用户访谈报告+用户模型+用户模型方法论

用户访谈报告+用户模型+用户模型方法论

这次的用户访谈报告主要包含三个方面:

 

第一部分是访谈相关的记录,包括问题有哪些、问题的具体回答结果、以及用户反馈意见收集。这一部分更多的是为了记录,为第二部分的用户模型做基础;其中的用户反馈意见部分我在之前的日报和周报里都反馈了,所以大概看看就好。

第二部分是根据访谈建立的用户模型,内容包含为什么我们需要用户模型、一个用户模型的小例子、还有具体的五个用户模型。这一部分是这篇文章的主要内容,不过由于时间原因,本文并没有加入数据库中的用户行为数据,所以得出的用户模型并不能做到非常准确或者全面,数据的部分可能考虑后续加入模型中。目标是至少用数据去预测特定用户模型大致人数,以后做新功能的时候,就可以依据模型对相关数据做出一个预测。

第三部分是用户模型依据的方法论。这一部分会比较抽象,而且我暂时也没有完全确定用户模型或者是用户画像是否应该这样做,所以除非很感兴趣,要不然并不需要阅读。

 

访谈所用到的问题列表可以参考我上传到PM面板里的PDF47_问卷上传_2020.4.28.pdf


第一部分:访谈记录


Temp.png

用户反馈问题总结

  • 题库内的部分图片加载不出来
  • 出题会遭到恶意反对,有些人被别人反对之后会报复性反对其他人,希望官方参与审核
  • 到账慢导致第二天达到提现上限无法提现
  • 答赚看广告的贡献点比答妹多
  • 学习用户认为广告太多,而且不太喜欢看那些广告
  • 有些学科的题目有些错误,或者是没有解析的问题
  • 不信任提现功能
  • 很多用户喜欢用qq看点,可能考虑转发一下软文

其他问题总结

  • 对于网赚用户来说,我们产品最大的价值在于具有稳定的收益
  • 小朋友们很快就要开学了,考虑到他们开学之后在上学日普遍不能用手机,我们可以考虑进行一些针对性的调整促进留存
    • 比如说推出一些周末活动或者任务,让小朋友可以在周末参与
  • 不同用户有不同的需求,功能调整或者上线新功能的时候需要考虑用户偏好以及使用场景的不同,例如针对小朋友的功能可能做成周末的活动任务会比较合适。

第二部分:用户模型

为什么需要用户模型

用户对于我们来说是需求的合集,而不是特定的某个人。单个用户的需求是无限的,同时每个用户的需求都各不相同。但是在特定的场景或者情境下,用户的需求会被约束,并且表现出一定的相似性。(举个例子,当你因为某个冲动打开Dota的时候,这个冲动肯定不是你想要玩一个射击游戏。)


产品是我们和用户交易各自价值的媒介,我们所有的工作都是为了促使交易行为更加频繁的发生,提升交易双方从交易中获得的价值(效用)。但是客观条件导致了媒介必然有局限性,所以用户在局限性这一约束条件下必然会表现出相似的需求,这些具有相似需求的个体就可以被看成需求的集合,用户模型就是这些需求的集合。


在了解我们的用户所具有的需求集合后,我们就可以对不同的用户模型对产品进行更加精细的优化,确保一部分用户在使用产品过程中获得的满足感更大,同时尽量不影响另一部分用户的使用体验,从而促使用户更多的使用我们的产品。同时需求模型还可以持续更新,确保了我们对于用户的认识是不断深入的,而不是每次上新功能之前都需要重新了解一遍。


这次一共访谈了五位用户,虽然数量不多,不过五位用户刚好分属两大不同的用户分类,最后两个用户相对来说比较相似,实际上可以勉强归为一类。(不过调研结果肯定受到样本偏差的影响,因为几个调研对象都是从qq群里找的)


关于网赚的小例子

前提

假设网赚收入达到可随意支配收入的10%或者可支配收入的5%以上(取最小值),用户就会愿意长期使用我们的产品。(这个部分暂时是假设,后续会随着用户样本的增多更新)

 

推论

我们首先分析一下调研用户的收入,因为不同的收入会影响网赚用户的边际效用。对于年龄小、零花钱少的用户来说,每一块钱额外收入带来的边际效用会很大;对于年龄大、零花钱多的用户来说,每一块钱额外收入带来的边际效用可能很小。

本次调研显示用户的每月收入分布在500 - 1500之间。扣除食物等必要支出外的,用户的每月可随意支配收入可能在50 - 600左右;年龄越小,可随意支配收入的绝对值和占比就越小;年龄越大,可随意支配收入的绝对值和占比就越大。

假设用户A每个月有600元零花钱,其中100元是可随意支配的。那么如果他有一个“我每个月可以从答赚中获得10元钱的预期”,他就有成为长期用户的可能性。假设用户B每个月有1500元零花钱,其中600元是可随意支配的。那么如果他有一个“我每个月可以从答赚中获得60元钱的预期”,他就有成为长期用户的可能性。


结果

A用户可能是中学生,只有在周末才能玩手机,对他来说达成10元目标很困难,因为他一个月可能只有8天能玩手机。B用户可能是大学生,平时没事的时候就能用网赚app,如果同时玩答妹和答赚的话,达成60元的目标可能也很简单。另外A用户每获得一块钱,都会将他每月可随意支配收入提升1%,而B用户每获得一块钱,只会将每月可随意支配收入提升0.16%

所以我们可以考虑降低周末提现的门槛,提升非周末体现的门槛,保证在不影响大学生利益的前提下,让初中生可以在周末获得较高收入,增加他们愿意参与任务或者使用app的意愿。

上述网赚的边际效用就是网赚用户的用户模型的组成部分之一。


行为分类

首先需要说明的是用户行为不一定和效用函数等价,因为相同行为背后的诱因可能是完全不同的。(举个例子,小明和小黄某天早上都选择跑步上学,小明选择跑步上学就可能是因为他觉得自己需要减肥了,而小黄选择跑步上学可能是因为小黄今天起晚了)

在具体的开始构建用户画像之前,我们先根据用户所表现出来的实际行为将他们分类。首先根据行为归类有两个原因,第一是因为行为是我们可以观察到并且客观发生的事实;第二是因为行为是由产品和用户共同决定的。

 

对于答赚或者答妹来说,我们可以将用户分为两个大类:第一类是【网赚用户】;第二类是【内容+轻网赚用户】

【网赚用户】:他们的特征是倾向于选择时间成本最低的路径,以便在最短时间内达到当日的提现目标。他们往往有比较充裕的时间,年龄也相对大一些。具体表现为:每次使用都会尽量达到最低提现额度,并且会当日提现(例如600智慧点和30贡献的);每日签到并且看双倍广告;只回答自己擅长回答的题目等。

【内容+轻网赚用户】:他们的特征是倾向于内容消费,在此期间所有阻碍他们消费内容的情境都会降低他们的体验。他们往往没有那么多时间玩手机,年龄相对小一些。具体表现为:不使用或者很少使用看广告获得双倍奖励的功能;不使用或者很少使用提现功能;使用时长低于网赚用户平均时长等

 

在行为分类的基础上,我们开始根据用户访谈、行为数据(这个部分之后再补,时间不太够)等行为记录,推测用户的认知与偏好函数,并且将相似认知与偏好函数抽象成一个用户模型。

用户模型

网赚用户 - 网赚头子

01.png

模型一:网赚头子


补充说明:

网赚头子是一类很特殊的用户模型,他们的数量在所有用户中的占比非常小,他们的核心需求和我们也有一定的冲突。但网赚头子最大的作用是促进自传播,所以我们需要研究网赚头子在什么情境下会更愿意传播产品。

  • 从权威性的角度来说,网赚头子偏好传播以下两类产品“操作后有高额收入的产品”;“变现稳定的产品”
  • 从获得收益效率的角度来说,他们会偏好“变现操作复杂度高的产品”和“具有高额分享奖励的产品”


总结

网赚头子对于我们最大的价值在于他们是自传播的重要渠道,实际上他们在网赚群里也的确会帮助我们传播。

image.png


在考虑如何最大化这类用户价值时,我们需要注意两个因素:

  • 答赚头子长期传播特定产品的动力主要还是来源于第二偏好,即收益效率(最近在群里疯狂传播星事物)
  • 答赚头子通过自传播带来的用户一般都是铁杆网赚用户,我们需要平衡新增、留存和收入之间的关系

在上述前提下,之前的收徒或者分红模式就很适合我们用来最大化该类用户的价值,如果网赚头子分享所获得的收益在很大程度上取决于群友在app中的行为,那我们就有机会设计出一套能够平衡新增、留存和收入三者关系的机制。


网赚用户 - 网赚用户(认同感主导)

02.png

模型二:追求认同感的网赚用户


补充说明:

追求认同感的网赚用户是一类很普遍的用户模型,他们的数量并不少,他们的明显特征是网赚并没有成为他们生活中的一部分(毕竟不是核心需求),具体来说就是他们对于从网赚app上获得的收入没有一个明确的预期用途,又或者他们没有一个固定使用习惯;另外一个特征是他们对于负面体验非常敏感

 

无论无何,该类型用户的核心需求和我们的核心需求属于激励相容(毕竟给用户提供一些心理安慰不会影响我们的收入)。该类型用户现阶段属于易流失用户,我们需要研究在什么情况下该类型用户愿意留下并且能给我们提供更多的收入。

  • 从偏好的角度来说,我们需要引入一些认同机制,包括之前杨柳说过的虚拟偶像什么的,甚至是一些简单的小任务,核心的要求是用户在使用了该功能后,能在短时间获得正向反馈,并且感觉到自己被认可。
  • 从负偏好的角度来说,我们需要极力避免一些会出现负面反馈的情境。

 

我们可以考虑用底线需求;够用就好;越多越好;惊喜模型去具体分析该类用户的需求


总结

【追求认同感的网赚用户】对我们来说的最大价值就在于他们具有一定的可塑性,同时如果我们能够满足他们的核心需求,该类型用户会愿意长期留在我们的产品中,并且自身的网赚属性会被削弱,帮助我们创造更多的价值。即使我们没法满足他们的核心需求,如果我们能够培养这类用户对于网赚功能的使用习惯,通过现有的网赚机制给与该类型用户一定的认可,那么他们应该会愿意在中短期之内留在我们的产品中。


网赚用户 - 标准网赚用户

03.png

模型三:标准网赚用户


补充说明:

标准网赚用户是我们的目标用户,是支撑留存和日活的关键,他们的数量应该比较多。他们的明显特征是网赚成为了他们生活中的一部分,具体来说就是他们对于从网赚app上获得的收入有一个明确的预期用途和固定使用习惯。(比如,被访谈的用户就会拿网赚收益去买早餐)

从我们的角度来说,可以考虑稍微增加一些广告提升收入。因为追求稳定收益的用户,必然在主观上高估替换成本,少许的体验降低不会对他们的使用行为造成太多影响。但是过度的改变一定会造成用户流失。(比如,访谈用户曾经有一段时间没有使用我们的产品,因为当时必须通过懂得赚邀请体现,她觉得太麻烦了)

 

上述改变需要优秀的金融系统设计、任务系统设计和实时数据监控,保证我们的调整是在用户的可接受范围内。

 

另外需要考虑如何更好的满足这类用户的需求,目前的稳定网赚模式可以保证该用户每天上线一个小时,但是如果用户对产品内容更感兴趣的话,他们可能会增加内容消费的时长,一方面是因为单位时间成本被降低了,另一方面多余的智慧点也可以拿来拼第二天的高额提现。(访谈用户目前就常常会为了拼第二天的高额体现多刷一会)说的更直接一点就是,内容质量和更丰富的智慧点玩法都有可能增加该类型用户的使用时长。


总结

该类型用户就是我们的目标用户,他们的各类需求都可以是我们的重点优化方向。


学习+轻网赚用户 - 伪学习用户


模型四:伪学习用户


补充说明

伪学习用户属于网赚用户潜在用户的子集,他们的数量在所有用户中可能属于比较少的,该类型用户最大的价值就在于他们是首次使用网赚产品的用户,如果我们能够成功引导他们使用网赚功能的话,就能够获得一定的先发优势,即他们对于网赚产品的认知是由我们建立的,在以后使用其它网赚产品之前,会以我们的产品为标准去评价其他产品,同时任何更换都有一定的替换成本。

 

总结

伪学习用户的价值必须要在激活网赚属性之后才能得到兑现,针对这一部分用户做的功能优化应该集中在降低信任成本上。具体来说,如果我们的提现功能可以提供部分不需要绑定的,或者绑定非重要账号的功能,就有机会激活这一类用户。其他降低信任成本的方法有待后续思考。


学习+轻网赚用户 - 萌新学习+轻网赚用户

05.png

模型五:萌新答题+轻网赚用户


补充说明

这部分用户的转化应该成为一套固定流程。虽然他们得数量可能不多,但是每时每刻都有许多小朋友第一次拿到自己的手机,如果这部分用户能够持续转化成我们的用户,并且他们的认知和偏好能向我们所期待的方向转变,那么就会成为新增以及留存用户的一种稳定来源。同时由于他们的零花钱普遍比较少,网赚的边际效益比较高,所以我们留下该类型用户的成本会比较低

 

后续调研中如果刚好碰到该类用户,需要有针对性的询问该类型用户的在一开始使用手机时会使用哪些app、他们是如何知道答赚的、还有他们会在什么地方获取其他应用的信息。

 

结论

对于这一部分用户,优化内容和提现的体验是最为重要的。具体来说,内容可能需要简单有趣,让小朋友们在特定分区答题的时候体验上升,并且完成一些额外的内容消费。同时对于内容的时效性要求不高,因为对于萌新用户来说所有的梗都是新的。

另外需要注意到的是目前的学习型用户由于年龄普遍偏小,他们的使用时间是比较特殊的,一般情况下工作日是不可以玩手机的,而到了周末也可能需要得到父母的允许才能使用手机。而到了寒暑假,他们可能反而会变成有最多空闲时间的用户。


第三部分:方法论


认知函数:特征输入 - 认知函数 - 认识输出

偏好函数:效用排序

效用:消费货物或者服务所获得的满意度.(认知函数+偏好函数)

  • 认知函数决定了用户对于一个事务的认识
  • 偏好函数基于认知函数,决定了用户对该事务的满意度,即效用函数


用户(个体认知与偏好函数)

  • 认知函数决定了用户对于一个事务的认识
  • 偏好函数基于认知函数,决定了用户是否喜欢某个事务

 

用户(个体认知与偏好函数的特征)

  • 异质性:由于先天遗传及后天生活经验的不同,每个个体都会表现出不同的认知与偏好函数
  • 情境性:认知与偏好函数在不同情境下输出不同结果
  • 可塑性:用户的认知函数与偏好函数是可变的,会随着外界不同信息的刺激发生变化
  • 自利性:用户总是追求效用最大化
  • 有限理性:用户虽然追求理性,但由于客观约束条件,只能做到有限理性


用户模型(认知与偏好函数的抽象集合的特征和构建方法)

  • 异质性:构建认知与偏好函数的抽象集合,首先必须根据认知与偏好函数归类,然后在此基础上寻找个体与模型间的对应关系。
    • 认知及偏好归类
      • 认知函数:不同的个体会对同一事务有不同的认知
      • 偏好函数:不同的个体即使认知相同,也会有不同的偏好
    • 相似特征可以分为主观相似及客观相似
      • 主观相似:边际效益最大的目的【例如对于生活中缺乏认同感的人来说,认同感可能是对他来说边际效益最大的主观追求】
      • 客观相似:可被观察到的外在属性【例如都是初中生】


  • 情境性:构建情境的抽象集合,必须考虑相同场景内不同用户模型之间的差异性,和不同场景内同一用户模型内部的差异性。换句话来说,通过异质性检测后的用户模型,必须要放在不同情境中验证是否出现预期行为。
    • 在同样的情境下,不同的认知与偏好模型会表现出不同的行为【举个认知函数的例子:针对提现这一功能,初中生会认为提现是骗人的,普通用户认为坑爹,老羊毛党认为挺好】
    • 不同的情境下,一个认知与偏好模型会表现出不同的行为【举个认知函数的例子:针对答题这一功能,我自然认为是没用的,但是初中生会认为做题能学到点东西】


  • 可塑性:抽象集合本身不具有可塑性,因为抽象集合如果改变了,那他就不是原本的抽象集合了,但是从属于某个抽象集合的个体具有从一个抽象集合向另一个抽象集合转变的可能。
    • 认知函数比较容易改变【举个例子:如果初中生尝试过多次提现,并且发现提现不会有危险,那么他的认知函数就能被改变】
    • 偏好函数比较难以改变【举个例子:如果一个初中生是为了学习成为答赚老用户,那么学习对当前的他的效用远大于其他部分,他不会因为看广告可以多赚点钱就去疯狂看广告,因为当前时刻,他的主要矛盾是学习,而不是穷,而我们没办法让他穷(钱给的够多属于强行转变主要矛盾)】


  • 自利性:用户总是追求主观上的效用最大,从抽象集合的角度来说,就是要认识到对于特定的抽象集合的主要矛盾,或者说边际效益最大的那个消费
    • 什么才是他们的主要矛盾【举个例子:对于老羊毛党来说,赚钱可能是其次的,掌控感可能更为重要;对于迷茫小妹来说,被认可是最重要的,赚钱属于其次(当然赚钱也是一种认可方式)】
    • 或者说什么才是边际效益最大的目的
    • 或者说要深刻认识他们的偏好函数


  • 有限理性:抽象集合中的认知与偏好函数一定包含非理性的部分
    • 特定的抽象集合一定有特定的非理性部分【举个例子:由于信息不完备,初中生可能认为答赚是个很好的学习软件,如果他知道作业帮的话可能就不会这样想了】


用户行为流程分析

image.png


  • 特定的认知与偏好函数遭遇特定情境
    • 情境是用户行为发生行为的外在因素(理论上外因只是行为发生的条件【举个例子:对于完全没有网赚偏好的抽象用户来说,网赚功能做的再好,用户也不会因为情境的刺激产生使用网赚功能的想法;但现实生活里面不存在完全没有网赚偏好的抽象用户,如果网赚功能做的好,用户是有可能因为情境的刺激产生使用网赚功能的想法】)
    • 偏好与认知函数是用户发生行为的内在因素(理论上内因是行为发生的依据【例子可以参考上面那个】)


  • 感性认识阶段(产品设计可以直接干预,干预方法包含...)
    • 感知:用户首先感知情境,获得一个感性的认识(产品所传达的各种信息)
    • 解读:获得感性认识后,用户会在脑子中或快或慢的解读感性认识(特征发现阶段【举个例子:类似于你看到一个桌子一样的物体,你可能会注意到四个腿一个平面这个特征,也可能注意不到】)


  • 理性认识阶段(产品设计只能间接干预,干预方法包含...)
    • 选择合集:用户会将他所解读的信息归类到以往的经验当中(我们不知道特定用户具体的认知函数,但是我们知道特定抽象集合可能拥有的认知函数,这一步骤相当于选定一个认知函数【举个例子:网赚用户对于网赚产品有自己的认知函数,如果我们提供的情境和网赚产品的普遍情境相似,用户就会第一时间把我们的产品归类到网赚产品上去】)
    • 模拟推演:用户会用以往的经验,模拟推断该情境可能的结果(这一步骤相当于用特定的认知函数判断后获得的结果【举个例子:用户将我们的产品归类到网赚产品后,他会判断我们的产品可能给他带来什么效用】)
    • 价值判断:用户会借由他所推断出的结果,做出价值判断,并决定是否做出实践的决定(偏好函数起作用,用户将模拟推演的结果放入偏好函数进行排序,并且根据排序决定是否实践)


  • 实践检验阶段(产品设计可以直接干预,干预方法包含...)
    • 用户根据实践验证实践结果验证自己的理性认识(即验证该过程是否符合自己的理性认识),并且修正自己对于特定情境的认知函数


产品效用与用户效用的不对等性

  • 底线需求:用户期望的效用是不能低于某个底线,例如打车必须安全
  • 够用就好:这一类需求,对其满足程度的增加所产生的用户效用是边际递减的
  • 越多越好:这一类需求,对其满足程度的增加所产生的用户效用是边际递减的
  • 惊喜:指用户一般不会有预期和要求,但如果做了,也会产生一定的增量的效用

















思齐思齐

如果觉得我的文章对您有用,请随意赞赏。您的支持将鼓励我继续创作!

赞赏支持
被以下专题收入,发现更多相似内容