研究用户行为,而非看法

2019 年 2 月 14 日 腾讯创业

点击上方蓝色字体“腾讯创业” 选择关注公众号

创投圈大小事,你都能尽在掌握



腾讯创业 | ID:qqchuangye


关注潜在用户的实际行为,而非他们的观点表达,便可以省去巨大的时间与精力投入。


译者 / Qmy

来源 / Beforweb公众号(ID:beforweb)


编者按:各位开工大吉,不知有没利是拿?春节假期很快就过去了,最温暖开心的是过年本身,还是年前最后一两天那样轻松安心告诉自己“一年的辛苦结束了”的氛围呢?我似乎更怀念后者。


新年伊始,一篇有点意思的译文,来自Beforweb合作作者Qmy。


-编者人格的C7210


通常人们会说,“去和你的潜在用户聊聊,看看他们想要什么,然后就给他们什么”。于是我这么做了,但一切似乎并没有预想得那么顺利。


几年前,我做了一个名为“Spotnight”的App,它可以告诉你晚上去哪里玩。这个主意是我和一帮朋友在酒吧讨论接下来该去哪的时候想出来的。


“很棒啊”,有人听了我的想法之后说,“如果真有这样一个App,能列出晚上所有好玩的地方,并能让你知道你的朋友都去了哪里。”这个想法得到了大家的一致认可,而我似乎也找到了创业方向。


1

走出房间,去做调研


那是2012年,我还住在里约热内卢,身边有很多潜在用户。我找了些朋友,以及朋友的朋友们去做访谈。当时的状况通常是这样的:


Q:“你会不会经常因为资讯短缺而错过很多美好的夜晚?”

A:“是的,时常如此。”


Q:“如果有一个App能告知你所有的聚会信息,以及你的朋友都去了哪里,你觉得这个 App怎么样?”

A:“听起来很棒!”


Q:“你会经常使用这样的App吗?”

A:“当然!事实上我现在就需要这个App来帮我决定这周末去哪儿,我到现在都没有任何计划。在哪里可以注册获取到这个App?”


看起来,这个App会很有市场。于是我没日没夜地工作,就想赶紧把它做出来。经过三个月的艰苦奋斗(好吧,可能是六个月),Spotnight在App Store上线了。我的朋友们都很激动,纷纷下载并开始使用。


2

事实检验


等一下,似乎有状况。


数据是不是出了问题?为什么使用这个App的人比我想象中少很多?最令我想不通的是,那些之前说会经常使用这个App的人根本没有真的在用!


我联系了一些早期的用户,想要弄明白其中的缘由。几乎每一次,我都能听到相似的理由:“我还没来得及用。它看起来挺好的,我过几天就会用它的。”


他们在说谎吗?或是另有隐情?


3

The Mom Test


我发现了一个叫作“The Mom Test”的工具,其设计者是Rob Fitzpatrick。在这个工具的帮助下,我发现真的不应该责怪我的朋友们;他们没有错,是我问错了问题。


The Mom Test 假设每个人都不是故意要骗你,他们只是各有各的原因。而在所有这些人当中,欺骗你次数最多的是你妈妈,因为她爱你,时常要照顾你的情绪。


为了通过The Mom Test,你需要问那些连你妈妈都无法欺骗你的问题。设计者Rob建议:


  • 多和用户讨论他们的生活,而不是你的想法。

  • 多询问过去发生的具体事件,而不是他们对于未来的宽泛看法。

  • 少说,多听。


这么一看,我曾问过的问题大多集中在宽泛的陈述、假设以及看法上,而没有聚焦在明确的事件当中。


事实证明,要对人们未来的行为进行预测,最好的方法就是研究他们过去的行为,而不是询问他们对于未来的看法。


4

宽泛性的问题不大好


  • 你多久一次……?

  • 一般而言,你会……?

  • 一周大概有几次……?


类似这样的问题基本都是不靠谱的。举个例子,你如果问一个人他一周去几次健身房,他可能会说:“一周两次”。


但是如果你换种方式问这个人上次去健身房是什么时候,你可能会发现他最近一个月都没有去过。


试着让宽泛性的问题更具指向性,与曾经发生过的事件或行为进行关联,你将能得到更可靠的答案。


5

询问观点就更糟了


以“你认为…”开头的问题,会让你得到对方的观点,而非事实。通常,观点听上去都很像事实,然而它们并不是-这使得“观点”这种东西变得相当危险。


一旦涉及到商业和产品领域,情况就更遭了,即使经验丰富的专家也会时常将它们搞混。不妨去问问天使投资人、连续创业者或是产品经理,他们会告诉你基于“观点”进行创业的成功几率有多低。


我建议彻底忽略掉“观点”。在做产品决策时,务必坚守“事实”。


6

假设性的问题是最糟糕的


所有的坏问题当中,最为糟糕的就是我们在验证想法时本能一般地问道“你会...吗?”之类。


人们并不善于预测自己未来的行为。对比一下每年的新年愿望以及最终的完成状况,你就会明白。


假设的本质仅是猜测而已。基于猜测去打造产品及整个业务是非常不靠谱的。


7

要多了解过去的行为


用户访谈的重点在于收集他们过去的行为事实,而不是他们对于你的主意的看法。我弃用了最初的那些访谈问题,开始重新来过;不再询问宽泛的、假设性的问题,取而代之的是:


“你能跟我讲一下你最近一次「参与某个活动」的经历吗?”


对于我的产品而言,我想要了解人们最近一次和朋友出去的场景。我想要发现人们为什么出去,深层的动机是什么,出去之后他们都做了些什么。我开始找寻人们使用或者不使用我的产品的真正原因。


  • 是什么触发了你的决策?

  • 你希望实现怎样的目标?

  • 活动在何时进行?

  • 你当时在什么地方?

  • 有谁和你在一起?

  • 你们具体进行了哪些活动?

  • 之后又发生了什么?


在每个阶段,我都保持着好奇,通过询问尽可能多的问题来加深我的理解。


  • 这件事为什么很重要?

  • 状况是否会令你沮丧?

  • 再跟我多讲讲这个?

  • 是什么让你产生了这种想法?

  • 你能否帮助我进一步了解你当时的想法?

  • 你还考虑过哪些其他的方法吗?

  • 还有什么要说的吗?


如此询问了5-6个人之后,我就有了新的想法。


比如我发现,当一帮人在一起的时候,“晚上去哪里玩”就会成为最令人头疼的问题。我们都经历过这种状况:有个人提了个建议,大家都接受了,但最后一点儿都不好玩。


这个发现为我带来了意想不到的结果。


群体思维过程大多会忽略外部影响,而倾向于根据群体已有的经验进行决策。我的产品就是那个“外部影响”,所以当很多人聚在一起时,就不太可能去用。难怪人们没有他们自己所期待的那样频繁使用。


8

结语


最后,我将Spotnight进行了转型。


回想起来,我本无需花费时间把产品打造出来去验证它的价值;我只需要在一开始问一些正确的问题,关注潜在用户的实际行为,而非他们的观点表达,便可以省去巨大的时间与精力投入。


避免询问宽泛性的、假设性的问题及个人观点,这个原则说起来容易做起来难,你需要进行一定的练习。


我们会本能一般地想要知道潜在用户是否喜欢我们的想法,他们是否会去用我们的产品。


但请记住,无论用户的答案是什么,无论用户对这个想法有多感兴趣,都不代表我们可以轻易相信他们的话,即便他们的回答是真诚的。


英文原文:https://medium.dave-bailey.com/what-you-shouldnt-ask-your-customers-a208c5dbab75

原文作者:Dave Bailey

译者:Qmy(Beforweb合作作者)

编者:C7210



进行用户调研,你还有哪些好方法?


 欢迎评论区留言,与大家分享



年会进化史

印度网红

联合办公

无隐私时代

撸猫简史

宠物经济

本土VLOG

无糖饮料

寒冬建议

互联网众筹

超配CFO

跨境投资


登录查看更多
1

相关内容

【2020新书】实战R语言4,323页pdf
专知会员服务
100+阅读 · 2020年7月1日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
35+阅读 · 2020年4月5日
深度神经网络实时物联网图像处理,241页pdf
专知会员服务
76+阅读 · 2020年3月15日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
169+阅读 · 2020年3月10日
可解释推荐:综述与新视角
专知会员服务
111+阅读 · 2019年10月13日
一文读懂机器学习中的贝叶斯统计学
数据分析
26+阅读 · 2019年5月8日
关于机器学习你要了解的 5 件事
机器学习算法与Python学习
7+阅读 · 2018年9月7日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
【知识图谱】肖仰华 | 基于知识图谱的用户理解
产业智能官
16+阅读 · 2017年10月6日
肖仰华 | 基于知识图谱的用户理解
机器学习研究会
10+阅读 · 2017年9月29日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
谈谈用户画像
caoz的梦呓
10+阅读 · 2017年8月17日
用户画像之用户性别识别
Python技术博文
7+阅读 · 2017年7月7日
视频行为识别年度进展
深度学习大讲堂
34+阅读 · 2017年6月12日
Arxiv
10+阅读 · 2019年2月19日
Semantics of Data Mining Services in Cloud Computing
Arxiv
4+阅读 · 2018年10月5日
Arxiv
12+阅读 · 2018年9月15日
Arxiv
10+阅读 · 2018年2月9日
VIP会员
相关资讯
一文读懂机器学习中的贝叶斯统计学
数据分析
26+阅读 · 2019年5月8日
关于机器学习你要了解的 5 件事
机器学习算法与Python学习
7+阅读 · 2018年9月7日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
【知识图谱】肖仰华 | 基于知识图谱的用户理解
产业智能官
16+阅读 · 2017年10月6日
肖仰华 | 基于知识图谱的用户理解
机器学习研究会
10+阅读 · 2017年9月29日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
谈谈用户画像
caoz的梦呓
10+阅读 · 2017年8月17日
用户画像之用户性别识别
Python技术博文
7+阅读 · 2017年7月7日
视频行为识别年度进展
深度学习大讲堂
34+阅读 · 2017年6月12日
Top
微信扫码咨询专知VIP会员