
如何发掘用户的本质需求和隐含需求
在谈这个话题前先分享一个小故事,这是我曾经一个同事给我们讲述的用户需求案例。事情是这样的,他的一个朋友是外国人,有天来公司拜访他,结束之后他送这位朋友出公司。 他的朋友对同事说,他需要找前台借一支笔。同事就问他做什么,他说需要前台将自己手机上显示的英文地址写成中文,然后他打到的士后就可以给司机看,这样司机就能把他带回酒店。
同事举这个例子是想告诉我们,他的朋友最原始的需求是“借一支笔”,而本质需求却是“回到酒店”,这两者相差甚远。
通常原始需求都是用户自己想到的解决方案,认为可以解决自己的问题,而事实上如果能获得用户的本质需求就可能找出更合理的方案来解决用户的问题。
我们在做产品时,不论我们的产品经理还是设计师经常能从市场或运营团队那里得到一些用户的原始需求,比如这个颜色希望变成绿色,这里的字体需要更大,急需更省电的模式等等。很多产品经理和设计师信奉用户至上,包括现如今很多声称具有互联网思维的公司都强调用户在产品设计和开发过程中的重要性,这个观点并没有错,但是如果对用户原始需求没有进行任何分析就落地到产品中,这也是对用户极不负责的行为,非常容易造成头痛医头,脚痛医脚的情况。
再举一个实际案例,这是发生在我自己负责的产品中。
我们的产品是移动办公应用,有一个功能就是可以在手机上签到,这样员工到公司附近就可以掏出手机在我们的应用上打卡完成考勤,而不用到走到公司的考勤机旁排队用工卡打卡。有个公司的HR经理就给我们提了一个原始的需求:尽快把签到提示音改为人声。
签到提示音是指在上下班时间前15分钟手机发出的声音提示,以提醒员工用手机签到。我当时回绝了这个需求,理由有两点:
一
是一般App的提示音都不会采用人声,因为不够优雅,如同我们在一些工作场合听到一些人声的电话铃声或是奇怪的提示音都会觉得对方不够职业一样;
二
是上下班时间前15分钟,要么在公共场合如地铁公交上,要么在办公环境中(如还在开会),此时手机突然有人声叫“签到啦”会引起不必要的尴尬,体验会不好。
但是这名HR经理并不认可,坚持认为我们的提醒声音很普通,就是要改为人声,需要给员工很强的提醒。如果仅仅从这个原始需求上来看,感觉是我们的提醒声音不够强烈或是不够特别,可能会跟诸如微信、短信等其他应用的提醒音混淆。所以我跟这个HR经理沟通是不是可以让员工自定义铃声,因为如果我们官方提供了一个人声提醒,那究竟是用男声还是女声,用清脆的还是磁性的,用林志玲的声音还是郭德纲的声音?这将无形中会夸大个人的好恶。
HR觉得让员工自定义铃声也可以,并且要求马上就要落地到版本中。但是我自己又仔细想了一下,其实用户自定义提示音的比例并不高,比如我们不少人还是只用默认的电话、短信、闹钟、日程的提示音,而且如果真的大家都来自定义提示音,那么一到某个时间点一个办公室的人手机响起各种自定义的签到提示音也是很滑稽的。
所以我就跟这个HR经理继续沟通,然后才发现了他的本质需求。他们公司原先是在一个特定的指纹打卡机打卡的,每到上班时间指纹打卡机前排很长的队伍等待打卡。现在采用了我们的移动办公应用,HR经理强行拆除了指纹打卡机,让员工不用排队打卡了,由于刚开始执行还没形成习惯,导致员工经常忘记打卡。
该公司考勤很严格,忘记打卡或是晚打卡都要扣钱,员工就要在月底前打印纸件,然后再找两个以上的证明人来证明自己当天只是忘记打卡并非旷工。而这名HR经理则要去考证这些证明,无形中增加了很多工作量,也提高了公司的管理成本。
我们可以看到,
这名HR经理的原始需求是将签到提醒音改为人声,实际上他的本质需求是让员工减少忘记打卡的概率,同时在员工忘记打卡后也没有额外的人工处理工作量。在他看来只要将签到提醒音改为人声,这么明显的提示员工自然会想起来打卡,大家都打卡了,他也就没有那么多工作量了。
这名HR经理的原始需求和很多用户的需求一样,通常都是他们自认为的解决问题的方案,但是用户对整个产品的考虑却比较少,他们一般是比较难想到自己的方案对现有产品带来的影响或是在一些场景下的不合适。对于这个HR经理的原始需求我给出了更为人性的方案。
首先,如果员工在上班前忘记打卡,但是员工此时手机连上了公司Wi-Fi,或者GPS定位员工在公司附近,我们的应用给员工自动补打卡(同时还要结合一些手机传感器数据,保证员工手机的确是在使用中,否则员工可能会拿个旧手机连着公司Wi-Fi一直放在公司)。
其次,如果员工真的由于各种原因忘记打卡,而且自动补打的机制也未生效,那么就判断员工是否在工作时间连着公司Wi-Fi用我们的应用发过消息、传过文件,有这样的情况也可以证明员工并未旷工。
通过这些相对智能和人性的判断来减少员工由于未注意到提醒而忘记打卡的概率,从而解决这个HR经理遇到的问题。
其实如果再深入分析一下这个HR经理的需求,我们除了能发掘出他的本质需求外,还会发现他一个隐含的需求。比如他为什么这名急切地要求我们尽快落地增强提示的方案?我们来脑补一下他面临的情况,他强行拆除了指纹打卡机,采用移动签到,改变了整个公司员工的打卡习惯,结果导致了很多员工忘记打卡,员工需要找各种证明和审批,员工一定怨声载道,甚至纷纷质疑这名HR经理当初的决策。所以这个HR经理的隐含需求极有可能是要尽快打消员工对于他强推移动签到这个决定的质疑。能帮他解决这个隐含需求或许他的本质需求也能引刃而解。
所以我们可以看到用户的原始需求跟他的本质需求和隐含需求可能差别很大,那么如何发掘用户的本质需求和隐含需求呢?最好的方法除了深入交流之外最好是能身临其境,就以上面的案例来说,如果能到他们公司呆上一段时间,当一段时间的员工可能会更有感触。
我又想起来一个案例。
这是之前一个业界交流活动,其中有个设计师在西门子公司做大型医疗器械设计。他就跟我 说大型医疗器械的设计要非常严格精准,但是设计师不是医生,很多地方会考虑不到,于是他就跟医生同吃同睡同时工作,医生干什么他就干什么,时间长达三四个 月,到最后他说他对人身体的各种器官、血管都了如指掌了才开始进行设计。或许医生的原始需求只是要扫描病人的什么部位,但是如果仅仅很简单的去根据这样的 需求做设计和开发产品,最终的结果一定不理想,对医生的本质需求和隐含需求肯定很难捕捉。
回到本文最开始的例子,“借一支笔”是一个原始需求,“回到酒店”才是本质需求,于是我的同事并没有给这个外国人找笔,而是找了另外一个同事顺路将其带回了酒店。看,
并不是一定是用户要求什么你就执行,仔细分析之后其实会有更好的方案。
再深入分析一下这个外国人的隐含需求呢?其实是“跟司机用中文交流”,试想一下这个隐含需求解决了,他也就不会有刚开始借笔那一幕了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30