可用性测试的常见问题与对策:
第一,如果用可行测试做得太晚(产品将要上线的时候),这时发现问题于事无补。
第二,总觉得可用性测试很专业,所以干脆不做。
第三,明确是测试产品,不是测试用户。
第四,测试过程中,组织者该做的和不该做的。
定量的做:数据分析
数据分析时,根据不同的目的,数据来源多种多样,常见的有用户使用产品的日志,客户管理系统里的信息,网页访问情况的统计信息等。数据分析的方法,最简单的可以用Excel,复杂一点的可以用一些统计软件,数据库软件,或者直接自己写程序解决。而最最关键的就是对结果的解读,通常数据分析只能发现一些现象和问题,并不能了解原因,所以分析完成后通常会伴随着一些用户访谈,听听用户怎么解释。
数据分析的常见问题与对策:
我们要意识到用户怎么做 和 怎么说 是不同的,甚至经常有矛盾,有时候用户的行为比语言更能反映出他的真实需求。比如用户说在搜索买家的时候应该加一个“按交易额搜索”的条件,也许只是他某次特殊的需求使然,但如果我们听他的做了这个功能,之后通过用户行为分析发现,只有1/10000的人用过,那就表明我们被用户的说法骗了,单数据永远不会骗我们。
数据分析时,有一些特定的问题:
第一,过于学术,沉迷于“科学研究”
科学研究通常只注重“性价比”的性,为了好的结果,往往不在乎投入成本,但是商业不是科学,更多的是对数据的敏感,对商业的敏感。
第二,虽然数据不会主动骗人,但是我们经常无意或有意的误读数据。
举个例子,对于一群人中,人们的身高用平均数是有意义的,那是我们知道他们符合正态分布,中间多两边少,所以一个平均值就能够了解群体的大体情况。而我们的收入并不符合正态分布,一个超级富翁和1000个零收入的人,平均下来每人100万,这是很荒谬的。解决办法:学习统计学的知识,努力提高自己的水平。
主动的误读数据,是比较有意思的事情。在提取数据之前,我们心中通常已经有了一些结论,无非是想验证它,而抱着这样的思想,就总能找到一些数据来证明自己已有的想法,并且技术越娴熟的人越容易做到这一点。对于这一点,我想一个简单的对策就是对数据保持中立的态度,尽量不要“为了迎合一个观点而去找数据”,减少利益牵扯,比如为了证明老板的判断,或是为了保持自己之前拍脑袋的英明形象等。
第三,平时不烧香,临时抱佛脚。
产品日志的商业价值
先做出方向性的假设,再提取相应的数据并分析,得到一些现象,最好是之前没发现的现象,然后尝试解释,接下来做用户调研修正解释,最终指导产品发展方向。
需求采集人人有责:
第一,生孩子和养孩子的区别。
第二,二手需求采集工具:单项需求卡片。
单项需求卡片:产品的需求工作不只是需求分析人员的事,而是涉及产品的每一个干系人的义务,至少得参与“采集”的过程。
表 2-3 单项需求卡片模板
需求编号(可由需求人员填写) 需求类型(可由需求人员填写)
包含“采集时刻 + 采集者”信息 功能需求、非功能需求等
来源(Who)(重要信息,方便追根溯源)
产生需求的用户:最好有该用户的联系方式等信息
用户背景资料:受教育程度、岗位经验,以及其他与本单项需求相关经验
场景(Where、When)(重要信息,用来理解需求发生的场景)
产生该需求的特定的时间、地理、环境等
描述(What)(最重要的信息)
尽量用(主语+谓语+宾语)的语法结构,不要加入主观的修饰语句
原因(Why)(需求人员要保持怀疑的心,很多时候理由是假想出来的)
为什么会有这样的需求,以及采集者的解释
验收标准(How) 需求重要性权重(How much):
(如何确认这个需求被满足了)
1. 尽量用量化的语言
2. 无法量化的举例解释
满足后(“1:一般”到“5:非常高兴”)
未实现(“1:略感遗憾”到“5:非常懊恼”)
需求生命特征(When) 需求关联(Which)
1. 需求的紧急度
2. 时间持续性
1. 人:和此需求关联的任何人
2. 事:和此需求关联的用户业务与其他需求
3. 物:和此需求关联的用户系统、设备,以及其他产品等