编辑导语：用户体验，自上世纪90年代由用户体验设计师唐纳德·诺曼提出这个概念以来，被广泛运用至各个行业之中，不论是传承多年的传统行业，还是蓬勃发展的互联网行业。在如今用户为王的环境下，用户体验在企业中的地位则显得尤为重要，它会直接影响到企业产品在市场中的竞争力，进而决定企业在激烈的竞争中所获得的效益。

1. 背景

1.1 用户体验系统特征

如果一个用户持续地使用某个产品，一定是产品满足了用户某些核心体验目标，形成记忆点（唤醒点），持续唤醒用户在特定的场景下使用该产品。比如得物是做名牌鞋子鉴定的，让用户感觉这里不会买到假鞋，于是一旦有种草需求，就会来得物。

当然实际用户体验不会这么纯粹、简单，用户体验系统其实是一个内部信息模糊，外部信息清晰的灰色系统[1]。

• 内部模糊体现在：可能某些点确实迎合了用户，但其他点引起了用户的反感，可能这个点迎合了A类用户，但对B用户不友好；
• 外部清晰体现在：峰终定律描述了用户的首次和最后体验会影响最终评价，诺曼说的反思层其实就是用户体验整个产品后的情感。

1.2 大部分情况下我们习惯研究用户体验的外部系统

内部模糊性增加了从产品使用角度研究用户实际体验情况的难度，而外部清晰性使我们可以直接通过用户访谈、调查问卷等手段直接调查用户的感受。

虽然这些手段确实是在走近用户，但受限于精力、实际研究条件以及自身先入为主的偏见，我们所听到的、看到的未必是真的。

1.3 如何从产品使用角度研究用户体验的内部系统

为了更全貌、更客观地理解我们所设计产品的用户体验情况，我们除了通过调研手段直接了解用户体验外部系统的一些概况信息。

还需要去拆解该产品涉及的用户体验系统，即构成我这个产品的核心体验有哪些？这些体验目标下有哪些量化指标？这些指标的数据表现如何。

2. 方法与案例-以某社交产品为例

如何从产品使用角度研究用户体验内部系统？如图所示从产品用户体验评价体系的构建到Dashboard的创建：

1. 首先能够基于产品特性拆解出在用户价值层面，产品想要提供的核心体验目标有哪些；
2. 其次围绕这样的体验目标枚举相关的量化指标有哪些；
3. 根据量化指标的定义构建埋点公式，并确定需要埋的点；
4. 最后构建出一个“用户体验目标-量化指标”的Dashboard，用来监控每次版本迭代的产品用户体验变化情况。

2.1 产品用户体验目标拆解

以某社交APP为例：该产品主要针对大学生群体，提供线上CP体验，涉及到用户体验目标有：

• 组CP体验：用户在组CP过程中的体验概况；
• CP任务体验：用户在组成CP后，做任务过程中的体验概况；
• 社交互动体验：用户在和群友、CP社交互动过程中的体验概况；
• Feed动态体验：用户在信息流的阅读互动过程中的体验概况；
• 缘分体验：用户遇到一个合适CP过程中的体验概况。

2.2 量化指标拆解

2.2.1 组CP体验相关的量化指标有：

• 主动匹配CP签到率：匹配成功或重新匹配成功后，主动签到行为的比例占多少？
• 主动匹配不适合率：匹配成功或重新匹配成功后，主动匹配不合适的行为比例占多少？
• 主动匹配超时未签到率：匹配成功或重新匹配成功后，主动匹配超时未签到的行为比例占多少？
• 被动匹配CP签到率：匹配成功或重新匹配成功后，被动匹配CP签到的行为比例占多少？
• 被动匹配不适合率：匹配成功或重新匹配成功后，被动匹配不合适的行为比例占多少？
• 被动匹配超时未签到率：匹配成功或重新匹配成功后，被动匹配超时未签到的行为比例占多少？
• CP匹配耗时率：没有CP的用户与点击相互喜欢组成的CP用户或者通过匹配方式组成的CP用户的占比有多少？
• 主动匹配成功率：主动匹配或主动匹配冷却的用户中，匹配成功的用户比例占多少？主动匹配冷却是产品设计上的一个逻辑：用户A匹配到用户B，A签到后，B会收到这个组CP消息。为了避免B刚收到A消息还没来得及回应，就消失掉的这种落差感。产品上有个自锁逻辑，A签到后会进入10分钟冷却期，这个期间不能进行匹配活动。
• 首次匹配重试率：主动匹配行为当中，重新匹配的行为比例占多少？
• 重新匹配成功率：重新匹配用户当中，匹配成功的用户比例占多少？
• 主动喜欢被响应率：发起主动喜欢行为中相互喜欢的行为比例占多少？
• 推荐被响应率：推荐卡片发起喜欢行为中相互喜欢的行为比例占多少？
• 匹配被响应率：发起匹配行为当中，最终相互签到的行为比例占多少？
• 匹配到无CP人群渗透率：主动匹配的用户与无CP用户的比例，值越小越好
• 邀请好友组CP响应率：发起CP邀请的用户中，有多少用户接受了CP邀请？

2.2.2 CP任务体验相关量化指标有：

• 任务完成率：组成CP用户中，第一天完成CP任务的用户比例占多少？第二天/第三天/第四天/第五天/第六天/第七天；
• 打卡上墙率：完成CP任务行为中有多少行为发布到打卡墙？

2.2.3 社交互动体验相关量化指标有：

• 语音消息渗透率：总用户中使用语音消息用户比例占多少？
• 语音消息人均使用次数：语音消息每天使用几次？
• 视频消息渗透率：总用户中使用视频消息用户比例占多少？
• 视频消息人均使用次数：视频消息每天使用几次？
• 撤回消息渗透率：总用户中使用撤回消息用户比例占多少？
• 撤回消息人均使用次数：撤回消息每天使用几次？
• gif消息渗透率：总用户中使用gif消息用户比例占多少？
• gif消息人均使用次数：gif消息每天使用几次？
• 房间加好友成功率：房间加好友行为中有多少好友请求被接受了？
• 搜索加好友成功率：搜索加好友行为中有多少好友请求被接受了？
• 动态加好友成功率: 动态加好友行为中有多少好友请求被接受了？
• 打卡墙加好友成功率：打卡墙加好友行为中有多少好友请求被接受了？
• 首次进房打招呼率：进房用户中有多少发起打招呼的用户？
• 退房率：进房用户中有多少用户离开了房间？

2.2.4 Feed动态体验相关量化指标有：

• 动态渗透率：总用户中有多少用户进入动态？
• 动态人均进入次数：用户平均每天进入动态几次？
• 动态人均查看详情次数：用户平均每天查看动态详情几次？
• 动态点赞次数：用户平均每天点赞几条动态？
• 发布动态成功率：点发动态用户中有多少用户最后点率发布动态？
• 打卡墙渗透率：总用户中有多少用户进入打卡墙？
• 打卡墙人均进入次数：用户平均每天进入打卡墙几次？
• 打卡墙人均查看详情次数：用户平均每天查看打卡墙详情几次？
• 打卡墙点赞率：进入打卡墙的用户，有多少用户发起了点赞行为？
• 动态详情评论率：进入动态详情的用户中有多少用户发布了评论？
• 动态详情关注率：进入动态详情的用户中有多少用户发起了关注行为？
• 动态详情查看发布比例：查看动态详情行为与发布动态行为比例，值越大越好；
• 动态详情点赞发布比例：点赞动态详情行为与发布动态行为比例，值越大越好；
• 动态详情评论发布比例：评论动态详情行为与发布动态行为比例，值越大越好。

2.2.5 缘分体验相关量化指标有：

• 组成CP与匹配比例：通过匹配组成CP的行为与匹配行为的比例，值越大越好；
• 签到与匹配比例：匹配行为中签到行为比例占多少？
• 推荐喜欢率：总用户中有多少用户对卡片发起了喜欢操作？

2.3 埋点方案设计

根据埋点意义确定需要埋哪些点以及指标与埋点之间的计算逻辑，最后整理如图所示：

2.4 构建产品用户体检Dashboard监控

按照产品各个体验纬度，创建指标Dashboard如图所示：

3. 小结与展望

尽管用户体验内部模糊特性增加了我们从产品使用角度研究其内部系统的难度，但是我们还是能够根据产品特性去拆解相关的用户体验纬度有哪些，以及每个用户体验纬度下的量化指标有哪些，最后把这些指标涉及到的埋点与计算逻辑录入到前端与数据平台，建立一个可以监控该产品用户体验状态的Dashboard。

相比于直接研究用户体验外部系统，这个监控面板可以让我们站在更全局、更客观的视角去看待每次产品迭代。

作为产品经理是应该走近用户，倾听用户声音，但过分依赖这些外部系统，不免会让人怀疑，这份责任心是真挚的还是虚伪的。

关于用户体验内部系统的研究还不止于此，如何把这些碎片化的内部信息通过算法整合成一个清晰的外部决策值，就像用户经历了一番体验后会对产品产生一个比较清晰的评价。

如果这个外部决策值与用户评价是正相关的，那将非常有意义，我们不再受限于精力、实际研究条件以及自身先入为主的偏见，直接通决策值就可以得到比较客观的反馈。

参考资料：KUO Y, YANG T, HUANG G W. The use of grey relational analysis in solving multiple attribute decision-making problems [J]. Computers & Industrial Engineering, 2008, 55(1): 80-93.

#专栏作家#

UE小牛犊，微信公共号：交互实验狮，人人都是产品经理专栏作家。关注产品思考、用户体验分析、交互研究，致力于UX方法论的探索和实践。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议