从用户层面考虑如何做好一款产品

简介:

1. 用户到底是怎么认知产品的

这个问题是人去认知一个事物的潜在逻辑,带有群体特性。找到这个规律会有助于针对性的设计产品,让用户更容易接纳。


翻阅了一下各种资料,发现美国广告学家E.S.刘易斯在1898年提出了一个经典的认知模型AIDMA。但是仔细研读后发现这个模型虽然经典,但是后续又有AISAS的新认知模型,主要还是人类社会的发展导致大众对认知方面的进化。对于互联网产品,我觉得2009年百度提出的DSEAS模型更为适用。


DSEAS认知模型,及个人简单思考

1. Demand:     当今的用户见到的东西非常丰富,用户很容易知道自己需要什么。

2. Search:     接下来最直接的反应就是上网搜索,去找到所需要的潜在产品。

3. Evaluation: 在一堆产品面前,无论是之前了解的、网上搜索的、还是其他渠道获得的,需要解决的就是到底选哪个!

4. Action:     做出决定进行购买。

5. Share:      分享给其他人,现在的分享方式更轻,而其他人获取分享的方式更简单,最终分享的效果被互联网急剧放大。

以这个模型作为参考,我们可以做的事情也变得清晰。后文结合结婚行业做了一些分析。


2. Demand

结婚对人而言是刚需,也不能直接去引导。


换个角度来看,可以引导用户提前消费,但是也得是有结婚需求的人群。在实际销售中可以强调结婚的时间紧迫感,以及眼下消费的时机正合适等。


3. Search

目的就是让用户能找到你,能想起你。之前公司推广部门有整理过,简单列一下 

1. SEO 2. SEM 3. 新媒体 4. H5活动 5. 转介绍 6. 社区 7. 线下活动 8. 广告投放


越传统的方式,越接近旧的认知模型,用户属于被动接受信息。从认知角度来看,这也是为什么新认知方式的产品更有颠覆力。


4. Evaluation——核心

结婚的沉没成本很高,属于高认知参与决策,单纯的曝光很难产生实际作用。在《流量迷恋症:为什么有些流量无法带来销量》中提出了一个针对评估阶段的关键问题:


评估阶段的关键问题

1. 理解问题

2. 动机问题:必须有个合理的解释

3. 信任问题:可以从品牌、口碑、背书、法律、资质证书、科学性等角度解决

4. 行为门槛问题

5. 群体规范问题


上文中给出了很多具体例子,分析的很在理。但是具体到特定事情,所需要解决的核心问题则各有不同。


针对这些核心问题,我们把存在的情况列一下,排个序,找找解决办法。


4.1 婚纱摄影的思考


核心问题 重要度 我们存在的问题 解决方法

理解问题 3 选摄影师、在线选片这些概念看字面基本能理解 加强宣导

动机问题 ++1++ 为什么要选摄影师 宣导选摄影师和好照片的关系

信任问题 2 缺少品牌知名度以及口碑 没钱砸品牌的情况下想快速建立信任,找明星做背书或许最有效

行为门槛问题 4 有一定困难和学习成本 实际也能带来一些好处,操作难度也不太大,整体还是利大于弊。

群体规范问题 X


结合之前用研的结果,用户最关心的3个方面: 1. 美好的效果 2. 省心的过程 3. 合理的价格


综合以上的分析,我们比较理想的达成用户预期的途径是:


sequenceDiagram

评估    ->>产生动机: 官方宣导选摄影师是好作品的保障

产生动机->>建立信任: 看到明星背书,最好名人的婚礼由婚礼猫办的

建立信任->>购买: 认为应该可以拍的好,购买也简单,这价格值!


4.2 婚宴酒店的思考


核心问题 重要度 我们存在的问题 解决方法

理解问题 X 在线看酒店其实更方便

动机问题 X

信任问题 1 不觉得平台的价格会是最低 用户极有可能还是会到线下去询价比较,做好线上和线下价格的冲突

行为门槛问题 X

群体规范问题 X


4.3 婚品服务的思考


以珠宝为例:


核心问题 重要度 我们存在的问题 解决方法

理解问题 X 如果有系列等概念则属于锦上添花

动机问题 3 用户正常购买的时机比较局限特定结婚时期 如果希望用户又更多购买场景,就要制造购买动机,比如各种节日等噱头

信任问题 ++1++ 市场上品牌杂乱,没有太强的品牌认知,对于个别大牌会觉得非常尊贵 可以做的角度比较多,强调定制直销模式的低成本和高质量,用款式的吸引力加强用户对品牌的信心,用体贴的售后保障打消对不知名品牌的顾虑

行为门槛问题 2 单价较高,功能性较弱,不属于日常消费 要不产品更符合日常使用场景(比如服装配饰、手机配饰),要不就做一些低单价的产品以降低消费门槛

群体规范问题 X


5. Action

在评估后,购买行为就是一个水到渠成的事情了,最重要的就是尽快进行购买行为。


所以要降低购买门槛,提升购买流畅度。


6. Share——关键

分享在当前移动互联网流行的情况下尤为重要的环节,因为分享动作变的更加容易,而且还有LBS、摄像头等技术或硬件,分享效果也极大提升。类比于过去的转介绍,在移动社区上的分享,更利于信息的传播,同样能传递信任,是分享效率的极大提升。


如何让用户做好分享,往往成为了当今营销的大杀器。


Grow Hacking已经在一些公司成为了独立岗位,做好病毒传播可以实现低成本的大范围营销。这个方面还有待进一步研究。



本文转自passover 51CTO博客,原文链接:http://blog.51cto.com/passover/1761252,如需转载请自行联系原作者

相关文章
在钉钉中,如何创建表单的业务实例数据?
在钉钉中,如何创建表单的业务实例数据?
335 1
|
Java 数据库
【数据库】starrocks 安装踩坑
【数据库】starrocks 安装踩坑
1111 0
|
10月前
|
设计模式 Java Go
【再谈设计模式】状态模式~对象行为的状态驱动者
状态模式属于行为型设计模式。它将对象的行为封装在不同的状态类中,使得对象在不同的状态下表现出不同的行为。上下文(Context):这是一个包含状态对象的类,它定义了客户感兴趣的接口,并维护一个具体状态对象的引用。上下文将操作委托给当前的状态对象来处理。抽象状态(State):这是一个抽象类或者接口,它定义了一个特定状态下的行为接口。所有具体的状态类都实现这个接口。具体状态(Concrete State):这些是实现抽象状态接口的类,每个具体状态类实现了与该状态相关的行为。
341 18
|
11月前
|
弹性计算 运维 自然语言处理
OS Copilot 智能助手评测报告
作为一名开发工程师,我频繁涉及云资源运维与管理。阿里云推出的OS Copilot结合大语言模型与操作系统经验,引起了我的极大兴趣。在2025年1月7日至2月7日的测评中,我通过ECS实例体验了其性能和易用性。安装过程简单,但遇到依赖包版本不匹配等问题,通过查阅文档解决。OS Copilot的-t参数简化操作流程,-f参数提升批量任务效率,管道操作帮助理解系统配置。整体而言,OS Copilot显著提升了工作效率,特别是在自然语言交互方面表现出色。未来希望优化用户体验、增强安全性和拓展应用场景,为用户提供更优质的服务。
307 14
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能:改变游戏规则的革新
在这篇技术性文章中,我们将深入探讨人工智能(AI)如何彻底改变了软件测试领域。从自动化测试到智能缺陷检测,AI不仅提高了测试的效率和准确性,还为软件开发团队提供了前所未有的洞察力。通过具体案例,本文揭示了AI在软件测试中应用的现状、挑战及未来趋势,强调了技术创新在提升软件质量与开发效率中的关键作用。
|
机器学习/深度学习 数据采集 运维
探索机器学习在金融风控中的应用与挑战
本文深入探讨了机器学习技术在金融风险控制领域的应用及其所面临的挑战。通过分析当前金融市场的风险特点,结合机器学习算法的优势与局限,文章揭示了机器学习如何助力金融机构提高风险识别的精准度和决策效率。同时,讨论了实施过程中的数据隐私、模型透明度和监管合规等关键问题,并提出了相应的解决策略。最后,文章展望了机器学习技术未来在金融风控领域的发展趋势,为金融科技从业者提供了实践指导和思考方向。
416 0
|
JavaScript Java 测试技术
基于springboot+vue.js+uniapp小程序的高校固定资产管理系统附带文章源码部署视频讲解等
基于springboot+vue.js+uniapp小程序的高校固定资产管理系统附带文章源码部署视频讲解等
218 0
|
监控
HWiNFO硬件检测工具
始于上世纪90年代并且一直在稳定更新的老牌硬件分析及监控工具HWiNFO ,针对个人及非商业用途免费。自从7.20版推出中文版以来,经过几个版本的改进,中文愈发准确。适合电脑系统中使用的系统信息监测工具,HWiNFO可以显示出处理器、主板及芯片组、pcmcia接口、bios版本、内存等信息。HWiNFO(64位)还可以给用户全面展示计算机的硬件信息以及性能。
248 0
|
人工智能 机器人 测试技术
【点云】有序/无序点云区别(详细详解)
【点云】有序/无序点云区别(详细详解)
|
JavaScript 前端开发 网络协议
轻松搭建远程Node.js服务端,让你的应用在公共网络中畅行无阻!
Node.js 是能够在服务器端运行 JavaScript 的开放源代码、跨平台运行环境。Node.js 由 OpenJS Foundation(原为 Node.js Foundation,已与 JS Foundation 合并)持有和维护,亦为 Linux 基金会的项目。Node.js 采用 Google 开发的 V8 运行代码,使用事件驱动、非阻塞和异步输入输出模型等技术来提高性能,可优化应用程序的传输量和规模。这些技术通常用于资料密集的即时应用程序。