作者 | TWInsights
随着企业组织的逐渐壮大，服务类型日益丰富，用户客群也愈发多样，此时用户体验的有效评估和管理便成了企业亟需解决的核心难题。
常见挑战
在和多家大型企业的合作经历中，我们发现传统企业对于体验的认知和管理常存在如下挑战：
1.主观评价占主导，缺少统一理解和客观认知
用户体验在很多人眼里都是一种虚无的、只可意会不可言传的主观感受，当大型企业需要对他们的服务和产品进行有效管理时，我们发现大家对于体验的理解、目标以及策略都没有清晰、统一的认知，更谈不上有效的追踪与管理。
2.传统研究方法无法有效利用现有行为数据，赋能于体验和业务
通常这种企业会有一个体验管理小组，负责在产品的研发过程中辅助业务线进行传统的用户访谈和可用性测试，且会有意识的收集产品中的埋点数据。这种传统的样本数据分析方法具有样本量有限和时效滞后等缺点。与此同时，对于系统上产生的丰富的用户行为数据或交易数据，却缺乏有效的行为分析，无法通过及时的梳理和洞察，输出有价值的线索并赋能于体验或业务的优化。
3.无法持续形成“问题定义、优化改进、效果评估”的闭环
在很多企业，体验问题的定义和优化具有随机性：可能是专家走查时发现的问题、可能是好几个用户反馈了同样的问题，也可能是某个领导遇到了一个问题下令必须修改。这类体验优化后的结果往往不得而知，用户不再吐槽、领导点头满意就是目标达成吗？久而久之这层面纱让体验管理更加神秘莫测。
现有方法的不足
面对上述问题和挑战，我们也看到市面上有很多咨询公司和SaaS平台型产品涉足于此，力求通过用户旅程核心节点的体验度量，让体验管理的方式更加直观高效。然而基于多年的体验度量和管理经验，我们也发现现有方法和产品或多或少存在以下问题：
1.迎合管理者的视角，忽视执行者的需求
为了使管理者更好的掌握、评估产品或服务的体验，需要有更多的结果型数据作为支撑。比如需要用户在使用完某个产品或服务时对体验作出评价，如“你对此次服务是否满意？5分代表非常满意，1分代表很不满意”。所有这些数据的评估都是结果指标，管理者确实可以通过这个结果更好的识别问题发生的环节，但是对于执行者来说，也只能知道执行的结果，却无法了解原因，更不知该如何改进。
2.没有目标和策略，只谈度量和结果
我们还发现，由于很多平台型产品具有较强的快速获取与分析数据的能力，可以快速的定义出体验指标并收集数据结果，对于不同产品和服务的指标和分析方法都是趋同的。然而对于一个产品或服务的体验来说，它的生命周期、阶段目标和基于这个阶段目标的体验策略是第一位的。只有基于清晰的产品目标和明确的体验策略，才能构建有意义的指标体系及有效的结果。比如对于银行A和银行B来说，他们的目标都是提高存款金额，但是银行A服务的是本地商业用户，其策略是提供有竞争力的存款产品，银行B正在竞争小微企业的新客群，希望通过新客群的引入提升存款金额。那银行A更应该关注的是用户在产品引流、购买、转化时的体验和指标结果。对于银行B应该关注对于新客群的引入、开户与初次服务的体验和指标结果。
3.体验度量的指标结果为纯主观反馈，缺乏与客观指标结果的深度结合
同时我们还看到，有些方法把体验度量的指标聚焦在用户的纯主观反馈如满意度的评估，但是这些反馈的客观性存在样本代表性的偏差或缺少有效的解释。虽然他们也意识到这种结果的局限，而提倡X Data（体验数据）与O Data（运营数据）的结合。但是如何进行有效的结合，目前我们还未在市面上看到体系化的方法介绍。
数据驱动体验度量的方法——四个关键问题
基于以上挑战，我们构建了数据驱动的体验度量方法框架，希望帮助企业形成一套”以业务目标为导向，以用户数据为支撑，以体验提升为目标“的闭环管理体系。这套体系主要回答4个关键问题：
1.什么是好的体验？
好的体验不仅仅是用户满意，而是在用户满意的基础上有效支撑业务目标。所以我们应该基于业务目标定义体验指标，以及从北极星指标到细节关键指标的层层拆解。
2.体验的结果怎么样？
在这个阶段我们会对体验指标进行数据收集和评估，因为指标有主观数据和客观数据，有线上数据也有线下数据，所以评估的方式和手段也是非常多样的，包括但不限于行为数据、交易数据、线上主观量表、性能数据等。
3.背后的原因是什么？
有了指标和指标的结果，对于数据驱动的体验度量才刚刚开始，更重要的是我们需要通过体系化、多维度的分析和洞察来找到产品或服务体验不好的潜在线索和原因，建立有效的假设和验证，真正助力体验的优化和提升，这也是我们的体系之所以能更好的平衡管理者和执行者视角的原因。
4.如何改进优化？
当洞察到可能的线索和原因，我们就可以更好的和传统用户研究和体验设计的方法进行结合，做更准确的验证、挖掘和分析，并设计可能的优化方案，这也是企业里传统设计师非常熟悉且擅长的工作。但在真正上线前我们仍需要通过有效的方式对改进方案进行评估。例如原型阶段，通过完整的可用性测试收集对方案的关键任务结果和主观反馈；或上线前，通过AB Testing尽早评估优化方案对于体验指标的变化和影响，从而降低上线后对体验负作用的风险。
基于以上四个步骤，数据驱动的体验度量方法形成了以业务目标为导向，以用户数据为支持，以体验提升为目标的闭环体系。
尽管这套数据驱动的体验度量体系并不能保证每个企业一定能设计出一个体验非常完美的产品，毕竟对于用户的洞察和体验方案的设计仍然需要借助优秀设计师的能力和经验。但是对业务复杂度高、体验要求度高的企业或产品来说，我们可以通过这套方法体系，对齐所有人对体验的目标和认知，对体验进行全面、客观、持续的结果追踪，更高效的洞察线索和原因。从而提高体验管理的效率，降低体验优化的难度。
数据驱动体验度量的演进路线
搭建一个完整的体验度量和管理体系需要较长的时间和较大的投入，要想实现阶段性的价值呈现，可以参考以下路线：
阶段一：轻量级体验度量体系
在初始阶段，可以借助行业通用指标库，结合产品目标和用户诉求建立轻量的度量体系。这期间我们建议从线下展开评估，因为指标的定义、评估流程的优化、组织内的协作都还要经过一段时间（3-6个月）的迭代与磨合。
阶段二：数据驱动体验度量体系
在这个阶段，可以引入数据埋点指标作为用户体验的主要指标，从而提升数据结果的客观性、及时性和全面性。同时，可以结合主观体验指标和用户VOC（Voice of customer）的反馈，找到体验结果的线索和原因。在这个阶段可以获取线上埋点数据，并通过线上可视化工具做直观的呈现。
阶段三：数据驱动用户体验洞见
最后，希望通过构建更加深入和多元的分析方法，形成数据驱动用户体验的洞见。可以通过用户行为数据、交易数据反映用户习惯、偏好和使用场景，构建用户画像分析用户的需求趋势。在技术层面，通过对接不同系统更丰富的数据，搭建用户体验度量和管理的线上平台。
从而形成一条从单一主观数据到客观埋点数据，从抽样用户调研到全方位用户总体覆盖，从阶段性用户数据量表收集到持续的数据指标反馈，从聚焦痛点的闭环反馈到体验结果根因的挖掘和新需求新场景洞见的演进路线。
以此，作为数据驱动体验度量的背景和方法导入，希望大家可以建立对该方法的目标、优势、思路的整体认知和初步理解。接下来，我们会通过更多文章详细介绍数据驱动的体验度量的具体方法，敬请期待。
