作者 | TWInsights
隨著企業組織的逐漸壯大，服務類型日益豐富，用戶客群也愈發多樣，此時用戶體驗的有效評估和管理便成了企業亟需解決的核心難題。
常見挑戰
在和多家大型企業的合作經歷中，我們發現傳統企業對于體驗的認知和管理常存在如下挑戰：
1.主觀評價占主導，缺少統一理解和客觀認知
用戶體驗在很多人眼里都是一種虛無的、只可意會不可言傳的主觀感受，當大型企業需要對他們的服務和產品進行有效管理時，我們發現大家對于體驗的理解、目標以及策略都沒有清晰、統一的認知，更談不上有效的追蹤與管理。
2.傳統研究方法無法有效利用現有行為數據，賦能于體驗和業務
通常這種企業會有一個體驗管理小組，負責在產品的研發過程中輔助業務線進行傳統的用戶訪談和可用性測試，且會有意識的收集產品中的埋點數據。這種傳統的樣本數據分析方法具有樣本量有限和時效滯后等缺點。與此同時，對于系統上產生的豐富的用戶行為數據或交易數據，卻缺乏有效的行為分析，無法通過及時的梳理和洞察，輸出有價值的線索并賦能于體驗或業務的優化。
3.無法持續形成“問題定義、優化改進、效果評估”的閉環
在很多企業，體驗問題的定義和優化具有隨機性：可能是專家走查時發現的問題、可能是好幾個用戶反饋了同樣的問題，也可能是某個領導遇到了一個問題下令必須修改。這類體驗優化后的結果往往不得而知，用戶不再吐槽、領導點頭滿意就是目標達成嗎？久而久之這層面紗讓體驗管理更加神秘莫測。
現有方法的不足
面對上述問題和挑戰，我們也看到市面上有很多咨詢公司和SaaS平臺型產品涉足于此，力求通過用戶旅程核心節點的體驗度量，讓體驗管理的方式更加直觀高效。然而基于多年的體驗度量和管理經驗，我們也發現現有方法和產品或多或少存在以下問題：
1.迎合管理者的視角，忽視執行者的需求
為了使管理者更好的掌握、評估產品或服務的體驗，需要有更多的結果型數據作為支撐。比如需要用戶在使用完某個產品或服務時對體驗作出評價，如“你對此次服務是否滿意？5分代表非常滿意，1分代表很不滿意”。所有這些數據的評估都是結果指標，管理者確實可以通過這個結果更好的識別問題發生的環節，但是對于執行者來說，也只能知道執行的結果，卻無法了解原因，更不知該如何改進。
2.沒有目標和策略，只談度量和結果
我們還發現，由于很多平臺型產品具有較強的快速獲取與分析數據的能力，可以快速的定義出體驗指標并收集數據結果，對于不同產品和服務的指標和分析方法都是趨同的。然而對于一個產品或服務的體驗來說，它的生命周期、階段目標和基于這個階段目標的體驗策略是第一位的。只有基于清晰的產品目標和明確的體驗策略，才能構建有意義的指標體系及有效的結果。比如對于銀行A和銀行B來說，他們的目標都是提高存款金額，但是銀行A服務的是本地商業用戶，其策略是提供有競爭力的存款產品，銀行B正在競爭小微企業的新客群，希望通過新客群的引入提升存款金額。那銀行A更應該關注的是用戶在產品引流、購買、轉化時的體驗和指標結果。對于銀行B應該關注對于新客群的引入、開戶與初次服務的體驗和指標結果。
3.體驗度量的指標結果為純主觀反饋，缺乏與客觀指標結果的深度結合
同時我們還看到，有些方法把體驗度量的指標聚焦在用戶的純主觀反饋如滿意度的評估，但是這些反饋的客觀性存在樣本代表性的偏差或缺少有效的解釋。雖然他們也意識到這種結果的局限，而提倡X Data（體驗數據）與O Data（運營數據）的結合。但是如何進行有效的結合，目前我們還未在市面上看到體系化的方法介紹。
數據驅動體驗度量的方法——四個關鍵問題
基于以上挑戰，我們構建了數據驅動的體驗度量方法框架，希望幫助企業形成一套”以業務目標為導向，以用戶數據為支撐，以體驗提升為目標“的閉環管理體系。這套體系主要回答4個關鍵問題：
1.什么是好的體驗？
好的體驗不僅僅是用戶滿意，而是在用戶滿意的基礎上有效支撐業務目標。所以我們應該基于業務目標定義體驗指標，以及從北極星指標到細節關鍵指標的層層拆解。
2.體驗的結果怎么樣？
在這個階段我們會對體驗指標進行數據收集和評估，因為指標有主觀數據和客觀數據，有線上數據也有線下數據，所以評估的方式和手段也是非常多樣的，包括但不限于行為數據、交易數據、線上主觀量表、性能數據等。
3.背后的原因是什么？
有了指標和指標的結果，對于數據驅動的體驗度量才剛剛開始，更重要的是我們需要通過體系化、多維度的分析和洞察來找到產品或服務體驗不好的潛在線索和原因，建立有效的假設和驗證，真正助力體驗的優化和提升，這也是我們的體系之所以能更好的平衡管理者和執行者視角的原因。
4.如何改進優化？
當洞察到可能的線索和原因，我們就可以更好的和傳統用戶研究和體驗設計的方法進行結合，做更準確的驗證、挖掘和分析，并設計可能的優化方案，這也是企業里傳統設計師非常熟悉且擅長的工作。但在真正上線前我們仍需要通過有效的方式對改進方案進行評估。例如原型階段，通過完整的可用性測試收集對方案的關鍵任務結果和主觀反饋；或上線前，通過AB Testing盡早評估優化方案對于體驗指標的變化和影響，從而降低上線后對體驗負作用的風險。
基于以上四個步驟，數據驅動的體驗度量方法形成了以業務目標為導向，以用戶數據為支持，以體驗提升為目標的閉環體系。
盡管這套數據驅動的體驗度量體系并不能保證每個企業一定能設計出一個體驗非常完美的產品，畢竟對于用戶的洞察和體驗方案的設計仍然需要借助優秀設計師的能力和經驗。但是對業務復雜度高、體驗要求度高的企業或產品來說，我們可以通過這套方法體系，對齊所有人對體驗的目標和認知，對體驗進行全面、客觀、持續的結果追蹤，更高效的洞察線索和原因。從而提高體驗管理的效率，降低體驗優化的難度。
數據驅動體驗度量的演進路線
搭建一個完整的體驗度量和管理體系需要較長的時間和較大的投入，要想實現階段性的價值呈現，可以參考以下路線：
階段一：輕量級體驗度量體系
在初始階段，可以借助行業通用指標庫，結合產品目標和用戶訴求建立輕量的度量體系。這期間我們建議從線下展開評估，因為指標的定義、評估流程的優化、組織內的協作都還要經過一段時間（3-6個月）的迭代與磨合。
階段二：數據驅動體驗度量體系
在這個階段，可以引入數據埋點指標作為用戶體驗的主要指標，從而提升數據結果的客觀性、及時性和全面性。同時，可以結合主觀體驗指標和用戶VOC（Voice of customer）的反饋，找到體驗結果的線索和原因。在這個階段可以獲取線上埋點數據，并通過線上可視化工具做直觀的呈現。
階段三：數據驅動用戶體驗洞見
最后，希望通過構建更加深入和多元的分析方法，形成數據驅動用戶體驗的洞見。可以通過用戶行為數據、交易數據反映用戶習慣、偏好和使用場景，構建用戶畫像分析用戶的需求趨勢。在技術層面，通過對接不同系統更豐富的數據，搭建用戶體驗度量和管理的線上平臺。
從而形成一條從單一主觀數據到客觀埋點數據，從抽樣用戶調研到全方位用戶總體覆蓋，從階段性用戶數據量表收集到持續的數據指標反饋，從聚焦痛點的閉環反饋到體驗結果根因的挖掘和新需求新場景洞見的演進路線。
以此，作為數據驅動體驗度量的背景和方法導入，希望大家可以建立對該方法的目標、優勢、思路的整體認知和初步理解。接下來，我們會通過更多文章詳細介紹數據驅動的體驗度量的具體方法，敬請期待。
