我要如何了解“她”

　　有关UE在团队中的作用，有一点大家已经达成共识，那就是用户是所有体验的基础，如果用户的要求没被满足，良好的体验自然也无从说起。那么，我们怎样才能了解用户需求呢？
　　大家都知道可用性测试、调查问卷之类与用户进行沟通的途径，这些方法各有各的利弊，如果逐一分析的话，恐怕至少要分成三本书来写。现在我们先把它们放在一边，从另一个角度来看看这个问题：用户的需求会通过什么途径来表达呢？
　　举个小小的例子，某位小朋友饿了，他可能会说“我要吃点东西”，然后你就知道应该给他找点吃的；如果他什么都不说，抓起某样食物就狂吃，这很明显他饿了；要是他说“我想吃火锅”，而你没有火锅只有馒头呢？我们稍后再说明这个问题。
　　不过你至少可以看出，用户的需求通过这样三种形式来传达目标、行为、说法。
　　在这个例子中，用户最根本的需求是饥饿（我们通常不需要了解用户最根本的需求），目标是找东西吃下去，行为显示了这个目标，他自己认为火锅能解决这个问题。我们要做的，就是根据这些资料提供给他适合的食物。这里我们提供的是馒头，小朋友看到馒头的时候，有两种可能，一种是什么也不说，抓过来就狂啃；另一种是一边狂啃一边生气。第一种情况说明，你提供给他的选择比他想象的更实用。同时说明：用户所说的其实不一定就是他们真正的需求，行为才是最真实的。第二种情况说明，你对用户的需求了解得不够，需要再收集更多的数据，比如他爱吃米饭还是面食，喜欢甜还是辣等。
　　当然大多数研究比这个例子要复杂得多，但总的说来，我们除了要知道用户有什么行为，还必须知道为什么会出现这样的行为。所以必须要将各种方法综合起来使用，然后描述出一个完整的用户形象。
　　用户需求的组成就如下面这个图形所示。为什么“行为”占了一半的比重呢？我个人认为，受中国文化的含蓄和中庸哲学影响，国内用户恐怕很少能真诚、准确地说出自己的想法，所以应该在行为研究上有所偏重。
　　我们先不考虑如何分析数据，现在只需要想：有哪些方法可以收集到这些数据呢？看下面这个图：
　　正如你看到的，网站流量和日志文件，以及被大家交口称赞的眼动实验用于了解用户做了什么（行为），而用户访谈和调查问卷用于了解用户为什么这么做（目标和说法），情景调查、可用性测试和CRM统计则介于目标和行为之间。
　　首先说一下用户访谈和调查问卷。
　　这两者看起来很相似，都是提出一堆问题让用户来回答。但它们之间有个关键的差异：数量。用户访谈是抽样调查，数量少（每种类型的用户不超过10个），而调查问卷则是一种大范围内的普查。数量的不同决定了两种方法的性质，一种是定性的研究方式，另一种则是定量的研究方式。不过它们用于发现用户的观点是非常有用的，你往往会在用户的答复中，发现你之前根本就没考虑过的新想法，这也许就会改变你的产品的思路。
　　两者在运作的形式上也有所差异。用户访谈的形式是一种更加随意的谈话方式，而且要注意尽量不要提“是非题”（即“是”或“否”的问题），让用户自由表达。你可以事先有一个大纲，但一定不要照本宣科。在时间上也要保持一定的弹性，一般你会告诉用户需要1个小时，不过要是遇上一个善谈的用户，滔滔不绝讲1个半小时也是有可能的，你要做的，就是尽量别让他跑得太远：）。调查问卷则更严谨一点，不管是在网上还是线下进行的调查，大部分都应该是量级选择题，我们通常看到的“你是否同意这个说法，5分非常同意，0分完全不同意”，就属于这种问题，用户可以通过点击和画勾来回答。调查问卷同样也要避免“是非题”，同时为了保证用户不会因为耗时太长而放弃，最好自己测试一下答题时间，一般不能超过15分钟（我回答过超过20分钟的问题，不过那是几个心理测试）。
　　这里我只想强调一点，不管哪种方法，提问的技巧和问题的顺序相当的重要。如果你在一开始就告诉用户，你们准备开发几个新功能，后面又问到用户对现有产品的想法，这就是一种典型自我否定，势必会影响到用户对后一个问题的看法。我想这就是需要心理专家发挥作用的环节。挖掘人类心底的想法，从来都是一件斗智斗勇的事。在某种程度上这种沟通过程更像是你和你身边那个女孩相处的情形。你一直想弄明白她为什么不高兴，但是又不能直接问，因为你知道，她永远不会直接回答。你唯一能做的就是长叹一声“我要如何了解她？！”。可能她只是因为你没有穿她送的那件衬衣而生气，但她只会说：“你今天打扮得真没品味。”表现出来的行为就是不跟你去任何公众场合，目标就是你自己分析吧。
　　网站流量统计、日志文件用于了解用户做了什么，但通常不能解释他们为什么这么做，与之相似的还有CRM数据。所以这三者最好是能和调查问卷结合起来使用。把某个用户的点击流（clickstream）与他完成的调查问卷放到一起分析，你就能了解这个行为背后的原因。当然，前提是您可以捕获某个特定用户的日志记录，并在调查问卷中找到同一个人的回复。大部分的网页里都埋有统计程序的种子，作用和我们今天的主题一样，只管尽可能多地收集数据。而在统计背后的数据挖掘，更是一场艰苦而长期的工作。