管理学大师彼得•德鲁克曾说过:If you can’t measure it, you can’t improve it(如果你无法度量它,你就无法改进它)。
易观千帆:不管是对于银行还是其他行业领域来说,良好的用户体验通常需要刻意了解与设计。尽管现阶段来说,体验很难被科学客观地分析,但将度量这种手段运用于体验的管理是非常有必要的。
01
为什么要做体验度量?
简单来说,用户体验度量是通过一套测量体系量化用户体验的过程。以银行为例,从银行业线上APP场景整体用户体验管理情况可以看出,在用户体验度量上普遍存在以下问题:
体验衡量维度过于抽象主观:对于银行内容部来说,不同部门之间对于用户体验的衡量难以统一,甚至过于主观,相关部门提出的体验优化方案难以得到直接证据支持,各部门很难达成共识,方案难以推进落地。迭代优先级难排序:银行现有的调研能够收集到一定数量的用户反馈问题,但是这些零散的应急需求很难被高效地纳入体验优化项目。效果数据难监测:迭代后的APP版本用户体验效果与留存数据难监测,用户粘性数据包括用户留存、用户使用时长等,从这些数据监测结果获取用户体验信息并不容易。
获得用户反馈的过程是从用户经验中学习并制定改进计划的优质方法,用户体验管理不仅能获取用户使用产品的整体感受,还能用来度量旅程某一阶段的体验效果。可以帮助企业实现产品价值、用户价值、商业价值,甚至是社会价值。
02
如何度量用户体验?
体验度量一般可以分为五个步骤:拆指标、采数据、做诊断、再优化、续监测。
1. 拆指标
首先要明确这个产品的用户体验由哪几部分构成,通过比对分析业界相对成熟的指标模型,发现各个模型有不同的切入点,比如 PULSE 模型以网页产品商业化为导向,HEART 模型以用户为核心,PTECH 模型更适合企业级产品,UES 模型更适合技术产品等。涵盖的维度多种多样,有的维度是产品相关指标,比如留存率、日活用户数、转化率,有的维度是用户侧反馈,如 NPS 净推荐值、满意度。
2. 采数据
有了度量指标之后,需要通过从不同渠道去收集尽量全面的数据。那么度量的数据也可以有多种来源,比如通过用户访谈得到用户主观使用感受(定性数据),通过问卷调研得到满意度或是易用性评分(定量数据),通过后台数据得到用户的行为数据(定量数据)。
3. 做诊断
收集了大量数据信息之后,需要设定不同维度的权重,并通过一定的规则计算出各指标的最终得分。同时每项指标的背后都有一种或多种的数据采集方式,每项指标的数据颗粒度也不同,有的可能只针对一个模块,有的可能涵盖整个使用过程。因此,在设定计算规则的时候,要尽可能全面客观。
最后,将度量体系的各个维度进行加权计算,基于数据表现,可以诊断出产品的提升信号。
4. 再改造
通过前面几个步骤的计算得分,产品已经有了较为宏观的改造方向,可以再结合前期调研收集的用户反馈问题,重点解析数据表现背后的原因。这个阶段需要引入更细致的专家评估等方法,对各类问题的优先级进行排序。
企业计划结合产品现有的移动化进程,首先提升完整性,然后分批次地针对核心模块优化易用性、任务效率,并通过概念设计及用户测试等方式进行产品优化改造的快速验证。
5. 续检测
后续,企业也希望引入更多用户的行为数据指标,如用户活跃度、用户增长率、功能插件使用率、页面点击率等,从业务指标中获得更全面的数据信息。
同时引入监测工具,对产品重塑后的关键指标进行持续追踪,周期性监测指标的改善情况,让各部门同时参与体验度量的工作,提升优化产品的效率。从体验度量指标的数据采集到数据分析到数据的可视化,再到最后的优化落地,让体验度量的闭环全程可管理。
量化用户体验需要多维度考虑。在多维度单一考虑之后还要考虑交叉关联。这是一个体系化的过程。对于企业来说,完整地度量用户体验,需要一整套数据场景与逻辑与体验度量的维度相关联,而这也是用户体验管理的难点和关键点。
以银行APP用户体验度量为例,在用户体量见顶,存量竞争仍激烈的今天,想要实现全流程的用户体验度量、管理、优化,并与业务、技术、运营等部门联动,并非易事。
易观千帆用户体验分析产品(UEA)在助力银行优化用户体验,并通过用户体验管理提高银行差异化竞争力方面可以通过颗粒化、量化指标分析,专家评测、用户评测结果等定制化用户体验优化解决方案,并通过用户粘性数据监测APP迭代效果,帮您完成用户体验从开始度量到监测结束的完整闭环。
为助力金融机构实现用户体验提升,易观千帆面向金融行业企业推出了全方位、数字化解决方案——用户体验分析产品。结合数据分析、监测、报告等方面,真正为金融企业个金、产品、研发、营销等部门,提供金融类APP全方位的体验评测,从交互体验、功能设计、性能安全、用户粘性等多方面,提供全面客观的体验感受评价,推动金融企业内部各部门实现统一目标、统一标准、统一路径的用户体验提升规划与落地,提升自身APP对于用户的服务能力。
声明须知:易观分析在本文中引用的第三方数据和其他信息均来源于公开渠道,易观分析不对此承担任何责任。任何情况下,本文仅作为参考,不作为任何依据。本文著作权归发布者所有,未经易观分析授权,严禁转载、引用或以任何方式使用易观分析发布的任何内容。经授权后的任何媒体、网站或者个人使用时应原文引用并注明来源,且分析观点以易观分析官方发布的内容为准,不得进行任何形式的删减、增添、拼接、演绎、歪曲等。因不当使用而引发的争议,易观分析不承担因此产生的任何责任,并保留向相关责任主体进行责任追究的权利。