2017国际体验大会 | 用研跨界

导读：7月12-16日，2017年国际体验设计大会在北京国家会议中心举行，来自腾讯用户研究与体验设计部（简称：CDC）的负责人Enya围绕 “ 用研跨界：线上融合线下，从体验走到商业 ” 这一主题向参与大会的伙伴们介绍了用户研究在互联网方面的探索和发展的内容。干货满满，现进行整理和报道。

腾讯是一家特别关注用户体验的公司，这跟公司的成长基因有很大的关系，对用户体验的极致关注，也影响了用户研究这个岗位的发展。腾讯在2005年开始设立用户研究这个岗位。这12年的时间里面，我们做过很多的探索，今天想把这个思考的脉络分享给大家。

1、可用性测试帮助设计改善使用体验

2005年开始，我们通过可用性测试的方法，来帮助设计在提升用户的使用体验时，提供重要的设计依据。我们建立了5个城市的用户体验室，包含北上广深成都。

除硬件投入以外，有些产品还会花成本去创造测试场景，比如验证码的可用性测试，通过不同方案的测试对比，最终选择出既方便好认，又能预防坏人的方案。

2、年度考评量化产品体验

在2007年，我们开始帮助公司重点产品，通过体验测评的办法来做年度的体检。最开始是考评体验设计质量为主，到后来加入量化的评估方法，经过10年的方法提升，有了工具和平台的帮忙，现在能更自动和轻量级的完成产品的年度体检。

3、年度画像让产品更了解用户

从2008年开始，通过每年的QQ用户画像和微信用户画像项目，帮助产品了解腾讯用户的变化趋势，解答微信、QQ等团队的产品问题，并帮助他们根据用户的变化制定年度商业计划。

我们看到最近五年，微信用户往高龄和低龄两端发展，产品会关注目前的设计是否适应新用户群体的需求。下面这张图看到，我们在微博还盛行的时候发布了朋友圈，当时褒贬不一，甚至还有业内人士预言朋友圈失败，用户画像研究一路见证了朋友圈的成长与变化。

我们也会对产品用户规模的发展趋势进行预测，与后台数据模型的预测互相印证。2014年用户画像调研过程中，我们已经明显感受到用户从手Q向微信的转移。微信活跃用户数会在未来某一时刻赶上手Q，这个结论已无法让我们意外，也不能让我们满足，我们更好奇的是这个时间点会在何时到来。

在2013Q4-2014Q3公司财报数据的基础上，结合研究数据，尝试对微信手Q用户规模进行预测。预测的结果是仅仅三个季度后，微信的活跃账户数就将迎头赶上手Q。虽然后来实际上微信多用了一点点时间，但基本和预测情况差异不大。

对于用户画像的研究方法，我们会每年去做优化。如在2016年的微信画像项目中，我们采用渐进式的研究设计方案，通过后台用户行为持续追踪，寻找真实用户进行定性深访和手机日志的记录，在通过网络问卷调研，准确有效的描绘出目前微信用户群体特征。

而历年的画像研究，也印证了小龙对微信这个产品的期望，从交友平台沟通平台到信息知识获取平台，再到工具化的发展。

4、舆情分析让市场运营可被科学评估

除了研发以外，公司每年都会有大量的资源投入在市场运营上，而这些市场运营活动对品牌建设最终能起到什么作用，需要有科学的方法去评估，才能判断投入是否都值得。因此我们在市场营销的ROI研究中，利用舆情分析中的声量，互动量和健康度等指标，追踪和评估市场运营活动对品牌建设的影响。

腾讯指数，就是这个项目中催生出来的一个内部产品，通过爬虫，过滤算法，分词算法，词库，问题定位模型，机器学习等相关技术，通过多渠道的数据分析，提供热度，口碑，问题归类，观点发现等自动化等分析功能。

相比以前的人工分析，希望更加全面，及时、准确的获取产品及营销事件的口碑状况。

目前已为超过1000个产品提供舆情分析服务，实时追踪和分析最新热点事件300多件，产品问题定位模型已上线100多个。

希望有一天练好内功，对外开放，让更多的产品，公关，市场，政府以及相关行业，都能获得及时有用的信息。

5、让客户提升对腾讯产品的信心

2015年初，微信朋友发布了第一支广告，随后，cdc和社交广告团队成立社交广告品牌联合实验室，做基于产品、事件、行业和人群的用户洞察研究，并将研究结果对外传播，帮助广告主更好地理解消费者的同时，也了解腾讯的数据能力和用户洞察能力，提升对腾讯广告平台的认知和信心。

我们也利用我们的研究能力为广告主识别代言人与品牌的契合程度，多维度评估明星的商业价值。

从人气（舆情热度+用户规模）和口碑维度看各明星的影响力，首先女星B的人气（无论是舆情热度还是用户规模）最旺，口碑也不差；女星A的受众规模虽然比女星D小，但是舆情声量比较高，这说明女星A的受众比较热衷在社交平台上讨论，与其相关的消息二次传播的可能性较高。

再看看这位明星与各品牌的契合度情况，结果可见，这位明星的受众在教育、家居和房产等领域的消费兴趣显著高于大盘；在数码手机品类中，该明星代言的手机品牌TGI指数排在第四位，说明这个广告主的明星选取决策还是不错的。由此可见，通过腾讯指数和后台行为数据的组合拳，可以更立体地评估明星的代言价值。这个研究结果腾讯社交品牌实验室会在月底有更具体的分享。

6、为投资战略了解行业与企业价值

从2011年起，腾讯的整体战略发生重大调整，逐步开放腾讯的平台能力，也大力推动互联网的生态发展。开始的时候，我们基本是依赖咨询公司做行业研究，进入移动互联网后，行业变化速度太快，研究外包变得难以跟上决策的速度，而正好公司内的研究能力逐渐成熟以及体系化，无论在投前还是投后分析，内部的用户研究都有很好的发挥研究价值的空间，对商业数据机密起到更好的保护。

我们通过腾讯大学为腾讯投资的公司提供了方法培训，也会通过项目合作的形式提供用研和设计服务。

7、努力为腾讯生态建设探路

例如金融服务的研究。

我们在第三年的互联网金融行业大调研中，与微众银行一起，邀请了27家银行共同参与。

在这个联合研究的项目中，我们为银行输出研究方法和工具，银行为我们提供更丰富的研究场景和研究样本。共同探索在移动互联网时代，银行用户对金融服务行为习惯与观念态度的变化。

8、尝试为社会提供产业洞察

我们联合公司的产业政策部、腾讯研究院等部门与社会的一些政府机构和高校进行研究合作，2月帮助社科院完成《社交网络与赋能研究》的调研。2017年5月为工信部输出《共享单车行业研究》报告，最近启动与北师大的合作，尝试研究微信对用户职业发展的作用和影响。

这些研究合作，我们不仅希望输出研究成果，也希望输出我们的工作态度，能够把我们倡导的研究严谨性和系统性的用户研究理念，给合作单位带来一些参考价值。例如示例中共享单车的研究框架和方法。

9、工具开放为行业提供研究能力

除了以上方法培训和项目合作外，我们还为行业提供了用户研究解决方案的一些工具平台，如腾讯问卷和吐个槽，两个平台都是我们经过多年用研经验的沉淀，结合行业需求精心打造的用户态度调查和意见反馈的重要工具，目前都已经对外使用了，其中腾讯问卷已超150万用户使用。

问卷平台依托腾讯强大的安全体系，接入公司级的业务、数据、运维监测等系统，并针对黑产、敏感词等问题建立独有的问卷安全策略，保证平台安全稳定0故障运行。另外通过服务器集群技术，实现了海量问卷数据的秒级响应，可支持每秒100万问卷页的同时打开，上线两年时间已累计回收问卷近2亿份。

在专业输出上，针对部分行业初级研究人员，我们通过梳理内部专业研究问卷，制作成标准研究框架和问题选项模版以供直接使用或参考学习，包括满意度、测试、产品/市场调查等类型模板，涉及互联网、食品保健、生活商业、娱乐等多个领域，而且我们还在不断丰富模板类型和覆盖领域，以提高问卷设计效率和质量。

实战效率也是研究工作的一大痛点，经过内部多年的积累和优化，腾讯问卷提供的文本和题目逻辑编辑都实现了所见即所得的可视化效果，问卷文本编辑器在左侧编辑栏输入、编辑、修改问题的同时，右侧预览页可实时查看问卷最终效果，从而快速、高效地完成问卷编辑工作。而题目跳转逻辑的编辑，则用类流程图形式通过拖、拉、连的方式实现题目间跳转逻辑的关系设置，操作更简单、显示更清晰。

对于无效问卷样本的过滤，通常会使用答题时长、回答矛盾、地雷题和产品后台验证等方法，其中答题时长是常见的过滤手段，时长阀值的取值可用经验法或3σ法则。

而我们基于庞大的问卷库，将不同题型的题量作为参数，用考虑“不同答题路径”的线性回归方程来计算时长阀值，建立了更科学、专业的问卷数据清洗解决方案，该方案考虑的题型题量参数主要分为4类：1）基本属性题题量，2）单选题题量，3）多选、排序、量表等需多步操作的题型题量，4）填空、文本等主观题量。

对于研究者最关心的问卷回收结果，我们通过趋势图、地域图、柱状图等多种可视化图形来实时显示样本回收情况，可以及时了解问卷回收量、地域、设备、系统、渠道等信息，帮助用户快速判断样本回收的合理性。

此外，腾讯问卷即将推出样本库服务，目前已建立了社交、个人、工作、财产、联系方式5大维度的基础样本属性库，后期还会搭建产品、行为、兴趣等扩展属性库。我们将通过问卷标签、自然语言处理、文本挖掘等技术不断丰富完善的样本库资源，力求解决问卷精准投放的最后一公里问题，有效提升问卷投放回收效率，希望为行业提供全面丰富的问卷样本库解决方案。

以上这些都是腾讯的用户研究团队由浅入深，从内到外的一些积累分享。但是，在边界越来越宽的研究工作中，我们也遇到不少研究难题，比如，行业基准数据的困难，移动互联网用户到底有多少？

同一时期的公开数据，各家均有不同。没有相对准确的基准数据，为行业和市场研究带来不少问题。

还有一些蛮难解决的如： 用户触达渠道；样本代表性；研究成本等等。而To B的研究，更是有一些目前看起来不那么容易解决的困难。

虽然我们相对于其他研究团队在大数据/AI上的研究上起步较早（2012年开始做舆情分析系统），但在团队知识储备上还比较浅，另外在与大数据和AI结合上，我们也还在不断找更多的应用场景（例如效果广告的洞察也才刚刚起步，大数据数量大但质量不高的问题用研是有更多可以发挥的空间）。

最后：这12年发展的过程，是我们用设计思维和经济学思维不断思考用户研究工作发展的过程。希望未来有更多的思考和实践可以和大家分享。