产品经理-B端产品用户体验量化的三个案例

B端产品用户体验量化的三个案例笔者在学习TomTullis、BillAlbert的《用户体验度量》后，开始思考：针对B端产品，如何在线上才环境中，通过对移动用户数据的采集、分析，完成对产品的普通用户体验量化？本文得出进行三个案例进行尝试，从简单到复杂揭示三种量化简单的维度。很明显，这两种设计专业知识有研究能力一个很大的缺陷，就是很容易“拍脑袋”定方案——产品经理拍、设计师拍，更多的时候是高层领导拍。“拍脑袋”，有时真的是天才天才般的灵感欢笑，但大概率是盲目瞎拍过。因此，如何避免出现这种“瞎拍”，是体验设计师应该考虑一下的问题。“用户体验量化”就是一个很好的手段：“通过对用户体验各类的数据进行采集、分析，使用量化的数据证明设计的‘合适'与‘不合适'，合适的保留、不合适的继续优化为产品的迭代建设保驾护航”案例一：“任务”针对B端效率类的工具型产品，其不以用户留存时间为首要目标终极目标，反而如果能降低用户完成任务完成的延宕，则说明该任务链路的获得成功用户体验优化是成功的。因此，线上可以采集一个指标的数据：任务时长，即用户从启动任务到任务所用的时长。或者，直接采集用户从开启该B端效率类的工具型产品到最终离开的时长。通过比较优化前后的时长，前提条件以达到用户体验量化的目的。但是该类型产品所采集的数据存在一种图表缺陷——样本量少。原因在于在于这种产品在公司内部微乎其微的用户群体很小，例如一些基础类的金蝶产品，用户群可能在两位数。因此，采集的数据其分布状态离散、科玄珠无法反向通过分布状态判定。那么如何在非常有限的样本量情况下，区分统计数据其优化前后的用户视听享受数据呢？我们可以或进行数据分析：平均数，置信区间，t检验。第一步，比较平均数，并给出置信区间。

弟一歩：比较平均救’井给出迓值区间Before^时A^ftpr■疑时Usar-1T11T22T31□ser-2T12T22T32-User-nTinT2niT3nT2Ta觸啊賣洁区间gia2a3第二步，判断置信区间是否存在重叠，如果“无重叠”或“重叠较小”，则基本评定差异显著，绝对值也就可以直接通过优化前后差值及其置信区间来量化用户体验，参考第五步。第三歩：*检验第四步，如果t检验的概率值很小(<<0.05)说明差异性显著，变化表示改进前后的用户体验变化明显，也就可以直接通过优化前后的差值及其置信区间来量化用户体验。第五步，给出结论：该“任务”经过用户体验优化，成功降低了单次“任务”耗时。在95%的绝对值内平均降低了T3，其中置信区间为(T3-a3,T3+a3)。

针对B端产品的某个“表单”页面，在用户填写过程中采集两个的数据：当体验设计师优化该表单填写页面并发布网页上线后，比较前后正式版的耗时和报错次数，并将其值域至二维图，理想态应该是整体数据向左下移动，优化前耗时长、报错次数多，优化后耗时短、报错次数少。发散点1：如果表单有多个页面，可分别从整体和单个页面去进行量化分析，缺陷以发现链路的哪个环节仍然存在问题。

发式分析，甚至可用高等级异常置换高等级异常，以提升整体体验。^表单'•优化前后的数据分布Time如上，当只需分析两项指标的时候，可以直接将数据映射在二维图进行比较。但如果有3个及以上的指标，如何进行量化？可以通过给指标或进行“加权”，计算出一个综合分值，通过比较综合分值就可以间接量化其用户体验。假设有三项指标：p、q、r第一步：推导各项评价指标的分值函数（分数越高表示乐趣越好）。建议：如果指标的数据和得分是正相关，可以使用超越数(y=lnx)如果是负相关，则可以使用幕函数(y=l/x)。通过定义“满分、及格”两个坐标(如果需要更细腻，甚至可以定义多个形心，例如优良中差等等)，即可推导出各项指标的函数式(a、b均为系数)。Q、R。指标q分H分分H数迟数1居第三步：分配各项指标的正规化子：指标q分H分分H数迟数1居第三步：分配各项指标的正规化子：B、Y、6,其中B+Y+6=1。;针对单牛样璋，将各指标的数媚换算咸霍分割二坊指标P指标「rp+/4-3=1第四步：计算各个样本的综合分值。其综合分值等于每项指数的得分与权重的乘积之和，为：弟三歩；分配各项指标的权重rp+/4-3=1第四步：计算各个样本的综合分值。其综合分值等于每项指数的得分与权重的乘积之和，为：弟三歩；分配各项指标的权重■■常相也苗收・爭61丫S=P*B+Q*y+R*§3BS=P*B+Q*y+R*§3B四步匚计舁毎牛样本的综合分値第五步：数据分析。基于所有用户的综合分值S,参考资料使用案例一中的“平均数、置信区间、t检验”进行分析，比较优化前后的数据。第五步：黔据分析第六步：给出结论。该“表单”经过用户体验优化，成功提高了用户体验分值。在95%的相关系数内平均提高了S3，其中置信区间为(S3-a3,S3+a3)。第汗步：绘出结论舞合分值fS3L■■7优化前后差值案例三：“产品”针对B端产品，总体而言在量化其整体的用户体验时，会搜集多种类型的指标，包括不限于：绩效、可用性、满意度、生理数据等等如何使用多类型指标进行广告主体验量化？假设采集了以下3类共9种指标的数据：有两种方法原理可以对其进行处理：

方法1：叠加使用“二维量化”。针对“绩效”的指标pl、p2、p3,参考案例二中的处理原理予以加权，就可以得出一个“绩效”的分值P，同理可分别得出“可用性”的分值U和“满意度”的分值H；针对这三项分值P、U、H，稳步参考案例二中的处理方法，可以得出一个整合性分值S，即该产品的用户体验分值；方法1；叠加使用"二堆伍化"方法2：先“降维”，然后使用“二维量化”。将9种主要指标视为产品的9个维度，首先通过使用如前所述方法，得到9个互相独立具有正交特征的新主要指标(综合指标)。然后选出靠前的n个(n<=9)综合指标，参考案例附小的处理方法予以予以加权，就可以得出一个综合评价分值S，即该产品的用户体验分值。h2h3方渺:先“降堆“*然后使用h2h3方渺:先“降堆“*然后使用"二堆谥化”以上两种方法均可，但第2种可能会更精准、更直观。原因在于，虽然指标也是独立采集、甚至分属于不同的类型，但部分指标之间可能存在间有一定的正相关或负相关。例如，绩效指标“成功率”和可用性指标“帮助的实时性”可能会存在正相关：协助的实时性越高，成功率可能会越高。如果使用方法1进行处理，分项由于给各指标加权需要人为识别、决定，具有相关性的指标之间其权重难以有别。多次人为加权，不仅计算的精确性高、稳定性也很低。如果使用方法2中的降维：需要注意的是，降维肯定会损失一些内部信息，这可能会让最终结果不能100%体现原数据，但是通过把多维数据降至2、3维，进行就可以对其进行数据图形化，便于直观地发现分布形态。针对合并后才的综合指标，人为识别、加权更精准。降维原理有很多种，此处使用主成分分析法（PrincipalComponentsAnalysis,PCA）进行降维，其主要是通过对协方差矩阵进行特征分解，以得出数据的主成分（即特征向量）与它们的权值（即特征值）,步骤如下：第一步：选取10个样本（优化前后各5个）,参考案例二种的分值函数分别计算9个维度的分值：pl、p2、p3、ul、u2、u3、hl、h2、h3。第三步：第三步：M2內序9牛维屢的关联度第一歩：遼聽⑷牛样布，分别第一歩：遼聽⑷牛样布，分别TtMST堆虔的分迫第二步：使用PCA对采样的数据进行处理，针对处理结果按照还原程度由高到低列出主成分（新的综合指标Ml、M2、M3・・・M9），根据融资需求确定合适的还原程度，如果需要90%，则新的综合指标为M1M2。更二垢：使用PCA对祥本数据逍厅处理第三步：查看Ml、M2内原9个维度的关联度，据此可理解Ml、M2两个综合评价指标的含义，Ml主要代表pl、u2、hl,M2主要代表p2、u3、h2。

第四步：数据可视化。针对10个样本，利用各样本在Ml、M2两个新的综合指标内的分值（坐标），映射至二维图。第四歩；救据可视化M2（p2.備、h2）0M1（p1.u2.hl）第五步：给出结论。通过观察10个样本的分布初始状态，可以清晰推断出经过优化，产品的用户明显提高体验级分是否明显提高。另如果须要综合型得出一个综合分值S，则可以根据M1、M2的含义分别予以加权，参考案例二中的处理方法即可得出。After第五步：跆出结论M2fp2.