并不匹配。但是,到了移動互聯網的時代,AA收款就變得好用了,為什么?很重要的一個原因是,大家的智能手機里都包含通訊錄,現在的AA收款不需要再去問每個人的支付寶賬號是什么了。用戶只要添加通訊錄找到指定的朋友,就能發出收款請求,整個場景和路徑都很簡單。

2、只判斷需求靠不靠譜還不夠,想找到準確的需求,還需要兩個步驟,先把所有需求都列出來并進行歸類,再進行重點抓取。

拿音樂需求來舉例。王詩沐發現,音樂需求分為兩大類,主動和被動。主動發現音樂就是,用戶主動去搜索他想聽的,比如搜歌曲名稱、搜歌手,或者識別環境音樂,比如用戶在咖啡廳里,聽到一首很好聽的歌,他想知道這首歌的名字是什么。還有就是,用戶也會主動去找一些新歌、當下比較熱門的歌曲。

再看被動發現。比如熟人之間會交流,你最近聽了什么歌啊?另一種就是意見領袖的,比如很早之前,大家都聽電臺的DJ,電臺里放什么歌,我覺得這歌好聽,就會去找。還有一種就是隨便聽聽,用戶懶得找音樂時,比如在讀書或在廚房做飯的時候,可能需要聽音樂。這個時候,大多數人都不太愿意去費心思找,所以他需要一個比較快的找音樂方式。

上面這些就是發現所有需求的過程,就下來就要抓重點。王詩沐就把這些列出來的需求做一個市場分析。他發現,音樂市場上已經有很多人做搜索、新歌排行榜這樣的功能了,你再去做也做不出新意。但是被動需求里,像熟人推薦、意見領袖推薦,這些功能雖然有人在做,但是還不深入,就可以去試試。還有就是做得比較好但很小眾的需求,比如隨便聽聽。這類需求還有很大的增長空間,可以一展拳腳。你看,通過這種需求分析方法,王詩沐就準確抓住了用戶需求,做出了一款受用戶歡迎的好產品。

3、抓完需求后如何去組織需求

一個產品不可能把所有的需求都滿足得特別好,也不可能把每個需求都做成一個功能,這樣產品會很復雜、臃腫。就需要考慮能不能從這些需求當中能夠抽象出來一種通用的功能去滿足所列舉的需求。

三、快速建立用戶模型

用戶畫像主要有兩部分構成:一部分是社會學、人口學方面的屬性,如年齡、性別、收入;另一部分是垂直領域屬性,及產品所在領域能夠劃分用戶的屬性,如工程領域:甲方、乙方、丙方。

建立快速用戶模型的過程

1、獲取用戶需求

2、選擇因子,因子是建立用戶模型時用以劃分用戶群體的用戶屬性,如:年齡、性別、收入、職業等;

3、劃分用戶群,分為幾類用戶;

4、填充信息,如:對象、場景、目的、喜好、其他等;建立起用戶模型。

5、根據用戶模型,通過用戶群的劃分和重點選擇,了解此類用戶的特點、特征和需求;輔助產品的決策。

總結:產品經理根據自己需求選擇相應的因子將用戶劃分成不同的用戶群,填充不同用戶群的行為與需求的信息,建立起用戶模型,用戶模型可以輔助決策與執行。過程中,若最終得到的用戶模型不符合預期則可以通過不斷調整得以完善,而整個過程能夠幫助產品經理加深對用戶的了解。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 227,967評論 6 531
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,273評論 3 415
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 175,870評論 0 373
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 62,742評論 1 309
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,527評論 6 407
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,010評論 1 322
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,108評論 3 440
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,250評論 0 288
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 48,769評論 1 333
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,656評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,853評論 1 369
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,371評論 5 358
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,103評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,472評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,717評論 1 281
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,487評論 3 390
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 47,815評論 2 372

推薦閱讀更多精彩內容