05 拆解体验量化模型的5个维度
你好，我是相辉。今天我们来聊聊用户体验的量化模型。
我其实经常和很多企业的服务体验设计的团队交流，大家统一的感受就是，对如何挂钩体验设计和交易效果这个问题很困惑。因为任何产品设计，如果不能获得用户可量化的反馈结果，就很难谈有改进迭代的效率。所以在今天的这节课里，我会给你提供五个体验量化的维度，让你能根据自己的产品和业务，具体地设计自己量化的方法。
如果希望量化体验设计，就不能仅仅像观察商业交易那样只看新增、日活、留存、转化，也不能仅仅是观察页面的转化漏斗和停留时长，我们需要有更精确地描述体验的维度。数据工具的精密程度，往往决定了我们发现真相、还原现实的能力。
而粗糙的数据工具和判断，只适合粗放的运营方法。这样的方法可能在流量红利、市场红利还在的时候比较适用，不过一旦进入到了比拼体验细节和运营效率的时候，就需要进化我们的数据工具，去评判体验的关键设计。
就好像人类发现了血糖、血脂、血压等数据后，才知道人会有糖尿病、血脂高、血压高这样系统性影响身体健康的疾病，才能根据科学研究将它们深刻描述，并对症下药。而如果我们只是简单地测算人的身高、体重、心跳等，很难能发现一个人真正存在的健康疾病问题。
但真实的用户体验当中，掺杂了太多人的因素和细节，产生了太多的不确定性，它不像商业交易数据那么明确，所以我们在面对不同的商业体时，要学会设计不同的用户体验量化维度。那么接下来，我们就一起站在构建体系、还原场景、关注微观、回归人性、推演长期五个维度，来还原主观体验的量化办法。
体验量化模型的五个核心维度
虽然不同的商业体所采用的体验量化的数据工具会有所不同，但它仍然遵循着如下特点：
1.体系化
量化体验，应该是一个体系，而不是只用一两个数据就去定义整体的状况。我们需要建立一个互相作用的系统，根据它们之间的关系来分析体验设计的问题。
我以一个天气App整体的体验数据体系为例。我们在评判一个天气工具软件体验好坏的时候，可以建立一个简单的指数集：
- 品质：功能完成度、界面信息交付度、场景契合度、数据及时性、预测准确性等。
- 口碑：满意度、推荐值、好评率等。
- 运营：渠道投放转化率、用户会员付费率、内容赞评转率、Push打开率等。
- 市场：规模、活跃、新增、留存、流失等。
- 用户：按照时间、城市、时长、付费率、年龄、需求度等进行分层。
最后结合用户体验地图，我们就会得到一个数据还原体验的全貌。当我们有了全貌，再去分析以上各类数据之间的关系，就能以此寻找到产品体验、商业、市场之间存在的问题及关联。而用户体验地图的绘制，我会在第三章的服务设计模块讲解。
那么，关于“品质”问题，并不是功能完善度足够好，用户就会满意，有的时候因为需求和人群不匹配，也会造成用户对品质的不认可；用户旅行场景和用户本地生活场景对天气的需求度也并不一样，年轻人和老人对天气的需求场景也不同，只有结合用户需求场景和画像，我们才能找到真正的问题所在。
再比如，关于“口碑”的问题，对推荐值的设计，往往不是我们产品不够好，而是缺少用户推荐的场景，因为社交粘性强的产品，推荐力度往往也更强。一个简单的例子，就是裂变增长的活动和拼多多式的用户互动砍价。
而体系化的量化体验，往往会有三个抓手把诸多数据组织起来，并分配权重：
- 基于用户生命周期的体系：以人为中心，适用于观察产品的用户健康度和分层画像。
- 基于用户任务的体系：以用户完成任务为视角，适用于观察产品体验流程的完善度。
- 基于商业交易的体系：以商业交易为视角，适用于观察成本收益的商业性评判。
三个抓手结合在一起，选择不同的体验评判维度来看待体验问题，就是体系化的量化体验模型所起到的作用。
2.场景化
量化体验的第二个维度，就是场景化。我们需要用不同的数据维度，来还原用户交易的场景与上下文，而不是仅仅看页面的种种新增日活留存的结果。
我之前经历过一个书店的Case。由于书店面向不同场景和人群特性的性质，决定了它在商业区、学区、旅游区、居民社区等不同的区域中，所展现出来的店面模块、店中店、书籍选取、文化周边选取、服务设计等都应该是不同的。因此我们在讨论为书店制定什么样的会员服务的时候，就要考虑到各个区域的书店的特性。
商业区的书店设计，更偏向咖啡馆和洽谈场景，以及工作文创的周边和服务；居民区更偏向日常阅读和家用产品的周边和生活服务，包含亲子的内容园区，甚至还有社区雨伞的租借等；旅游区则是文化消费品为主，让人感受到城市特色等。
而每类店，都会有一个自己的数据模型，一般是基于地段、用户、活动等用户行为的细化和积累，形成了为未来开店效率的最佳指导。
在整体数据收集的过程里，周边用户的画像、到店的时间段、消费的频次和数量、到店的停留时长、每一个区域的坪效比、每一种会员服务效果的分时段地点的考量，以及用户参加活动的粘性，都是书店运营效率的体验关键驱动。
因此到最后，我们也通过越来越细化的数据能力，逐渐把用户到书店的需求场景给还原清晰。
书店的场景化是如此，而任何服务设计也是如此。我们要用不断细化的数据，来还原场景和真实的用户，以此指导体验设计的改进。
3.细致化
量化体验的第三个维度，就是细致化。体验数据量化不能笼统，笼统就无法拆分场景。
从一个服务的功能定位到交互流程，再到内容选品、信息架构、视觉设计、服务体验、文案措辞等，都会对一个用户的购买决策产生影响。那么我们就需要在体验细节上，设计出不同的数据模型来还原和揪出问题。
比如，电动汽车其实是能根据种种传感器，来判断出用户的开车习惯，以进一步改进产品，并持续迭代。所以从这个意义上讲，电动汽车完全是一个行走的出行场景数据分析器，在保证隐私秘密的情况下，它会分析用户开车的种种行为习惯并进行分析，从而整体改进安全策略、提高产品的安全能力。
这是以前的传统汽车所达不到的体验量化高度。传统汽车在出厂后，对于用户使用习惯的数据获取能力就变差了，自然也就无法搞清楚产品问题的细节，所以我们经常会看到很多用户反馈根本无法传递到传统车场的设计工作室去。
不过，也有跟传统厂商的体验设计思路相反的案例，就是蔚来汽车。他们的体验设计思路是，用户在购买汽车以后，其用户服务才刚刚开始。蔚来想要带给用户一种全新的开车体验生活方式，因此他们会针对用户整个汽车的选买养用换的完整流程，设计种种社区服务，而在这个过程里，会核算每一个用户在不同服务上的细节数据，以此改进服务体验。
随着用户在蔚来生态里的时间越来越长，用户的画像和需求就越来越清晰。这样，对用户需求理解的细致程度，自然就给蔚来带来了超强的服务进化能力。
所以说，小到对用户产品使用流程的数据还原，大到一个产品服务周期的数据还原，我们都要进行更加细致化的分类、获取、研究。
4.人性化
我相信人至今的各类本能、情感、理性的表达，都是在外部环境的刺激下，不断进化和迭代出的一套机制。而这套机制只有两个目的：获取大概率的安全；得到高品质的繁衍。
所以，我认为“人”是一种机制，这种机制有自己的特性。所谓穷山恶水出刁民，问题并不是“民”，而是“穷山恶水”。好的机制鼓励人的善举，不好的机制鼓励人们互相伤害，所以人本来也没有善恶，人只是自成一体的机制系统。
那么所谓的人性化，就是指我们就要把冰冷的数字还原成“人性机制”。只要是人性机制，就是复杂的利益决策体。
因此，我们就要看我们的体验数据体系的设计，是如何描摹人性的。
举个例子，好用的产品，其用户分享率不一定会很高，比如说那些不能给我们自身社交魅力加分的内容。因为用户分享的产品，重要的是这个产品给他身上贴了什么标签，这个标签的价值是怎样的。就好像很多人对于买书这件事情会很有快感，而分享某个没有读过的作家去世的新闻，可能会比读作家的作品更容易。
还有一点就是，很多用户对于自己每天都在用的好产品，也可能是不会分享出去的，因为它没有信号价值。
所以，我们不能仅从产品的转推荐来评判产品的体验，我们还是需要结合用户使用情况和场景粘性来设计体验模型。我们必须把数据体系和人性对接，才能用量化的数据来判断人性。
5.长期化
用户体验和服务设计有个特点，就是很多时候是需要我们投入大量的时间，来慢慢地服务好用户，才能发酵出来好的效果。它并不像超市大减价、新功能上线这样的动作，可以产生一种即时的拉新和促活效果。很多时候，体验设计是一个“场”，它是由用户在场景沉浸后的一种全方位的提升，从而产生传播、复购、留存、转化等。
所以这也就意味着，我们在做很多体验数据量化的时候，其评判标准应该是长期性的，即看待我们的交易曲线长期是边际递增，还是边际递减的。并且，我们要通过服务体验和用户生命周期以及促成交易的权重关系，来计算出体验设计所带来的交易增长预估规模是怎样的，而每一个体验功能的改进，与最终规模的相关性是多少。
比如，一个会员体系权益的体验设计，当上线一个新权益时，必然会带来一波会员的增量，但这还不是它效果的全部。因为成为会员的用户，未来一定会提升消费的频率和金额，而且还会因为成为了会员，与产品链接得更深，从而产生更多品类的消费行为，并且很有可能帮我们拉新更多会员，所以会员体系的价值是逐渐显现和复合的。
我们要在体验量化的模型里，建设以人为核心的视角，来预判交易的增长情况，这样才能说清楚体验设计的价值。因为毕竟不是每个体验设计的加持，都能直接导致交易的产生，但不直接产生交易的功能和服务，我们就不做吗？当然不，我们需要换个视角去做好评判。
总而言之，以上五个维度，就是我们在量化用户体验的过程里需要注意的核心部分。当我们把用户体验量化，我们才能够真正地将商业和体验动作对接，从而了解到每做一件事的投入产出比是什么，明确体验服务设计的价值。而只有明确了可量化的价值，我们才能真正做到以科学驱动体验设计。
课程小结
今天，我们从五个维度去拆解了量化用户体验的思考方式。每个业务、每个目标所造成的量化体验的模型都应该是不同的，但这并不妨碍我们去寻找共性的方法。
- 体系化：用体系化的数据模型去判断体验的问题，依靠它们的相互关系找到原因。
- 场景化：从真实生活场景的角度，去理解服务设计的数据量化。
- 细致化：不断地、细致地获取数据，将混沌的体验问题进行清晰的拆分、定位。
- 人性化：将冰冷的数字还原成人的机制，以此判断产品与人的关系问题。
- 长期化：将数据体系带入时间的维度，用增量预判的方式测算体验带来的长期价值。
今天的课程主要来源于日常工作中，大家对于服务设计如何量化的疑问，这也是对企业唯交易KPI化的一次对抗。好体验是需要沉浸的，所以并不是每个体验设计的动作，都能直接产生交易，但是我们捏合在一起，就会有更长久、更持续、更震撼的作用。
我也希望通过今天的课程，跟你分享体验数据体系设计的几个关键心法，也就是构建体系、还原场景、关注微观、回归人性、推演长期五个维度，让你能从新增日活留存这样粗糙的数据结构中走出来。
一课一思
请你思考一下自己所在的业务的关键体验，你会如何用一个数据体系来评判用户体验的好坏？
欢迎在留言区发表你的思考，也非常欢迎你把今天的内容分享给更多的朋友，我们一起量化体验设计。感谢你的阅读，我们下一讲再见。
- py 👍（36） 💬（6）
感觉有点空，概念性阐述较多，举的例子也都特别大，没有过程中的思考路径，看不出跟说的概念之间有什么关联。梁宁说的概念比这要大很多，但她会举很有针对性的例子来支撑，就不会感觉空。
2020-09-10 - 任亚军 👍（18） 💬（2）
每个字都认识，但是连在一起就感觉理解非常困难，总结的观点太密集。建议多增加一些实际的案例，贴地气一些。
2020-09-27 - tallzor 👍（2） 💬（1）
看了辉哥的文章受益匪浅，感谢。有个问题还麻烦辉哥指点一下。 请问如何把数据体系与人性对接？从哪几个方面切入思考比较好？谢谢辉哥
2020-09-28 - Nil 👍（2） 💬（2）
对于B端产品，我们也能用这种拆解维度吗
2020-09-24 - DDDDesign 👍（0） 💬（1）
老师好，关于第一部分体系化的指标的应用看的不是很明白，说下我的理解看跟你这边要表达的是否一致： 1、体系化的指标和抓手可以看做是表格的横列和纵列，两列的交集才会有实际意义，单看每一列可能仅仅是客观的数据。 2、体系化的指标可以当作一个固定的指标库，3个抓手可以看作是把这些固定指标串联起来的线索，在实际应用的时候，可以根据场景选择适合的抓手+适合的固定指标，两者交叉得出更能反应问题的分析结论。 不知道我这样的理解是否跟老师要表达的意思是一致的？
2020-10-02 - 丹妮_Danni 👍（0） 💬（1）
hi～对于那些不能产生转化或交易的体验设计，对于企业该如何筛选呢？
2020-09-10 - 张三石 👍（8） 💬（0）
这类话术，适用于商用洽谈、客户沟通，容易让对方产生不明觉厉的感受，但对实际项目操作指导不多。不过可以理解，此课程内容相当与武功里的内功心法。但想短时间就运用在实际项目中还自己慢慢顿悟
2021-03-11 - 詹姆斯Li 👍（4） 💬（1）
电动车的例子，其实也不能说现在传统车厂获取不到用户数据，现在国内网联车在新车的搭载率已经很高了，大部分车厂其实都可以获取到用户的用车数据。尤其是电动车，有国家制定的32960标准要求，即使是为了过认证，基本的车辆运行数据都是要收集的，区别只是在于不同车厂收集的数据集合会有差异，然后最大的考验在于如何从收集上来的数据分析出用户的习惯，在我的经验里，这些数据有些车厂在分析车辆工况方面是有些用的，但在分析用户喜好和习惯方面我接触的车厂客户做的都不太好。不知道蔚来在这方面有什么先进经验，是通过搭建完整的车主服务体系么？搭建蔚来这样完善的车主服务体系从经济层面是否足够经济，老师能介绍一下吗？谢谢。
2020-09-20 - 老燕 👍（4） 💬（0）
以前产品体验的量化统计，只考虑了市场维度的规模、流量、活跃、留存、转化、裂变等数据，解决不了综合性体验问题。 现在看来唯一管用的方法的是看情况：看具体产品、服务项目处于什么阶段；从不同价值角度区分的客户层次；在什么体验场景下产生链接、交互；关键指标量化要细致入微；长期持续的动态数据监测，综合考虑，配比权重、优先级，以备随时优化等等。
2020-09-09 - 成立 👍（1） 💬（0）
似乎知道，但又没摸到，如何操作，可以更细致点
2021-06-27 - tris 👍（1） 💬（0）
理论性大于实践性，希望补充具体案例解说
2021-04-18 - Geek_1763f6 👍（1） 💬（0）
“我们要通过服务体验和用户生命周期以及促成交易的权重关系，来计算出体验设计所带来的交易增长预估规模是怎样的，而每一个体验功能的改进，与最终规模的相关性是多少”这句话不是非常明白，请问： 1.促成交易的权重关系有哪些维度？如何判断？判断依据是什么？ 2.体验设计所带来的交易增长预估规模如何计算？ 3.每一个体验功能的改进与最终规模的相关性如何计算？
2021-02-24 - 宋净安 👍（0） 💬（0）
认知很好，这个是最重要的第1步。但需要落地，有点断层；不知道后面是不是有场景拆解。
2021-11-09 - 肖明 👍（0） 💬（0）
前段时间接触了一个根据数据模型去实地调研模型的准确性的项目，看完才知道自己还是井底之蛙
2020-10-10 - UX 👍（0） 💬（0）
讲的真好，就像一楼说的，如果例子能多一点就更好了。而且，如果能更新快点更好了，😄
2020-09-16