如何理解用户的行为?

简介: 产品经理的核心工作就是研究用户,根据用户需求研发产品。而研究用户的核心是研究用户行为,研究用户行为背后的原理。

产品经理的核心工作就是研究用户,根据用户需求研发产品。而研究用户的核心是研究用户行为,研究用户行为背后的原理。

什么是用户?

用户不是自然人,而是需求的集合。怎么理解这句话呢?我们都知道用户有很多需求,用户会使用不同的产品满足其不同的需求。当我们在说我们产品有多少用户的时候,其实说的是,我们产品满足了多少位用户的需求。

用户有五个属性:异质性、情境性、可塑性、自利性、有限性。

异质性是指用户是唯一的,世界上没有完全一样的用户。

情境性是指用户的行为受情境的影响,没有情境就没有用户,同一个用户在不同情境下会有不同的反应和行为。

可塑性是指用户是可变的,其偏好和认知会随着外界不同的信息刺激发生变化而演化。

自利性是指用户追求个人利益最大化。

有限理性是指用户追求理性,但由于能力有限,只存在有限理性。

如何理解用户的行为?

首先,在用户行为发生前,用户经常会受到一个情境的刺激,这个情境的刺激会调用用户的偏好和认知,产生一个主观期望效用,促使用户产生相应的行为,即追求这个预期的效用。而行为会产生某个结果,这个结果又会变成经验,影响到原来的偏好和认知函数,从而可能对用户下一次行为产生影响。如下图:

76084d79015408b6289ff8ee5ec496f1.jpeg

举个例子,有个词语叫望梅止渴。讲的是人在口渴的时候谈论梅子,口里就会产生唾液,从而产生止渴的作用。这里其实就有一个假设前提,也就是用户的原来的偏好和认知是知道梅子是酸的。口渴+谈论梅子是一个场景,用户有这样的认知就能够被这个场景所刺激,产生期望——吃梅子,可能认为吃梅子可以解渴,从而产生行动,去找梅子。

但是,如果用户没有这个认知,那就不会被这个场景所刺激,也就不会产生吃梅子的期望效用。再假如,后面他吃到的梅子是苦的,那么这个结果会形成新的经验,使用户对梅子的认知产生变化,从而形成新的偏好,那么下次受到类似情境刺激时,用户可能会修正自己的期望效用,从而可能产生不一样的行为。

人是需求的集合。研究人,就是研究人的“偏好和认知函数”。研究人的需求,就是研究人在不同情境里用户表现出来的偏好。用户偏好会塑造用户的期望效用,这个塑造的过程,大概会经过感知、解读、选择集合、模拟推演、价值判断五个阶段。这是一个复杂的过程,塑造过程中会受到各种认知偏误的影响。最终形成的期望效用会影响人的行为,并根据实际使用体验形成经验,反馈给用户偏好,对其进行修正或强化,形成新的偏好。

理解了用户行为,有什么用?

研究用户行为的目的,最终是促进用户的某种行为(使用、交易)。理解了用户行为,我们就能更好地促进用户行为。反过来,当我们能更好地促进用户行为时,也意味着我们能做出更适合当下用户的产品。例如,做新的产品设计的时候,我们可以这样来思考应该做一个什么样的产品:

  1. 用户的需求是多种多样的,要满足所有人的需求不容易。我们可以先找到具有某种特性的用户(具有类似认知和偏好的人群),再去做需求分析,找到或创造更适合他们认知和偏好的场景,再去设计产品。
  2. 既然每个用户对某个场景下的需求反应是不一样的。那我们可以先找到一个场景,去看在这个场景里的一个一个具体的人,去对他们的使用行为进行分析(使用、反馈、投诉等),当获得足够多的数据,我们就可以根据数据,形成用户分布模型,然后基于这个模型去分类用户,从而设计产品。

第一种方案,是先确定目标的核心用户,再去设计满足其特定场景下的产品。

第二种方案,是先找到某个需求,再去看不同用户在这个特定场景下的反应,在足够多的用户数据里找到我们产品的核心目标用户,然后再去设计产品。

目录
相关文章
|
存储 Kubernetes Cloud Native
kubernetes【工具】kaniko【1】【介绍】-无特权构建镜像
kubernetes【工具】kaniko【1】【介绍】-无特权构建镜像
kubernetes【工具】kaniko【1】【介绍】-无特权构建镜像
|
6月前
|
存储 弹性计算 Cloud Native
云原生成本精细化管理实践:企迈科技的成本中心建设之路
企迈实施成本中心建设的项目核心目标不仅是实现云资源的优化配置,还要为管理层提供清晰、实时的成本数据分析,帮助管理层做出更加精准的决策。通过精细化的云成本管控,逐步实现成本降低、资源合理分配和更加高效的云产品使用。
云原生成本精细化管理实践:企迈科技的成本中心建设之路
|
弹性计算
阿里云备案审核一般多久能过?域名备案需要几天?
阿里云域名备案是大家比较关心的问题,尤其是网站域名备案时间,阿里云备案时间还是比较快的,如果用户材料齐全,提交到阿里云审核无误后,一般一天即可提交到所对应省事的管局,备案号下来的时间要以管局的审核时间为准,一般管局审核时间为10天左右。
|
12月前
|
存储 前端开发 NoSQL
如何优雅地实现在线人数统计功能:技术干货分享
在现代Web开发中,实时在线人数统计是一个常见且重要的功能,它不仅提升了用户体验,还能为网站运营者提供宝贵的数据支持。今天,我们将深入探讨如何优雅地实现这一功能,结合前端展示、后端处理及数据存储等多个方面,为您呈现一套完整的技术解决方案。
1152 5
|
数据采集 物联网 API
LLM 大模型学习必知必会系列(五):数据预处理(Tokenizer分词器)、模板(Template)设计以及LLM技术选型
LLM 大模型学习必知必会系列(五):数据预处理(Tokenizer分词器)、模板(Template)设计以及LLM技术选型
LLM 大模型学习必知必会系列(五):数据预处理(Tokenizer分词器)、模板(Template)设计以及LLM技术选型
|
机器学习/深度学习
大模型中的Scaling Law是什么?
【2月更文挑战第9天】大模型中的Scaling Law是什么?
16722 3
大模型中的Scaling Law是什么?
|
分布式计算 Hadoop
HDFS教程(02)- HDFS命令汇总
HDFS教程(02)- HDFS命令汇总
408 0
|
Cloud Native 网络安全 Docker
云原生之部署ssh连接工具webssh2
云原生之部署ssh连接工具webssh2
554 0
|
机器学习/深度学习 PyTorch 算法框架/工具
torch rnn网络中,embedding.weight会反向更新吗?
在PyTorch中,如果在训练中使用了embedding层,那么embedding.weight会被反向更新。这是因为在训练过程中,模型的参数会根据损失函数的反向传播进行更新,而embedding层的参数embedding.weight也是模型的一部分,因此也会被更新。 对于RNN网络来说,embedding层通常用于将输入的离散化表示(例如单词ID)转换为连续的向量表示。这些向量表示可以作为RNN网络的输入,帮助模型更好地理解文本数据。在RNN网络中,embedding层通常是一个独立的模块,其权重参数会被随机初始化,并根据训练数据进行反向更新,以使得输入的离散化表示能够更好地在连续空间中
947 0
|
设计模式 内存技术
《游戏机制——高级游戏设计技术》一导读
本书将告诉你如何设计、测试及调整游戏的核心机制。这些理论适用于任何游戏—从庞大的角色扮演游戏(RPG,role-playing game)到手机休闲游戏,再到传统的桌上游戏(board game)。在学习过程中,我们会使用大量你可能已经耳熟能详的实际游戏作品作为案例,包括《吃豆人》(Pac-Man)、《地产大亨》(Monopoly)、《文明》(Civilization)、《星际争霸Ⅱ》(StarCraftⅡ)等等。
2833 0