公海赌赌船官网jc710北京

本文將介紹用戶體(ti) 驗數據化的思路和方法，包含當前對於(yu) 用戶體(ti) 驗描述的兩(liang) 種方式，用戶問卷的項目設計原則，及以實際例子——係統可用性量表(SUS)分析其設計邏輯和應用價(jia) 值。

用戶體(ti) 驗無疑是對當下以用戶為(wei) 核心，例如智能產(chan) 品開發，服務設計等內(nei) 容。但客觀上，用戶體(ti) 驗是反映用戶主觀感受的內(nei) 容。因此，公海赌赌船官网jc710的研究人員對其的判斷也多基於(yu) 自我認識，無法重複驗證。產(chan) 品設計也就變成了類似賭博式的投資，為(wei) 了避免這種情況，全世界都在研究如何將用戶體(ti) 驗數據化，客觀化的方法。作為(wei) 產(chan) 品抉擇者，深入了解這些最前沿的方法，思維是至關(guan) 重要的。

一. 兩(liang) 種描述用戶體(ti) 驗的方式

進行用戶體(ti) 驗度量的第一步無疑是“如何描述用戶體(ti) 驗”，我們(men) 需要將用戶體(ti) 驗的衡量轉化為(wei) 具體(ti) 的問題和語言。

例如“對於(yu) 一個(ge) 咖啡店的用戶體(ti) 驗”，我們(men) 可以將其分解成幾個(ge) 維度，例如：便捷感受，休息感受，咖啡感受等等。由此衍生的內(nei) 容可以進行具體(ti) 化，包括客觀的觀察和主觀的報告。比如可以同時測量用戶在購買(mai) 一杯咖啡上所花費的時間和用戶主觀上認為(wei) 的便捷程度，在比如在休息感受維度，可以客觀上的測量用戶在咖啡館裏所待的時間，也可以進行主觀評測等等。一般的用戶體(ti) 驗度量，由於(yu) 其具有非常強烈的主觀性(本身研究的就是用戶的感受和想法)，因此在測量時常常會(hui) 采用客觀+主觀的方式進行收集。

需要注意，在很多時候，我們(men) 並不清楚有哪些體(ti) 驗維度可以進行測試(如上述例子中的便捷感受，休息感受，咖啡品質的感受等)。

如何解決(jue) 這個(ge) 難關(guan) ?就需要研究人員或者設計師對於(yu) 這個(ge) 行業(ye) 有一個(ge) 了解。同時也需要理解，這些預設的作用，是為(wei) 了加強數據之間的關(guan) 聯性從(cong) 而讀懂數據。

在數據收集過程中，我們(men) 最最核心的是去客觀的描述用戶感受，甚至可以暫時將其維度，因果關(guan) 係等已經存在我們(men) 腦海中的定式拋棄，來進行純粹的描述這些用戶行為(wei) (感知)。至於(yu) 分析與(yu) 界定的部分，我們(men) 留在數據挖掘與(yu) 處理部分即可。

“預設”的好處在於(yu) ，用戶體(ti) 驗度量將會(hui) 有一個(ge) 明確的方向，容易暴露問題，迭代產(chan) 品，因此常常被用於(yu) 改進式的設計，例如App的迭代，空調的迭代等。相反的，沒有預設的，純粹描述行為(wei) 的數據收集，則能夠很好的打破思維定式，從(cong) 數據本身中獲得用戶期待和用戶行為(wei) 等關(guan) 鍵等，給產(chan) 品開發，改革進行參考，比如第一輛純電動汽車，第一款智能手機等。再開展用戶體(ti) 驗度量之前也需要明確整個(ge) 項目目標是什麽(me) ，從(cong) 而決(jue) 策合適的方法。

二. 用戶體(ti) 驗問題設計原則

關(guan) 於(yu) 問題的設置有許多技巧，詳細的可以參考戴力農(nong) 老師的《設計調研》。我在這裏列出三個(ge) 最主要的原則。

1. 避免答案誘導

例如問：“是否喜歡這款產(chan) 品?”這樣子對於(yu) 一般的無感覺用戶，這個(ge) 問題常常會(hui) 產(chan) 生“喜歡”這種答案，而一般采用的方式是“您對這款產(chan) 品的態度是?A.喜歡 B.一般 C.討厭”。需要考慮不同情況下，問題本身對於(yu) 用戶的思考方式影響。這是度量客觀性的第一保證。

2. 完備性

依據問卷性質，可以進行問題的設計，從(cong) 粗略到詳細，從(cong) ABC到百分比，從(cong) 評級到打分。但不變得是，讓用戶的直覺反應能夠在提供的選項中得到安放之處，而盡量避免糾結。以我之見，應當首先滿足完全性，在再這個(ge) 基礎上增加直觀性。例如在一般是否命題總，常常會(hui) 采用三級“-1，0，1”表示“否，不知道，是”。“直觀性”的需求是非常考驗能力的。研究人員需要預先設想盡量全麵的用戶反映來進行措辭，又需要避免誘導。

3. 可數據化

最後一個(ge) 原則是可以進行數據化，從(cong) 而進行之後的數據運算。無論是客觀指標例如，溫度，濕度還是主觀評測，例如便捷感受，滿意感受等。都需要進行在數據上的轉換。雖然想本身就是數據的指標可以直接帶入計算，但這並不是越精確越好。承建上麵咖啡館的例子，我們(men) 需要調查咖啡館溫度與(yu) 體(ti) 驗的關(guan) 係。在獲得準確的溫度之後，由於(yu) 人的溫度感受是非常模糊的，隻有數個(ge) 感受：“熱，較熱，舒適，較冷，冷”。依據人體(ti) 感受區間直接進行轉化是可取的。一方麵是減低之後數據處理的難度(降維)，另一方麵這些數據與(yu) 主觀感受更為(wei) 匹配，因此得到的結果更為(wei) 準確。另一方麵，對於(yu) 開放性問題，例如。“建議類”問題，就不適合作為(wei) 用戶體(ti) 驗測量的數據收集。

當然，不可否認，這些回答中包含著許多寶貴的信息，但這為(wei) 之後的數據處理帶來了很大難度，當前對於(yu) 這類問題僅(jin) 有依賴研究者本身的素質，而無法進行重複性驗證，也就是不客觀的反饋。因此在這裏被剝離。幸運的是，現階段隨著自然語言處理等機器學習(xi) 技術的發展，通過“關(guan) 鍵詞”“情感化”等方式給可充分的想象力，有興(xing) 趣的同學可以研究一下。

在滿足以上三個(ge) 原則之後，隻能算是可以開展用戶研究了。落到更具體(ti) 處，還需要考慮人員構成，區域因素等等。這裏就不再過多闡述。

三. 體(ti) 驗量表範例：係統可用性量表(SUS)

相比較介紹係統可用性量表而言，其設計思路和驗證為(wei) 什麽(me) 這個(ge) 量表的可行性更為(wei) 重要。在理解了其設計方式之後，或許就能夠突破原先的應用領域如“應用迭代，網頁迭代等”而進入到更為(wei) 廣泛的領域。

SUS是在評估係統或產(chan) 品感知可用性時最廣泛的工具之一。他最初是由John Brooke在1986年編製的，它包括10個(ge) 陳述句，用戶需要對於(yu) 他們(men) 同意這些句子的程度進行評分。其中一半的項目是正向敘述，另一半是負向敘述，每個(ge) 句子都使用5點同意標度，並給出了一個(ge) 方法把10個(ge) 評分合成到一個(ge) 總分上(之後我會(hui) 詳細探討降維方法)。

SUS計算方法

首先需要把各個(ge) 項目的分數加起來，每一個(ge) 項目的得分在0到4之間。項目1，3，5，7，9(正向描述)的得分是x-1(x為(wei) 用戶評分)，項目2，4，6，8，10(負向描述)的得分是5-x(x為(wei) 用戶評分)。然後把總分乘以 2.5(為(wei) 什麽(me) 是2.5?將在下麵介紹) ，就得到一個(ge) 總的SUS分數T，區間在0~100之間。T則表示在這項產(chan) 品上100為(wei) 完美的產(chan) 品體(ti) 驗，T為(wei) T%的產(chan) 品體(ti) 驗。

需要注意這是一個(ge) 相對概念。分數高並不能說明你的產(chan) 品在市場競爭(zheng) 中一定優(you) 秀。針對不同的領域T值分布不同。一般需要進行多種產(chan) 品SUS分析才能確定其市場地位，也就是有效的。同時，兩(liang) 者的SUS差並不能具有絕對價(jia) 值，例如65與(yu) 67的SUS，差值2是無意義(yi) 的。但是閾之間的比較是有價(jia) 值的看到網上某些文章將其當成了絕對概念，特此說明。但基於(yu) 前輩們(men) 的大量研究-(Tullis,2008;Bangor,Kortum,Miller.2009)在調查了129個(ge) SUS研究，得到以下結論：

* SUS < 50: 不可接受

* 50~70：臨(lin) 界值

* >70：可接受

為(wei) 什麽(me) 是2.5?

我第一次接觸的SUS的時候就有一個(ge) 問題，為(wei) 什麽(me) 是2.5?不能是其他數字?實際上，其他數字也完全可以，隻要不是0。2.5是為(wei) 了讓最高評分(10*4)轉化成100的百分比。表示最完美數值，這並不是關(guan) 鍵，最差評分(10*0*2.5)轉化為(wei) 0。理論上所有的產(chan) 品分數將完全的在這一條0到100的軸上展現，從(cong) 而進行產(chan) 品之間的決(jue) 策。如果是3，也沒有關(guan) 係，隻是說明完美值是120。這裏是最簡單的降維思想，各個(ge) 項目對於(yu) SUS分數的貢獻值是相等的，沒有層次之分。因此這也隻能算是一種非常簡單的度量方法。之後，出現了多維度的度量方法，賦予不同項目已不同的貢獻值，從(cong) 而進行更準確的度量。

e.g :SUS1=65 與(yu) SUS2=70 之間的關(guan) 係是非常曖昧的，我們(men) 不能夠決(jue) 斷SUS1產(chan) 品就比SUS2產(chan) 品劣。但是對於(yu) 40和80的產(chan) 品基本誰好誰壞是馬上能夠判斷的

為(wei) 什麽(me) 采用正向敘述與(yu) 反向敘述?

這個(ge) 設計的初衷是為(wei) 了保證數據客觀性。多數人認為(wei) 是為(wei) 了能夠使參加這“保持警覺”。但是也有聲音表示，這樣的混雜描述會(hui) 讓用戶產(chan) 生困惑，導致錯誤回答比例增加。後來有學者對於(yu) 全正向描述，和原先方式進行比較27份數據集，得到有編寫(xie) 錯誤(製作人員)的SUS數據占比11%，用戶填錯的SUS數據占13%，但兩(liang) 者的差異性不大。因此，比較建議使用全正向的描述方式。由此可見，項目的語句設計是多麽(me) 難做。這類的趣事在實際的用戶體(ti) 驗領域舉(ju) 不勝舉(ju) 。大家自己去找吧。

SUS拓展

在後來的研究中，人們(men) 發現SUS實際上有兩(liang) 個(ge) 因子(維度)可用性因子項目1，2，3，6，7，8，9;與(yu) 易學性因子(維度)-項目4，10。進行某一維度上進行類似的處理，例如可用性指標上乘以3.125得到了可用性比例，在易學性上乘以12.5就得到了易學性比例，就可以比較簡單的畫出雷達圖來進行多因子之間的比較。

後記

除了SUS之外，還有許多量表，例如likert量表等等，這類資源很多，但是也隻停留在比較粗淺的層麵上，如果需要更深入的研究下去，比如，有哪些維度可以進行比較?如何賦予差值意義(yi) ?等等這些問題，就需要更高級的數據處理方法，而這些內(nei) 容無疑是對與(yu) 當下智能產(chan) 品開發，服務設計等等，以用戶為(wei) 核心產(chan) 品設計的巨大支持。我也將在之後幾篇文章中介紹一些數據處理算法。