自己玩微博也有段时间了，而且身边的很多朋友也都是微博用户。下面我就根据自己对身边几个朋友的了解，说说他们是怎么注册微博的，顺便说一些这几个朋友出生年份在88—90年之间。   小岳   在宿舍好友的影响下，注册了微博。本来在学校时是没怎么玩的，真正开始玩微博是在放暑假的时候，最多的时候他一天发的微博数量超过50条。而他之所以发这么多微博的理由也很简单就是因为暑假在家无聊，作为动漫爱好者，他正好在微博上关注了一些动漫相关的账号，可以从中获取一些关于动漫方面的信息。但现在小岳已经不怎么玩微博，理由同样很简单，只是玩腻了，而且他在微博上也没认识什么陌生人，所以对他而言不上微博也没什么损失，提到这点是因为确实有些人是会因为某一个人而使用一个产品的。至于那些关于动漫的资讯通过别的渠道也可以获取。   小徐   虽然很早就知道微博这东西，但是小徐一直都没玩。可是看着身边朋友玩微博的越来越多，大家时常还在讨论关于微博的内容。受此影响，小徐就尝试性的注册了微博，关注了一些感兴趣的账号，例如冷笑话精选。小徐本来就是一个爱玩的人，一段时间下来她感觉微博还是蛮有意思的。小徐还在微博上与自己的朋友互粉，朋友在微博上给她留言，小徐也很乐意回复。这样一来一回，有了好友之间的互动，小徐也就成为了微博的活跃用户，闲着没事就打开微博看看，不为联系朋友也可以看到网上一些有意思的事情。到现在为止，小徐还没有对微博有丝毫的疲惫感，乐此不疲。   小李   相比较小岳和小徐来说，小李注册微博的时间要更晚一些，直到去年年底小李才成为微博的用户。如果说小徐注册微博的过程还比较被动的话，那么小李却要主动多了。因为小李上微博是在工作以后，空闲时间少，所以他也就没小岳最开始玩微博时候那么活跃了。小李积极发微博，而且拉了三、四个同学到微博，在微博@ 那些已经加入微博的同学让大家互相关注（这样的用户着实让微博喜欢啊）。说到小李加入微博的动机是因为他看到了一些人利用微博赚钱了，自己多少有些眼红，心想自己是否也能利用微博赚点钱。但是坚持了一段时间后，小李发现这太难了，那些粉丝好几百万的微博账号背后都有一个公司或一个团队在运作，自己的粉丝增长速度实在有些乏力，况且小李有自己的工作，并没有太多时间去管理自己的账号，所以自己也就放弃了这方面的想法。不过小李并没有离开微博，只是在微博上的频率降低了。由以前的每天上微博发微博，变成了2—3天上一次微博，现在小李上基本上已经不发原创微博了，只是偶尔转发一下别人的微博，还总会参加微博上的有奖活动。   小侯   小侯注册微博要归功于自己的一个同学，他的这个同学在微博上参加抽奖活动，中了好几个奖，会在小侯面前炫耀了一下，这引起了小侯的兴趣，自己完全没有损失还可以免费得的东西大家当然都想要了，这种心理完全可以理解。还是在这位同学的帮助下，小侯注册了微博，尽管参加了很多转发抽奖活动，但令小侯遗憾的是，直到现在她都没有中过一次奖。渐渐的小侯对微博也就失去了兴趣，所以也不参加抽奖活动了。现在小侯已经基本上不上微博了。   小张   在这五位朋友当中，小张算是接触微博最早的，在新浪微博刚推出一个月后，他就开通了自己的微博。可是小张在开通后的半个月中只发了二条微博，都是自己琐碎的感想。说起来让小张爱上微博的原因也很偶然，有一次登录微博他发现之前对某行业专家微博的评论，竟然得到了对方的回复，这让小张欣喜不已。自此小张决定好好对待微博，也就成为了微博的常客。闲着没事小张就发几条微博，关注的也都是自己感兴趣的行业的人。小张在微博上时常与别人互动，有时也会得到某加V用户的回复，应该说名人的回复在很大程度上增加了小张上微博的动力。因为在微博上可以看到一些名人自己生活中的照片，所以在小张看来，在微博上会看到那些名人更加真实的一面。一段时间玩下来，小张发现自己能快速了解一些时事，微博是主要来源。小张从杂志上看到别人利用微博找到工作的例子，又恰逢自己临近毕业，所以小张自己也特想利用微博这个渠道找到一份合适的工作，事实是他确实通过微博联系了两家公司并得到了面试机会。这也就更增加了他对微博的喜爱，也开始向周围的朋友大力推荐微博，拉拢他们注册微博。但是由于他推荐的时候，微博还处于起步阶段，很多人都还不熟悉，所以并没有什么效果。 小张将自己玩微博归为两个阶段，第一阶段是活跃期，从09年9月份注册微博到11年的3月份；第二个阶段是沉淀期，从11年3月到现在，潜移默化中小张发现自己渐渐的已经不怎么发微博了。一来是因为小张不知道该在微博上说什么；二来也是最重要的一点，随着身边的朋友和公司同事关注自己的越来越多，小张发微博的顾虑也越来越多，他担心自己发的某条微博会得罪身边的人。不过小张访问微博的频率还是不减，每天都会挂在微博上，有时还会对朋友的微博评论，只是他现在基本上都是在看别人的微博自己却不发微博了。   总结一下，以上几位朋友注册微博的动机有所不同。小岳纯粹是无聊，利用微博打发时间。小徐虽然是被同学拉上微博的，可玩着玩着也就喜欢上微博了。小李和小侯上微博的目的有些功利性，不过也是受身边朋友和媒体宣传的影响。在这其中，小张属于比较成熟的互联网用户，但是随着时间的增多，接触微博的时间长，小张也这个人的顾虑也多了，或许这跟小张的性格有关，因为他这个人本身就比较多愁善感。但不得不承认的是微博上确实有一些像小张这样的用户。   用户认知一个产品也是要分阶段的，产品首先是要吸引用户，用户进来后才能认识产品，进而熟悉产品，熟悉之后觉得好的话才会喜欢上你的产品。要想不花钱还让用户为你推广最好的办法就是让用户爱上你的产品，这样或许你就可以想象用户去帮你宣传产品，感受一下口碑传播的魅力了。   源地址：http://blog.sina.com.cn/u/1358530697

有没有过这样的情况，你走进琳琅满目的商场，心里想着，我需要一支牙刷。而在结账的时候，你心满意足的看着营业员刷过一件又一件的物品，欣然地递过卡。直到回到家里，或睡觉前，你忽然发现，其实你只是需要一个牙刷。接下来，也许你会捶胸顿足，一遍遍地念着冲动是魔鬼，并痛下决心以后绝对不会再这么冲动，直到下次这种情况又那么“自然而然”地发生。这样“自然”的过程，便是一次“冲动购买”。 1、冲动购买和非理性 对于冲动购买的定义，Beatty和Ferrell(1998)认为冲动购买是一种突然的非计划的购买行为。为什么会发生冲动购买呢？在解答这一问题之前，我们先来看一个经典的营销案例。 下面是《经济学人》网页的广告： 欢迎光临《经济学人》征订中心，请选择你想订阅或续订的方式： 口电子版：每年59美元 包括《经济学人》网站全年所有在线内容及1997年以来各期《经济学人》的所有在线内容的权限 口印刷版：每年125美元 全年各期印刷版的《经济学人》 口电子版加印刷版套餐：毎年125美元 全年各期印刷版的《经济学人》加全年《经济学人》网站所有在线内容及1997年以来的各期《经济学人》的所有在线内容的权限 在麻省理工学院的斯隆管理分院，100个学生选择的结果是： A单订电子版 59美元—16人 B单订印刷版 125美元—0人 C印刷版加电子版套餐 125美元—84人 是的，按照我们的正常思维，谁会选择B呢？所以乍一看，B选项的存在本身就十分的荒唐。所以，我们可以推测，就算把B选项去掉，也不会影响其他选项的选择。而现实情境中真的把B选项去掉后，结果却是这样的： A单订电子版：59美元—68人 C印刷版加电子版套餐：125美元—32人 看到这种情况，你是不是也在心里惊叹，一个无用的选项怎么会有如此之魔力。然而要说明的是，“单订印刷版 125美元”这一选项，绝非无用，而是一个“诱饵”，他本身的出现并不是为了被选择，而是增加其他选项（“印刷版加电子版套餐”）被选上的概率。 这便是“诱饵效应”：人们对两个不相上下的选项进行选择时，因为第三个新选项（诱饵）的加入，会使某个旧选项显得更有吸引力。其中，被“诱饵”帮助的选项通常称为“目标”（此处为“印刷版加电子版套餐：125美元”），而另一选项则被称为“竞争者”（单订电子版59美元）。除了“诱饵效应”，还有很多因素也都在影响着我们的消费决策，如从众效应，最后期限，赌徒谬误，安慰剂效应，刻板印象等等。这些情况均表明，在进行决策的过程中，由于人类自身认知资源和获取信息量的受限，“理性”判断会被许许多多的因素影响，使得我们做出“非理性”的决定或行为，这也是我们会发生冲动购买的一个重要原因。 在进一步分析冲动性购买行为之前，让我们先来看看消费者的一般购物决策历程。图1是David等人（2009）提出的“循环模型”。 如图所示，消费决策历程一般分为4个阶段：初选，积极评估（或者研究潜在购买选择的过程），购买时刻（消费者购买某品牌），以及购买后体验（消费者对产品的体验）。不难看出，模型中描述的“触发机制”其实便是触动起消费者购买欲望的“心理触点”，它扮演着整个循环的发动机，在整个循环中起着十分重要的作用。所以接下来，我们主要针对冲动购买过程中“心理触点”的影响因素做进一步讨论。 2、冲动购买中“心理触点”的影响因素。 2.1冲动购买的“心理触点”——情感反应 Rook（1987）的研究证实，消费者冲动购买的过程中伴随着强烈的情感反应，并提出“冲动性购买行为不符合传统的研究中理性人以及追求购买效用最大化的假设，是一种情感和理性相互斗争的结果，更多的受到情感反应的影响。”Jonah Lehrer也在《How We Decide》一书中提到，理想世界是经济学家的乌托邦，消费者的消费决策常常受到“情绪脑”的影响。据上所述，可以将“情感反应”界定为冲动购买过程中的“心理触点”。张迪（2010）的研究也支持了这一点，在他的研究中，通过对C2C模式下消费者网上冲动性购买的实证研究，发现消费者的“情感反应”正向影响消费者冲动性购买意愿，进而影响冲动购买这一行为。 2.2理论模型简介 作为初步探索，我们沿用了张迪（2010）研究中的理论模型架构，如图2所示，“情感反应”直接影响“冲动性购买意愿”，进一步影响“实际冲动购买”。而影响情感反应（“心理触点”）的是四个外界刺激因素（商品价格、图文展示、他人评论和成交记录）以及消费者本身的特质（消费者冲动性特质）。 2.3聚划算研究实例 本次对于聚划算的调研主要为了i）考察用户对聚划算的认知特征以及在聚划算的行为习惯；ii)探索用户购买聚划算（商品和服务）过程中的心理因素和购买决策的影响因素。采用问卷法，回收7371份调研问卷，根据清洗规则严格筛选后，共有5375份有效样本。下面针对结果中，聚划算商品用户（近三个月在聚划算购买过商品的用户，N=1717）冲动购买心理模型和聚划算生活服务用户（近三个月在聚划算购买过生活服务的用户，N=258）冲动购买心理模型进行简单介绍。 如图3和图4所示，无论是聚划算商品用户冲动购买心理模型还是聚划算生活服务用户冲动购买心理模型。结果均发现（1）消费者的情感反应正向影响消费者冲动性购买意愿；(2)消费者的冲动性购买意愿正向影响消费者的冲动性购买行为，这也便表明了模型结构在本次调研中的适用性；（3）也是本次调研最为关注的，外界刺激和消费者冲动性特质均显著地影响了心理触点（情感反应）。进一步分析发现：聚划算商品用户冲动购买心理模型中，图文展示对于心理触点的影响更大；聚划算生活服务用户冲动购买心理模型中，他人评价对于心理触点的影响更大。 此外，调研结果也发现，聚划算商品用户和生活服务用户中，均有近四分之三的用户是发生冲动购买的潜在群体（来聚划算浏览不抱任何目的，只是随便看看）， 这便表明了聚划算冲动购买模型拥有较为宽泛的潜力市场。       3、小结 西蒙（1916-2001）说过，现实生活中作为管理者或决策者的人是介于完全理性与非理性之间的“有限理性”的“管理人”，我们在决策过程中，一定会有自己的思考，同时也会被其他因素干扰。对于聚划算消费者冲动购买心理的初步探索发现：图文展示对聚划算商品冲动购买的心理触点影响最大，其次是用户自身的冲动特质和商品的价格；他人评价对聚划算生活服务冲动购买的心理触点影响最大，其次是冲动特质和图文展示。 4、讨论 4.1冲动购买的是是非非 非理性一定不好？对于这一问题，一个很有趣的研究提到，当被问及“哪一个美国城市有更多居民：圣地亚哥或是圣安托尼奥？”时，芝加哥大学只有62%的人选择了正确答案（圣地亚哥），而100%的德国学生都做出了正确选择。德国学生又是如何正确做出圣地亚哥有更多居民的判断的呢？所有德国学生都听说过圣地亚哥，但他们中的多数人不知道圣安托尼奥，所以他们能够运用“再认启发式”，从而做出正确推断。美国学生对这两个城市都很熟悉，所以不能够运用再认启发式，而是利用自己对两座城市所知道的所有信息综合后做出的判断。相对来说，后者是理性的判断方式，而获得的效果却更差。不难看到，这样一种“再认启发式”的应用，看似并非理性的决策方式，却具有一定的生态效度。 同样地，冲动购买是否就一定有问题呢？根据以往的实验以及聚划算的研究结果发现，情感反应是冲动购买心理过程中的关键“触发点“。但也具有较好的生态效度。虽然在冲动购物时，人们缺乏完全理性的思考，但是这种情感反应，也许同样可以一定程度的反映商品价值。和“再认启发式”类似的，“情感反应”可能是一种具有生态理性的启发式思维，能帮助人们在不具备完全理性的思考的情形下做出快速的判断，虽然它并非完全准确。 4.2本模型的不足 目前模型只是作为初步探索，张迪(2010)的研究主要是探讨C2C模式下消费者网上冲动性购买的模型，并非特别针对于“团购”特质，本次研究中将这一模型引入“聚划算”进行初步尝试，不排除有更多其它的影响因素，要构建一个完整的模型，也还有许多工作需要去做。在此仅希望引起大家进一步的思考和讨论。欢迎大家提议、拍砖，在讨论中共同成长。 4.3调研结果应用及未来调研方向 聚划算商品用户冲动购买心理模型中，“图文展示”对于心理触点的影响更大，那么就暗示了在聚划算商品团中，提供漂亮、详细的产品图片、文字信息是尤为重要的。同样的，聚划算生活服务用户冲动购买心理模型中，影响最大的是“他人评价”，这就对本地生活评价的各维度信息，如评价数目，评价内容等等提出了期待。而究竟什么样的“图文展示”和“他人评价”是足够“触动”用户的呢？这则需要进一步的调研来持续摸索，也希望可以得到大家的建议和意见。 源地址：http://ued.taobao.com/blog/2012/02/15/%e4%bb%8e%e5%86%b2%e5%8a%a8%e8%b4%ad%e4%b9%b0%e8%af%b4%e8%b5%b7-2/

元旦前，腾讯微博开放新版测试，试用后颇多感慨。因懒惰拖了一个半月，才来写这篇文章。 整个2011年，一直有人说“新浪微博不行了”“新浪微博滑坡了”。狼来了喊了一整年，到年末似乎声音越来越大，这倒不是什么大灾变，有可能仅仅是轻微的触顶回弹，甚至只是上升速度放缓而已。 对淡出新浪微博的用户做了几个小样本访谈，原因很雷同，都对公共话题感到麻木，又厌倦了大路货转发。看上去，似乎正印证了“社交才是微博的出路”“腾讯微博才是最后的赢家”，我可不这么想。我访谈的用户在新浪微博也有自己的社交关系，同事/同学/家人等等，小圈子里经常发一些生活类的话题。尤其在淡出新浪之后，他们并没有回归原本常泡的人人、豆瓣，或转战腾讯微博，而是处于一种“什么都玩腻了”的飘忽状态，像是被重口味“吃伤到了”…… 对于社交之于微博，我有几个观点： ★国内用户分享生活的频度并不高，主打社交牌的话，无法维持微博的热度与速度，因此还需要引入公共话题来调和信息生态。加入媒体的基因，会让微博这盘菜的口味更香更丰富。 ★公共话题与社交网络并不是对立面，被公共话题吸引来的普通用户，他也会自然而然地分享生活并扩大社交图谱。精英的互动来自其话语权，草根的互动来自其社交关系，各行各路便是。 ★有人说公共话题与精英体系压制了草根的话语权，这是没谱的事儿。相对来说，微博的公开属性对个人分享带来干扰更大，隐私问题不会因为“目前都是朋友们关注我”就变得无足轻重。 ★信息的高速流动既是微博最大的魅力，同时也稀释了最有价值的信息，单单靠关注分组、悄悄关注并不能根治。从“稀释”的角度来看，相对于公共话题，大量转发“廉价娱乐推”对社交的祸害会更严重一些。 ★援引Twitter创始人Jack Dorsey的观点：“Twitter一直在为公共对话提供服务。社交于我们不是唯一被用户使用的的部分，我们看到Twitter更多是一个信息工具。”这也正是我对微博客的理解。 归根结底，微博的社交化，生活化，都是顺水推舟的生态发育过程，产品设计或运营无法强行加速，更不可能华丽逆转。不论腾讯喊出“心声”口号，还是新浪加强对生活推的引导，都得在漫长的时间里见效。 从急功近利的角度，我更建议新浪在运营上强化“有时效性的本地生活信息”。如果用户能够以微博的形态，便捷查询同城最新的电影/场次、最近的展览/演出、名牌打折消息、数码新品上架、附近的餐馆特价、酒吧优惠……会不会有吸引力？发布消息的认证商家只需要按格式发一条推而已，即便对网络无知也能轻松应对。 再说说腾讯微博。对于腾讯微博、腾讯开放平台我一直很好奇，这么大的一个生态圈，没法走马观花就得出什么结论。但既然玩不进去腾讯微博，熟悉的人又都在新浪微博，找个人访谈都没辙。只好雾里看花。 恰逢腾讯微博新版测试，跟去围观之后，对产品设计赞不绝口。体验版借鉴了Twitter的Phoenix界面风格，又有不少创新细节，如微群与主界面的结合，轻巧的消息浮窗提示，人见人爱的清爽UI，干净流畅到让人欢喜。这些交互层面的改进都还是毛毛雨，真正打动我的是“实验室”，相当于用插件的方式来添加新功能，丰俭由人，拿到足够的实测数据后再考虑全面发布。 这一击，恰好打在了新浪微博的软肋之上。新浪微博最大的问题不是有人厌倦了，离开了，而是产品越来越臃肿，像个三四百斤的胖妇人。新浪的想法太多，目标太多，试错也太多。每一项新功能的推出都满足了一部分用户，也让另一部分人抱怨然后无视。不断的叠加与试错，堆积成山，产品重得喘不过气来，至少带来三条隐性伤害： 1、产品被塞得太满，新功能的插入不便，阻滞了更多试验进行 2、界面元素太多，分散了用户注意力，试验效果受到干扰 3、即便发现了什么潜在机会，受限于产品复杂度，也很难快速集中突击 我在12月底的一条微博对此评价道：腾讯微博的新架构能容忍更灵活，更敏捷的尝试，并在一击而中后更迅猛地发力。它现在还不能打败新浪微博，但制造了“未来有可能”打败新浪微博的机会——在以前，连这个机会都是完全没有的。腾讯借改版轻装上阵，勇敢探索和新浪微博不一样的打法，产品架构强有力地支持了冒险精神。给出一年，两年时间，未尝没有翻盘的可能……俗话说一命二运三架构嘛。 反观新浪微博，作为市场领先者，作为和Twitter差异越来越大，独一无二的中国式微博产品，“高处不胜寒”正是最迷惘之处。我本人是新浪微博的铁粉，但在两年多的使用中，并未发现它有着鲜明的产品理念、产品价值观、产品原则性；或者说“有求必应”就是新浪的风格。用户要什么，运营要什么，政府要什么，领导要什么，新浪就加什么。最后做出来的产品虽能满足“各方面需求”，却是个气味混乱的大拼盘。值此触顶之际，正当是新浪锐意探索之时，产品的笨重却拖得跨不开步子。 说白了，这还是基因在骨子里作祟。谁在台前代表新浪微博？陈彤？曹国伟？又有哪个产品大牛手掌微博实权？对比清一色产品出身的腾讯高管，新浪微博虽遥遥领先，却过早患上三高。即便无视竞争对手，“产品三高”对急于靠微博营收提振股价，分拆上市的新浪来说，亦是极大拖累，人胖体虚打不动拳。 坊间盛传，新浪微博今年会开放个性化的显示广告业务，又有流言说，广告公司摩拳擦掌兴奋得很哟。对于微博广告能赚钱，我不怀疑，追随Facebook的辉煌则无可能。微博的信息焦点过于集中，页面结构过于简洁，用户行为过于单一，显示广告的天花板不算太高。即便照着Twitter的另类销售套路来，国内客户又无此觉悟。 算了，赚钱的事情我是外行，多说容易漏底。曾考虑买新浪的股票，被i美股的老同事打击了一番，深刻认识到自己对理财完全白痴，悻悻抛下贪念，在下岗岁月，在通货膨胀中流着泪坐吃山空。 —————————— 转载随意，但请带上我的微博地址…… http://weibo.com/cicada 源地址：http://firecacada.blog.163.com/blog/static/707437620121711730599

问：为什么想做用户研究？ 答：对用户研究感兴趣. 问：用户研究常用的方法你知道那些？ 答：我不是学相关专业的，不是特别了解 问：你有看过相关的书籍和资料么？ 答：没有 问：（汗~！）…… 来面试用户研究的有些同学非常有意思，对于用户研究的了解，多半是看了一些讲座或者博文，脑袋一热就来面试了，甚至还没弄清楚一些基础知识;甚至连可用性测试都没有听说过，就敢来投简历面试。 这些同学面试之后总要问看什么书？怎么提高？或者是在学校要补哪些课程？ 说实话这真是因人而异，如果是刚参加工作的毕业生，根据不同的背景，要补的课不一样。比如，统计学背景的同学定量调研基础强，但是做用户访谈就略差；心理学背景的同学，定性定量调研掌握方法都不错，但是动手能力（比如做原型）或者产品感都需要加强。技术背景的同学实现能力很强（直接编程了），但对于调研方法的掌握就不足了。工业设计的同学技能非常综合，动手能力和调研方法的掌握都不错，但是统计学的知识还需要加强一下。 补课只是一方面，最终要的还是要搭建合理的知识体系，谈到互联网用户研究人员知识体系，包括但不限于：基础理论，工具使用，逻辑思维，口头表达，报告撰写，互联网行业常识等。 基础理论 对于用研来说基础理论，是如UCD的各种方法可用性测试，卡片分类等等之类的知识。当然其中最重要的还是调研方法的部分（这里不多说，许多书都可以买到）。 逻辑思维 逻辑思维是用研思考的重要工具，用研常常要从支离破碎的数据或者现象中，抽丝拨茧，发现现象的本质，因此需要有思维没有条理，常常误读数据或者现象。逻辑思维也是用研沟通的重要工具，因为用研的主要需求方，产品经理的逻辑思维都很强，如果没有好的逻辑思维，很难和产品在一个层面上沟通。 口头表达 嘴皮子非常重要，用研在沟通调研需求和调研结果宣讲上，经常要面对别人的质疑，如果不能反映灵敏，表达清晰，以理服人，调研成果的接受度会大打折扣。 报告撰写 我发现很多同学在做调研的时候非常辛苦，兢兢业业，到了些报告的时候，就有些敷衍，认为反正结论都和需求方沟通过了，报告就是走个过场。其实不然，报告是你的一张名片，让别人一看就能记着你。而且报告一般都会存档备案，其他人不用你讲就了解整个实验的目的、背景、主要发现和结论。另外，报告不是数据结果的堆砌，结构、数据的展现方式、图表的样式配色、结论的描述等也要做适当地考虑。 工具使用 工具和工作容非常相关。浏览任务为主的页面做实验会使用眼动仪测试。分析问卷数据可能会用到spss。做实验的物料，如果测试原型的话，可能需要用axure。分析日志数据可能要用到数据库和Python。没有一种工具可以解决所有问题。开始不会没关系，边干边学就是了。 互联网行业常识 做互联网用户研究起码要对互联网的新产品感兴趣，而且在各种产品的使用和理解上要比一般的用户更深。如果平常上网只聊天、玩游戏，连微博也没有，也没在网上买过东西，显然对于互联网的理解也不会有什么高见。 源地址：http://xdc.baidu.com/?p=1025

说在前面：以下说的“调研”主要指用户调研。用户调研的方法有很多种，下文所提到的并非只是“问卷”和“数据分析”，还包括访谈、焦点小组、可用性测试、等等。（推荐UCDChina上一个很早的话题：用户研究的一些方法）。ps，以下观点基本仅指“互联网”领域，请勿拿“我们挖煤的时候这么干就不行”来说它是胡扯。 — 乔帮主虽然走了，但他的故事在被更广泛的流传，他利用媒体的能力依然在影响着这个世界。 曾经和曾经，在媒体问及苹果产品的调研时他分别说过这样的话： 1、人们不知道想要什么，直到你把它摆在他们面前。 2、贝尔在发明电话之前有做过任何调研吗？ 于是，越来越多的懒人们终于有了”神”的庇护，堂而皇之的开始“不调研，只拍脑袋”；越来越多的“果粉”也开始了对“不做调研”的盲目崇拜。他们还在不断的嘲笑和鄙视那些去做“调研”的人，鼓吹“创新不需要调研”。 上周苹果对部分iPad用户发送了调研问卷，很多人在微博上嘲笑说：乔帮主走了他们不得不做调研了… 每当看到有同事转发这些言论信息，我都得很谨慎自己的跟他们谈一谈“看法”： 1、乔布斯说这话有两个语境。一个是在MAC刚刚发布的早早期，一个是在他玩弄媒体的时候。离开了这样的语境这话大多数时候并不能适用。 2、在反问完“发明电话之前有做过任何调研吗？”的两三年后，乔布斯离开苹果创建了NeXT，初期的简单定位是给高校研究室提供电脑。他的团队去做了很多的反复的调研，他自己也非常喜欢和主动的去做这些事情。（读过《乔布斯传》的果粉们可以温习一下NeXT那一章，里面有写） 3、通常苹果公司在他产品的第二代开始就会对用户发放问卷进行相关调研（第一代产品的调研往往只能通过第三方去做，或者自己通过现有产品的调研去做，所以我们感觉不到；而且那个时候也并没有可靠的样本群）。据说他们每年对于市场数据的研究和外部市场的用户调研都非常重视也非常频繁，而且他们对于苹果的品牌调研也是相当的频繁和认真。忘记在哪里看到过苹果找尼尔森做第三方调研的相关资料；有兴趣的果粉也可以自己去搜索一下苹果N年来的相关调研问卷，很多。 4、说了这么多，但我其实并不是一个对“调研”的依赖者和迷信者。虽然我非常相信“真实有效的”数据调研的作用，但“真实有效”这三个字往往意味着“高成本”和“耗时长”。 特别是对于互联网产品，虽然他比较容易找到数据，但也更容易因为数据的过多也被垃圾数据干扰和迷惑，分析过程出现偏差和出现“为了证明自己的观点而拼凑数据”的情况非常正常，多数人都难以避免，包括那么经验丰富的家伙们。而且，对我们眼前的这样一个环境，往往你能轻松拿到的数据都是不会是真实的… 5、往往在产品的早早期，我更愿意相信在一定数据支持下的“领导人的嗅觉”。因为，多数互联网产品很难等得了严谨的漫长的调研过程，而且往往要想通过调研去得到“真实有效”的结果，比让“领导人拍对脑袋”的可能性更小。所以，我经常会说：“信你们这帮人随便捞来几个数据而推算的结论，还不如信我或者信咱们其中某人个人的嗅觉”。 总之，在产品的早早期，我的观点是：一帮人看假数据或者假装看数据来“拍脑袋”，还不如让一个平时更懂用户的人（在一定的数据支持下）去拍脑袋。其他人靠直觉选择“信他”就够了。 6、到了早期，一定的用户调研是完全有必要的，因为这个时候可以比较明确的知道要什么信息，“垃圾数据”也就少了，推断结论也就相对靠谱一下了。不过，这时我更相信“测试”的结果，还是那个观点：“怎么做都是错的，只有是面对用户的时候才可能不会错。而且还得是一定量的真实用户”。早期的互联网产品，拳头轻轻过去，听到叫疼了再猛踹一脚比较好。因为“需求预测”错误的可能性是99%，所以控制早期的试错成本是必须的。 总之，在产品的早期，我认为最有效的方法是：用最低成本，尽可能的真空环境（雷军的说法），最快的速度去做用户需求测试，需求有就发力，没有就得掉头重找。 7、到了产品的发展期和优化期，用户群已经培养出来，需求方向已经明确。该做的就是：让用户推着产品走。这个时候，没有比“用户调研”更管用的方法了。（所以，往往我们会习惯性的在早期圈好“种子用户群”，让他们给提供更直接有效的帮助和意见） 其实，没有一个科学的方法是错误的。其实，也没有一个方法是万能的。我更相信：不否定一切也不肯定一切，灵活应用，适时而变。更更相信：搞清楚了谁是我的用户，是一切调研、创新、设计、拍脑袋的前提。 源地址：http://uicom.net/blog/?p=912

数据在很多网站都被看作是衡量一个产品或者一个设计好坏的基本指标之一。数据指标也曾经压的我很长一段时间喘不过气来。但是现在想想确实有时候数据能告诉你很多很多。它未必是衡量产品好坏的唯一标准，但是它也确实能告知你很多。 那么数据究竟能告知我们些什么呢？ –     你的流量有效吗？ –     如何发现漏水的窟窿？ –     真的了解访问者？ –     页面，构架是否合理？ –     投放的广告有用吗？ –     改版带来了什么？…… 我们先来看看数据的简称 在之后的例子中会针对这些简称做一些分析。 –     PV （即Page View，综合页面浏览量） 比如：当我点击了一个banner，那么从点击后出现的页面开始，后面所有点击出现的页面的浏览量就是PV。 –     CLICK（页面点击量） –     DISPLAY（单个页面浏览量） –     UV（即Unique Visitor，独立访问者） 访问您网站的一台电脑客户端为一个访客。24小时之内，同一IP，多次访问，只算一次。 –     BUYER（购买者） 访问您网站的一台电脑客户端为一个访客。24小时之内，同一IP，多次购买，只算一次。 –     CTR（点击转化率，也就是Click/Display） –     广告位转化率（也就是PV/Click） 实例来了 l       Banner篇 –     案例一 A 广告位转化率:1.9 B 广告位转化率:10.8★ 该数据告知我们，在一个页面中不明显的位置的广告位，如果做成文字形式会很容易被很多其他信息干扰的看不到，这个时候如果放上吸引人目光的图片，很可能效果会非常的好。 –     案例二 测试目的是：在该banner尺寸中商品数量和大小的最优表现。  该数据告知我们，作为banner块的商品数量并不是越多越好，它会有一个最合适的大小和数量的比配，如图所示，4个商品虽然图片大，但是由于选择相对狭小，数据表现果然比较差，但是8个商品相对同尺寸的banner来说图片会比较小，给予用户的吸引力也会受一定影响，因此6个商品就在商品数量和大小上为最优化。当然该测试也有一定的弊端，当6个或者8个商品的图片中有一个特别受用户欢迎也会影响数据的表现。因此针对该测试只能多次尝试才能看出最优的组合。 –     案例三 测试目的是：banner改版过程中各个类别的表现对比。 该测试是基于同一个页面的三次改版过程中，Center banner数据表现来实现的。因此它不是通过同个时间条件和同个商品条件来测试的，我们拿了很多个数据来比对，尽量避免了不同商品造成的banner数据的误差。 [...]

近期，聚划算在各类媒体上投放了大量广告，迅速传播了聚划算的品牌形象，在非淘宝用户中培养了品牌认知，同时也在淘宝用户中巩固了品牌理解，从而对聚划算提升品牌价值起到积极作用。 在投放广告前，用研团队Q3时曾对聚划算的品牌影响力进行了考察，着重于六个主要指标： ——熟悉度：用户知道并且了解该品牌的程度，反映市场的表现和地位 ——流行度：流行的/大众接受的品牌，反映市场的表现和地位 ——相关性：品牌以及产品是否适合目标人群，是品牌资产的基础 ——独特性：该品牌区别于其他品牌，反映品牌超越竞争对手的能力和品牌的前景 ——高质性：用户感知的质量，是品牌长存最基本的要素 ——信任度：用户是否信任，反映品牌带给用户利益和权益的能力 这六个指标在市场调研行业，普遍应用于品牌研究，且每个指标用一句话表述，形成量表，用户填答成本不大。本次移植到互联网创新产品的研究中，基本能达到预期的研究目的。本文不对聚划算的品牌影响力作深入分析，而侧重于分析方法的探讨。   指标降维 本例中通过六个指标评估聚划算的品牌影响力，但可以发现这六个指标之间存在很强的相关性（相关系数均超过0.5，且非常显著正相关），进行综合评估时，需要考虑简化指标。 一般而言，采用主成分分析法或因子分析法。大多数情况下，主成分分析得到的主成分不易解释，而通过因子旋转都可以减少主成分中常有的含糊性，可以使因子负荷的结构更简单，从而更有利于因子的解释。另外，常用软件可以直接输出因子得分的值，而主成分的值需要重新手动计算。 首先对六个指标做因子分析，得到的KMO值为0.891，Bartlett球形检验的值为2747210.409（df=15）达到显著，非常适宜进行因子分析。最终萃取出2个公因子，累积方差贡献率为84.6%（详见下表），解释效果很强；变量原始矩阵与重构矩阵之间的残差>0.05的个数比例为26%，拟合效果较好。 通过因子载荷矩阵能够发现，第一公因子更侧重使用了聚划算之后的心理认知，而第二公因子则更体现事实和现象的感知，因此将第一公因子命名为深层特征，第二公因子命名为表层特征。 另外，相关性指标在两个公因子上的载荷均比较大，一般在考虑建构效度的时候，会把在不同公因子载荷都较大的指标删掉，但本例并不追求建构效度，而是希望尽可能保留指标体系中的指标，达到降维的目的作进一步分析，因此没有删除相关性指标。   计算品牌影响力综合得分 有了两个公因子得分，仍然不能做综合评估。为了更加简化，最终使用一个数据体现品牌综合影响力，需要进一步计算。 因子分析的综合得分需要利用各因子的特征根与因子得分，本例的计算方程如下： 单个样本的综合得分=（特征根1）/（特征根1+特征根2）*公因子1得分+（特征根2）/（特征根1+特征根2）*公因子2得分 由于因子得分是标准化分数，计算得到的综合得分也是标准化分数，需要转化成0-100的数，以便直观体现品牌综合影响力。需要作如下处理： 单个样本品牌综合影响力得分=（单个样本的综合得分—所有样本的综合得分最小值）/（所有样本综合得分的最大值—最小值）*100 如此，就能得到每个样本对聚划算的品牌综合影响力分数，进行不同群体间的对比分析。   对比群体间品牌影响力差异 首先，对男女群体做差异性检验。经独立样本T检验分析可知，男女对聚划算的品牌影响力存在显著差异，男性对聚划算的综合评估更高； 其次，对不同城市级别的群体做差异性检验。经卡方检验（两两比较）可知，不同城市级别用户对聚划算的品牌影响力存在非常显著差异，三线城市用户对聚划算的品牌影响力综合评估最高，而一线城市则综合评估偏低。   经过聚划算业务的调整以及品牌广告传播，相信品牌影响力得分会有较大幅度的提升，有待后续研究验证。   小结 品牌影响力的评估方法，基本操作流程如下： 1、确定评估的分项指标； 2、通过因子分析（或主成分分析），给分项指标降维，并计算公因子得分； 3、计算公因子的综合得分，并转化成0-100的直观分数； 4、对比不同群体的品牌影响力综合得分。 当对比不同品牌，或同一品牌不同阶段的影响力时，需要把数据整合在一起，进行上述计算过程。只有这样，才能保持在同一水平下进行对比。 源地址：http://ued.taobao.com/blog/2011/12/31/brand_influence_method/

事发突然： 今年8月份，发神经般的在微博上点开了一个广告链接，发现某美妆品牌的东西性价比很高，于是成功购买。这是我在SNS的网站上达成的第一笔交易，拿到钟爱的护肤品，突然发现：我居然没有在“我的淘宝”的“好友动态”里点击过别人分享的东西，更别提购买了。于是，有了这次的研究。 一、立项： 基于以上想法，本打算研究SNS用户习惯及动机（没有限定在淘宝网），希望能通过照片日志（Photo Dairy）的方法，从定性的角度研究活跃在各大SNS网站用户的特征，从而帮助淘宝网来定位自己的目标人群。但是，后来发现：在淘宝网购物的人群本身就是有自己特点的，而我的研究更多的价值点应该是放在【如何让这些网购用户成为淘宝网的SNS用户】。 带着这个目标，了解了SNS下半年的业务规划，为了能够更好的让业务方得到启发和指导，更多的提升研究价值，将产品定位在【淘宝网分享】，研究使用淘宝分享的使用习惯及驱动因素。 二、研究思路的确定：   一个严谨、完整的研究，我认为，定性与定量的结合是必不可少的。所以，这个项目采取了先定量、再定性、最后定量的研究过程。见图1。 图1 1、定量——确定目标用户： 确定了要研究的产品，最重要的就是要确定目标用户了。 为了让我的目标用户更“目标”，我选择了与BI（商业智能部门）同事的合作。希望BI的同事能将全网使用过SNS分享用户（当时是8月份，我们的‘分享’产品6月份上线）的特征数据进行提取、分析，帮助我们选择定性研究的样本。 在这个过程中，我们发现，7月使用大分享1-2次的用户、8、9月份GMV­­­①>=3笔以上，但8、9月份没有再进行分享的用户占所有SNS大分享用户的76.2%，我们认为，这部分用户为什么不再使用SNS分享是一个很有价值的挖掘点。根据这一思路，我们将用户分为三层：见图2 图2 新用户：8月1日至8月17日之间，第一次进行过分享，且至少绑定了一个外网SNS网站的用户。 活跃用户：6月份，7月份，8月份均进行过分享，且至少绑定了一个外网SNS网站的用户。 流失用户：6月份分享过，但是7月，8月均未分享的用户，且至少绑定了一个外网SNS网站。（BI建议：调研时候可以选择分享天数>=2的用户，因为分享天数为1的用户大部分可能只是尝试下。） 注：这里并未用分享次数来定义流失。因为一个用户如果一天内分享了10次，第二天不再分享，也算作流失用户。 但是，问题出来了。如果我们三个层面的用户都来做研究，可能会出现每类用户研究的都不透彻，所以，经过讨论，排出了优先级：流失用户>新用户>活跃用户。   所以，最后，目标用户确定为：使用淘宝网SNS分享的流失用户。   2、定性——以研究目的为导向，深入挖掘定性问题 用户分层结束，确定了目标用户——流失用户。接下来，就是对用户的星级、在淘宝成交情况、人口特征等因素做出分析，然后进行定性研究前的抽样。具体的抽样方法不做赘述，这属于另外一个方面的问题。 接下来，根据提纲，电话深访了16名买家，其中有10名流失用户和6名活跃用户，得到了诸多的定性问题，经过整理，要进行定量验证了。 为什么要对活跃用户进行深访呢？在接下来的定量阶段，我会做出具体的解释。   3、定量——定性结果的量化 从BI提取的数据中，流失用户最后的样本仅有3万多用户，据我们平时的问卷回收情况估算，样本量过低，这样得到的结果误差会比较大。为了保证最后实验结果的可靠性和丰富性，添加了【非流失用户】，即7、8、9月份GMV>=3笔以上的淘宝纯买家（除去流失用户）。因为这部分有效样本可以保证，而且涵盖了新用户和活跃用户，可以和流失用户在人口特征、习惯、动机、使用驱动因素上做以对比。 也是因为这个原因，我们在电话调研的过程中，添加了6名活跃用户的电访。 在问卷设计的过程中，面临最大的挑战就是关于驱动因素的题目。因为建立驱动因素的模型是需要很多传统的、经过诸多验证的题目来建立模型。但是SNS领域的驱动因素建模少之又少，为了保证模型的完整性和科学性，项目期间，还做了许多的桌面研究。   整个项目主要分为这三个阶段进行的。最后得到的非流失用户及流失用户的相关模型如下图：（结论仅供大家参考，由于实验设计和目标用户的不同，最后的结果可能是会有不同）   图3：有过分享经历的非流失用户做分享的原因模型 圆圈越大，代表相关度越高（下同）。图中蓝色代表与购物相关的因素，红色代表用户心理层面的因素。    图4：流失用户做分享的原因模型    图5：有过分享经历的非流失用户不分享的因素模型    图6：未分享过的非流失用户不分享的因素模型    图7：非流失用户刺激因素的模型    图8：流失用户刺激因素的模型   以上结论是我在专业同事的帮助下完成的，也是我们对SNS领域的初步探索。期待与大家更深入的探讨与交流。 源地址：http://ued.taobao.com/blog/2011/12/28/%e7%94%a8%e6%88%b7%e7%a0%94%e7%a9%b6%e6%80%9d%e8%b7%af%e6%a6%82%e8%bf%b0%ef%bc%9a%e4%bb%a5%e6%b7%98%e5%ae%9d%e7%bd%91sns%e2%80%99%e5%88%86%e4%ba%ab%e2%80%99%e4%b8%ba%e4%be%8b/

我们会发现很多网站都具备了内容推荐的功能，不仅是像B2C电子商务类的卓越的图书推荐，也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求，促进商品购买和服务应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？其实跟网站数据分析不无相关，我们可以来简单看一下它的原理和实现。 关联推荐在营销上被分为两类： 向上营销(Up Marketing)：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。 交叉营销(Cross Marketing)：从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务。 向上营销是基于同类产品线的升级或优化产品的推荐，而交叉营销是基于相似但不同类的产品的推荐。举个简单的例子，可以看一下苹果的产品线： 当你购买一个ipod nano3的时候，向你推荐升级产品nano4、nano5或者功能类似的itouch就叫做“向上营销”；而推荐Iphone、Mac或ipad的时候就是“交叉营销”了。   而关联推荐在实现方式上也可以分为两种：以产品分析为基础的关联推荐和以用户分析为基础的关联推荐。产品分析的关联推荐指的是通过分析产品的特征发现它们之间的共同点，比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik，而且书名都包含Web Analytics，都是网站分析类的书籍，同时也可能是同一个出版社……那么基于产品的关联就可以向购买了《Web Analytics》的用户推荐《Web Analytics 2.0》。而基于用户分析的推荐是通过分析用户的历史行为数据，可能会发现购买了《Web Analytics》的很多用户也买了《The Elements of User Experience》这本书，那么就可以基于这个发现进行推荐，这种方法就是数据挖掘中的关联规则（Association Rules）挖掘，其中最经典的案例就是沃尔玛的啤酒和尿布的故事。   目前很多的关联推荐还是基于产品层面的，因为实现上更为简单（对于网站而言，产品数据明显少于用户行为数据，而且可能相差好几个数量级，所以分析工作就会轻很多），基于产品的推荐更多地以上面所述的两种营销手段来实现，更偏向于传统的“推式”营销（个人对这种营销方式比较没有好感，尤其“捆绑销售”之类）。   基于用户行为分析的关联推荐   所以个人更偏向于基于用户分析的实现方式，这样更有利于发现用户的潜在需求，帮助用户更好的选择它们需要的产品，并由用户决定是否购买，也就是所谓的“拉式”营销。通过向用户推荐产品或服务，激发用户的潜在需求，促使用户消费，更加符合“以用户为中心”的理念。所以下面主要简单描述下以用户行为分析为基础的关联推荐，无论你是电子商务网站或是其他任何类型的网站，其实都可以实现这个功能，只要你具备以下前提：   1、 能够有效地识别网站用户；   2、保留了用户的历史行为数据（点击流数据（clickstream）或运营数据（outcomes））；   3、当然还需要一个不错的网站数据分析师。   这里以电子商务网站为例来说明一下关联规则的具体实现。目前大部分电子商务网站都提供用户注册的功能，而购物的用户一般都是基于登录的条件下完成的，所以这里为用户识别提供了最为有效的标示符——用户ID（关于用户识别的方法，请参考这篇文章——网站用户的识别）；同时网站会把所有用户的购物数据储存在自己的运营数据库里面，这个为用户行为分析提供了数据基础——用户历史购物数据。所以满足了上述的前两个条件，我们就可以着手进行分析了。   关联规则的实现原理是从所有的用户购物数据中（如果数据量过大，可以选取一定的时间区间，如一年、一个季度等），寻找当用户购买了A商品的基础上，又购买了B商品的人数所占的比例，当这个比例达到了预设的一个目标水平的时候，我们就认为这两个商品是存在一定关联的，所以当用户购买了A商品但还未购买B商品时，我们就可以向该类用户推荐B商品。如下图： 从上图可以看到其中牵涉3个集合：所有购买过商品的用户全集U、购买了A商品的用户集合A以及在购买了A商品之后又购买了B商品的用户集合G。基于这3个集合可以计算关联规则挖掘中的2个关键指标——支持度（Support）和置信度（Confidence）：   支持度=购买了A和B商品（集合G）的人数/所有购买过商品（集合U）的人数   置信度=购买了A和B商品（集合G）的人数/购买了A商品（集合A）的人数   得到这两个指标之后，需要为这两个指标设立一个最低门槛，即最小支持度和最小置信度。因为在用户的购买行为中，购买A商品的用户可能不仅购买B商品，还购买了C、D、E……等一系列商品，所以我们需要分别算出所有这些组合的支持度和置信度，只有满足比如支持度>0.2，置信度>0.6的这些商品组合才可以认为是有关联的，值得推荐的。   当然，如果你的网站不是电子商务网站，你同样可以用用户浏览网站的点击流数据实现关联推荐的功能。同样是基于用户历史行为，比如浏览了A页面的用户也浏览的B页面、观看了A视频的用户也观看了B视频、下载了A文件的用户也下载了B文件……   数据挖掘中的关联规则挖掘一般采用基于频繁集的Apriori算法，是一个较为简单有效的算法，这里就不具体介绍了，有兴趣的朋友可以去查下资料。   在进行关联规则分析时需要注意的一些问题 [...]

前面我们分享了游戏新手引导的设计经验，这次我想和大家分享一下新手引导的检查方法。说起检查方法，就要从检查标准谈起。 一、             评价新手引导的标准 游戏新手引导的设计目的是通过帮助用户掌握游戏玩法，从而提高留存率。由于留存率一直以来都是一个包含众多因素，剪不断理还乱的事情，因此想用它去检查新手引导确实有些难度。既然新手引导实现提升留存的手段是帮助用户掌握游戏玩法，所以只要用户掌握了游戏玩法，也可以说是实现了新手引导的设计目的。基于这种理念，我们可以将用户对游戏玩法的掌握程度作为新手引导的检查标准。 具体到实际检查活动中，多采用小规模用户的可用性测试，不用太多的时间，不耗费用研、市场调研资源也可以收到很好的效果。 二、             新手引导的可用性测试 可用性测试主要包含六项内容：寻找目标用户、制作调查问卷、观察用户发现问题、确定问题范围、解决问题、检验。 1、寻找目标用户：通过了解用户的游戏经历，游戏年限，游戏类型偏好以及经济收入等情况，选择5-7名目标用户，这些用户中会有3-4人与游戏的用户模型非常贴近，而其余的用户则可能会与目标用户类型有一定差别。这样做的目的是帮助我们发现潜在的用户。在如何寻找差别用户的方法上目前我还没有发现什么好办法，但是有一点可以肯定的是，对于不同产品而言，选择差别用户的前提是要对产品非常了解。以游戏为例，游戏的文化背景、游戏的类型这些基础的东西至少要有一项能够符合差别用户的需求。以大型FPS游戏为例，如果我们找来一些玩休闲游戏的玩家作为差别用户，很有可能会一无所获，但是如果寻找一些玩第一人称美式RPG的玩家很有可能会发现新的用户，因为这两种游戏在视觉感受和操作上有相同的地方。 2、制作调查问卷：在观察用户游戏的过程中，我们不可能发现每一个问题点，因此调查问卷可以帮助我们发现遗漏的问题。当发现遗漏的问题时，仍然需要与用户进行沟通，了解用户当时的感受，而不是盲目的记录问题。 3、观察用户发现问题：观察目标用户在游戏中的表现，记录用户遇到的问题，并且结合问卷的内容对用户进行访谈。访谈中要了解玩家对游戏玩法的掌握程度，判断引导的内容是否能够被玩家所掌握，是否有些没有引导的内容需要补充进去。同时，还要了解引导过程中的使命感传达是否到位。例如有些玩家会认为游戏的背景故事无法激起他的游戏兴趣，而这样的设计很有可能造成玩家流失。所有的问题最后可以汇总为使命感缺失，引导内容不理解和引导内容缺失。下面是一个可用性问题汇总的表格： 序号 问题类型 问题 用 户 A 用 户 B 用 户 C 用 户 D 用 户 E 玩家反应 1 使命感缺失 任务形式单一，总是重复打怪 ●         玩家流失 2 引导内容不理解 不会移动 ●     ●   使用键盘移动没有反应后，注意到移动提示 3 不会释放技能     ●     [...]