京公网安备 11010802034615号
经营许可证编号:京B2-20210330
借助用户反馈功能,如何进行用户数据分析?
对很多从事产品工作的同事来说,“以用户为中心”是工作的重点,同时也是难点。用户的心思难以捉摸,用户研究的工作也似乎高深莫测。不过,用户研究并不一定总要使用眼动测试这样专业的手段才能进行。借助现在很多产品都有的“用户反馈”功能,其实就可以进行简单的用户数据分析。
“用户反馈”作为用户研究的手段,具有独特的优势。首先,“用户反馈”反映了用户在真实使用环境中正在发生的问题。焦点小组、用户访谈等方法,在预测用户行为习惯的方面能够发挥巨大作用,但缺乏用户实际操作的数据;可用性测试能够提供用户行为的数据,但是测试环境跟用户实际的使用环境很不一样,因此得出的结论仍然是预测性的。“用户反馈”则更进一步,将用户在使用产品的行为过程中遇到的问题有效地收集起来。其次,“用户反馈”功能的实现非常简单。它可以是软件界面上的一个按钮,也可以是网站上的一个“常见问题及解答(FAQ)”页面,甚至是一部热线电话和一个接听人员。大大降低了用户研究的门槛。
用
用户反馈分析的作用
在分析“用户反馈”之前,要先明确分析“用户反馈”能做什么,不能做什么(如下图)。否则很容易让分析流于文字表面,或被用户五花八门的思路牵着鼻子走,不能命中产品问题的本质。通过对用户反馈的分析可以让我们做到三件事:第一,学习用户的语言,从用户的角度去理解产品,从而建立用户关于产品的心智模型。第二,了解用户的期望是什么,哪些期望在产品中得到了满足,哪些没有被满足。第三,了解用户在使用产品中的“痛点”,即最困扰用户使用产品的问题是什么。
另外还要注意的两点是:第一,“用户反馈”收集的建议不能代表所有用户的感受。因为即使“用户反馈”的机制门槛很低,还是会让很多不那么热心的用户在遇到问题时保持沉默。第二,直接使用用户的话来描述产品存在的问题可能存在风险。要知道用户在提意见的时候可能已经被遇到的问题惹恼了,或者自己根本对产品的使用一头雾水,无法冷静且准确的告诉你真正的问题是什么。
用户反馈的分析方法
对用户反馈进行分析,可以令用户零散输出的、缺乏组织的信息系统化,便于从中快速发现产品问题。用户反馈的分析过程分三步:制定编码->按编码将反馈归类->分析归类结果(如下图)。下面逐一进行简要的介绍。
1、编码
一般来说,用户反馈的编码和分析只抽取最近几周到几个月内的数据就足够说明问题了。在这一时间范围内从“用户反馈”系统中逐条抽取反馈,根据反馈的内容建立编码,直到不再产生新的编码为止。编码可以是任何维度上的,只要对后续的分析有帮助——比如按照反馈内容的实质建立编码(性能问题、交互问题、新功能期望等),或按照用户的感受建立编码(生气、失望、满意、超出预期等)。需要注意的是,在阅读反馈并建立编码时需要聚焦于事实,不能因为用户反馈的语气激烈就认为问题很严重。
接下来需要再从近期的用户反馈中抽取一定数量的反馈(100-200条),由两个人分别按照编码进行分类。完成后,两人将各自的分类结果进行对比。检验两人对相同编码是否理解一致?是否存在对产品改进没有意义的编码?是否存在太笼统或太狭隘的编码?是否存在实际内容相同,但命名不同的编码?根据对上述几个问题的考察,对编码系统进行微调,可以使其他未分析的反馈之后得到明确分类。
2、归类
编码建立之后,将近期反馈数据中未参与建立编码过程的反馈条目,全部按照确定的编码系统进行分类。要注意的是,因为“沉默”用户的存在,每个编码分类下的反馈条数事实上很难反映该类问题的重要程度,不可以轻易就下结论。
3、分析
在分析用户反馈的分类编码数据时,首先要注意数据的附加信息。例如,数据来自于有什么特点的用户群,数据收集于哪一时间段,用户在产生反馈时正在用产品完成什么工作,等等。其次,要观察数据的对比和变化。例如,两个用户群的反馈存在怎样的差异,用户在不同时期的反馈内容有怎样的变化,等等。可以想象,如果在一个产品新版本推出之后,负面反馈数量极具增加,那么新版本有关方面的变化很可能损害了用户的使用体验。
由于篇幅有限,关于用户反馈的分析方法就先总结到这里。长久来看,对用户反馈进行这样系统的归类和分析,可以使我们掌握用户想法的变化趋势以及用户对产品新版本的反应,有助于我们预测产品的未来发展方向。并且,用户反馈分析还具有数据收集容易,对分析人员的专业要求较低等特点,非常适合作为简便的用户数据分析工具。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12