懂用户：数据分析+用户思维=精细化运营

前文提到要想影响用户的行为，可以根据 Fogg 模型，从动机、能力和触发三个方面入手。不过 Fogg 模型还有一些问题没有解决。比如用户购买的动机有很多种，所以我们会想出很多的卖点，那么这些卖点究竟怎么传达给用户？我们在什么场景下对用户进行触发？不同场景下触发什么卖点？

今天，我们就来讲一下如何以用户思维来思考业务，让分析更加精细化。

什么是用户思维

顾名思义，用户思维就是“站在用户的角度来思考问题”，了解用户的需求，并且能够让产品更好地符合用户的需求。

我把用户思维理解成两个部分，一个是用户需要什么，一个是我们如何影响用户。

有很多讲用户思维的文章，就是从众效应、厌恶损失、信赖权威、互惠等一些心理现象。这些只能算是能够影响用户的方法。这些知识点比较零碎，没法串联在一起，毕竟你不可能只依靠一个从众效应就让用户成交。

我们需要一个主线：知道用户需要什么，再用这些方法去影响用户，我们思考问题就会更加清晰。

那么用户决定做一件事，究竟想的是什么呢？我们要决策的事情种类繁多，比如要不要买一款产品、要不要点击一个按钮、要不要分享给朋友等，虽然这些事情千奇百怪，但是我们的决策过程都是一样的，都要经过这样几个阶段：

• 产生兴趣

• 收集信息

• 评估价值

• 做出决策

比如我们想决定要不要参加一个促销活动，整个过程可能是这样的。

周末的晚上，你拿出手机刷起了淘宝。然后在首页的推荐位置发现 自己一直想买的耳机正在搞促销活动，你赶紧点进去看看到底咋回事。这个时候，你就产生了兴趣。

然后你开始仔细地看活动的规则，发现要享受这个折扣，必须分享这个页面并且拉满 10 个新用户。这个时候，你就是在收集活动的信息。

你开始思考，自己是否有 10 个没注册过淘宝的新用户朋友，思考了一会儿，你觉得努力一下还是可以达到的。为了这个耳机，骚扰一下这几个朋友还是值得的。这个时候，你就是在评估这个活动的价值，你的成本和收益是不是划算。

于是你做出了决定，点击了分享按钮，这个时候你就做出了决策。

你可能会说，你平时买东西大部分情况不是这样的，而是想要买一个耳机，进了淘宝直接搜索要买的耳机购买付款就行，好像不太符合这个流程啊？

确实，进入淘宝以后直接搜索购买，在业务角度上看好像不符合这个过程。但如果站在用户角度来看，你在进入淘宝搜索之前，一定是在其他渠道了解到这款耳机，知道了性能参数、大概的价格区间等，并且这些信息让你觉得很想买，就是有点贵。有一天你等到发工资的时候，就想着赶紧买一个，于是就到了淘宝上搜索这个产品，直接下单。

所以如果站在你的角度来看整个过程，你来淘宝之前就已经经历了产生兴趣、收集信息、评估价值的过程，你来淘宝只不过是解决最后的购买问题，所以整个过程依然符合用户购买决策流程。

了解了这个流程，再回头看那些零碎的知识点，就明白了影响用户的方法究竟是如何发挥作用的。就拿从众效应来说，从众是为了吸引用户的兴趣，或者在评估价值的时候激发购买决定的。购买决策过程是战略，从众效应是战术，知道了这个概念，开发新的运营方式就要比头脑风暴容易得多，流程设计上也更加科学。

如何应用用户思维

说了这么多，你会感觉用户思维看起来似乎非常偏业务，是业务人员要考虑的事情，但其实用户思维对于数据分析来说一样重要。因为现在几乎所有公司都在追求精细化运营（运营动作的精准和高效）。用好用户思维，可以帮我们更好地实现精细化运营。

数据分析结合用户思维有非常多的玩法，这边我举两个例子。

1. 更高效的数据驱动

现在的业务优化，都讲究快速迭代，比较常见的方法是 A/B 测试：也就是同一个页面，开发多个不同的版本，然后根据测试出的数据结果，选择效果更好的版本。

这种模式你应该很熟悉，但是学习了用户思维之后，我们要思考一下这种做法能不能再优化一下？

一般一个常规的测试迭代流程，数据分析都是在上线之后才出现的。这个时候测试页面已经上线了，然后业务人员才想起来叫数据分析师过来分析一下。但这个时候页面已经上线，能采集到的数据已经确定了，数据分析师只能在现有的这些数据基础上做分析。如果数据采集得不合理，拿到的数据质量很低，这种情况下做分析就好像“戴着镣铐跳舞”。

这种情况是因为大家觉得 A/B 测试嘛，选择一个更好的方案就行了，没有什么可以深入分析的空间，所以数据采集一些重要节点的转化率就行了。

但真的是这样吗？学习了用户思维之后，可以发现这种情况未必正确。

现在我们知道用户决定要不要做一件事，是一个连续的过程，要经历好几个阶段才能最终做出决定。但是我们的A/B 测试方案往往只考虑最终的结果，忽视了中间的过程， 这会导致我们的实验效率很低。

举个例子，一款产品的整个转化链路的过程是：

而其中产品介绍页的结构是这样的：

这个页面主要解决的问题是：

• 主体部分介绍产品卖点，解决用户收集信息的需求；

• 底部是价格信息、折扣信息等，方便用户评估价值。

如果我们现在对主体部分的“产品卖点”进行优化，对新版和旧版进行了一次 A/B 测试，最终发现新版本和旧版本最终进入支付页的转化率差异不大，于是决定保留原版。大部分的 A/B 测试就是这么做的，依靠的是最终转化来评判不同版本的好坏。

但是事实上新版和旧版的效果真的是一样的吗？

不一定。有可能是这种情况：用户在评估这个产品价值的阶段，觉得价格太贵了或者优惠的策略太复杂所以用户才离开了这个页面。购买的用户都是强需求的用户，就算你卖点介绍再烂也会买，而新版页面的卖点介绍相比旧版实际上是更好的，它可以让更多的用户了解到产品的特点，但是最后大部分用户的转化都被价格拦住了。

如果是这样的话，我们在页面的主体部分不管如何修改，最终得到的结果都是转化率没有明显差异。这其中有可能有一些效果其实还不错的版本，却因为我们的实验设计不合理，导致我们做了很多的无用功。

怎么办呢？

最简单的办法就是在页面设计的时候，将用户的“收集信息”阶段和“评估价值”阶段区分开，这样才能衡量各自阶段做得好不好。

比如，我们可以将之前的页面重新设计，将价格和优惠信息放到落地页的第二屏。这样，如果卖点介绍做得好，用户会下拉页面查看更多信息，那么下拉这个动作的比例就可以用来衡量信息介绍做得好不好。如果下拉的人很多，而购买的人少，那么就说明介绍信息做得不错，是价格问题。如果下拉的人就很少，那么卖点的介绍没做好，可以继续优化卖点介绍的部分。

你甚至可以把价格信息干脆放到下一个跳转页面上，落地页上只保留“购买”按钮，用户点击购买进入支付页才能看到价格和优惠信息，原理也是一样。这样我们可以用跳转支付页的用户比例来衡量卖点介绍的表现。

你可能会说这样试验期间的用户体验不就变差了吗？对用户来说不太方便，看个价格还要滑动或者跳转，不如直接显示的页面更方便。没错，但是凡有选择，必有代价。选择用这种方式做试验，优势在于极大地提升测试迭代的效率，快速地找出更好的内容方案。我们可以在试验结束以后，保留效果较好的“内容”，恢复原来直接显示价格的“交互形式”。虽然短期会有一些影响，但是带来的收益一定大于原本需要几个月试验都未必能找出优化方案的测试方法。而且你也可以通过灰度发布，只对一小部分用户进行这样的实验来缩小这个影响范围。

懂得用户思维，数据驱动的效率可以提升好几倍，在很短的时间就能找出好的方案。

这种方法不单单适用于这类购买转化的页面，对于其他的业务类型也同样适用。比如你的产品是社区型的，你希望新用户首次登录就能关注几个大 V，这样可以增加新用户留存率。要想让新用户关注大 V，按照用户决策过程的思路，有这么几步。

产生兴趣：关注别人有什么好处？

收集信息：有哪些优质的大 V

评估价值：这个大 V 适不适合我

做出决策：点击关注

如果用户这一步转化率较低，到底是因为没有关注的兴趣，还是推荐的大 V 不适合用户？搞不清楚这个问题，做优化改版就会很低效。优化的方法和之前一样，适当做一些让用户不那么方便的操作，获取各个阶段的转化，从而快速找到最佳方案。

2. 更精准的漏斗分析

上面的这个思路我们也可以扩展到平时的转化分析上。如果页面的设计合理，能够区分用户不同的决策阶段，那么就能做出一个加强版的漏斗分析，我把它称为用户决策过程漏斗分析。

传统漏斗是根据业务过程的几个关键动作作为漏斗的几个阶段。比如常见的：广告、落地页、购买页、支付页这样的漏斗模型。通过漏斗分析发现某一个环节出现了问题，那么就优化这个环节。

漏斗模型实在太经典了，所有数据分析师都在用，但是传统的漏斗分析有几个问题。

• 传统的漏斗分析不考虑转化流程本身是否有问题

如果转化过程本身设计得不合理，那么我们在这个错误流程上做的漏斗分析，无法解决根本性的问题。比如，用户在落地页点击了购买按钮之后，如果进入的是另一个介绍卖点的落地页，那么很明显不符合用户的决策过程，这个时候用户已经做出了购买决定，要的是怎么赶紧付钱成交。如果用传统的漏斗分析，我们就会在第二个落地页上挖空心思想着如何优化，但效果会非常差。我会在模块三的 16 讲分享一个自己经历过的类似案例。

• 传统漏斗分析是站在业务的视角看待问题，未必能得出有效的建议。

比如通过漏斗分析发现落地页转化率不高，然后通过历史数据发现，限时优惠可以提高落地页的转化率。那么我们就建议搞限时优惠。但是这个结论是基于归纳法的思路，并没有找到落地页转化率低的根本原因。做了限时优惠可能真的可以带来一定的提升，但是没找到根本原因，优化效果并不会太好。

但如果你通过用户决策过程漏斗发现，用户在收集信息的阶段遇到了问题，所以表现出落地页转化率不高，那么你就找到了落地页转化率低的这个原因，优化的时候就更有针对性。

所以用户决策过程漏斗，可以精准地找出具体问题，指导后续的优化。这个用户决策过程漏斗，你在其他地方是看不到的，因为这是我原创的分析方法，我在实际的使用过程中效果一直都非常好。

小结

大部分的数据分析方法都是对着数据讲数据，没有深入思考数据背后的含义。而真正要做到数据驱动业务，应该是反过来的，先思考业务和用户，再思考到底要哪些数据。

如果你不懂用户，你根本就不可能想到还会有这些分析思路，就算你凑巧拆解找出了这些数据，估计你也解释不清为什么会这样，没办法复用到其他业务上。所以，好的数据分析师带来的价值，相比普通分析师不是提升了几个百分点那么简单，而是几倍甚至几十倍的关系。

现在各个企业都在追求精细化运营，但是不了解用户你怎么精细化？要想做到精细化运营，其实就是数据分析+用户思维。对于用户思维，本节我只选取了用户决策过程模型这一个知识点，和上一节的 Fogg 模型一样，我只挑选这个方向最重要的底层逻辑和你分享。这个方向的其他知识点，比如影响用户决策的方法，是在这个底层逻辑之上的具体实施。

思考题：你在购买一门在线课程的时候，在评估价值的阶段，哪些因素让你产生了最终的购买决定？