内容简介:产品无论处于哪个阶段,解决用户需求价值点的方法主要遵循2个路径:自下而上从用户中来的需求驱动产品迭代发展;自上而下到用户中去的产品功能优化驱动产品迭代发展。大多互联网产品无论处于探索期、成长期,还是成熟期、衰退期,产品所处阶段解决用户需求价值点的方法主要遵循这2个路径:
产品无论处于哪个阶段,解决用户需求价值点的方法主要遵循2个路径:自下而上从用户中来的需求驱动产品迭代发展;自上而下到用户中去的产品功能优化驱动产品迭代发展。
大多互联网产品无论处于探索期、成长期,还是成熟期、衰退期,产品所处阶段解决用户需求价值点的方法主要遵循这2个路径:
- 自下而上从用户中来的需求驱动产品迭代发展;
- 自上而下到用户中去的产品功能优化驱动产品迭代发展;
第1条路径市面上相关的方法论说的很多,这里主要结合自己在产品运营的实践中详细说说第2条路径,当我们把用户需求转化为产品需求后,为了避免出现产品功能的遗漏或误解用户的需求,以及最重要的功能没上,无关紧要的功能却上了很多等尬场现象,我们该如何提前做好预防这样现象的发生?
一、问卷调研的文本挖掘分析
首先我们肯定已经完成了第1条工作路径了,我们为了防止出现遗漏或误解用户需求的情况,我们有必要进行一次定量的用户问卷调研,除了要获得用户对我们即将上线的产品功能点的态度与观点(主要获得功能点的价值排序),最重要的还是要有收集用户对产品功能其它补充建议的主观题,一来为避免出现遗漏了最重要最紧急的功能,二来也为产品的下次迭代做好用户需求分析的准备工作。
因为最终往往通过问卷调研统计上来的用户文本信息是非结构化数据,所以我们短时间内如果通过文本分析的话处理过程比较耗时耗力,文本分析只适合小群体,此时我们需要通过对文本信息的词频统计和网络语义分析可以将文本进行聚类分析,这样处理大量定量文本信息不仅客观而且效率快。
相关的 工具 推荐用ROST Content Mining内容挖掘系统,我们通过问卷分析后台导出用户文本信息后,相关操作如下(数据做了脱敏处理):
1. 文本数据清洗
可以将文本以字数从高到低进行排序(用LEN函数),清除无意义的用户调研文本,再将文本保存为text文档。
2. 打开ROST Content Mining进行分词和词频统计
首先分词之前我们可以打开软件本身提供的用户词典表格,(软件功能性分析-点击分词-根据对话框的自定义词表所在的路径找到),再将和自身业务产品相关的专有名词添加到用户词典表格,主要是为了避免出现分词后的结果将自身的产品、品牌等字词进行了拆分,给后面的词频分析造成麻烦。
此时我们就可以对清洗后的用户调研文本text文件进行分词了,(点击软件功能性分析-点击分词-在对话框中添加用户调研文本所在路径),然后会形成分词后的用户文本信息效果,如下图:
最后针对分词后的用户文本进行词频统计,如下图,针对高频出现的词我们基本上有了全局的了解。
3. 进行语义网络分析
可以针对原始的用户调研文本进行语义网络分析,可以结合上一步对出现频率高的词提取关键字:
比如针对上图名片这一高频词出现了相关的版面、高大、添加等语义网络关键词。如果我们想对名片-版面这一高频词进行文本分析我们可以通过文本筛选找到所有和名片-版面相关所有的用户文本信息,针对这些信息可以归纳出关于名片-版面的普遍建议,最后发现大部分用户还是希望名片能够有更好的版面设计和商业社交范等,当然我们还要给这些观点的用户进行定量,比如觉得名片的版面设计需要具有商业社交范的用户有200人。
完成了用户文本挖掘分析后,我们要针对用户的其它建议进行业务评估与技术可行性评估从而决定是否有遗漏的重要功能点,如果有,是否可以提前安排研发档期,如果没有,可做甄别再列入需求优化池。
基本上文本挖掘分析能够帮助工作人员在面对大量非结构化文本信息时,能够更加高效的提炼和归纳结论,整个过程既是科学也是艺术。
二、需求排序之kano模型
针对走完第1条路径后(自下而上从用户中来的用户需求驱动产品需求迭代发展),为了更好的集中研发资源满足好当下最重要的功能优先级上线,也为了避免拍脑袋而带来的决策失误,较为客观的做法最好还是让用户来决定,此时我们就需要结合kano模型将产品功能需求点划分为期望型需求、魅力型需求、必备需求、无差异需求、反向需求、可疑需求。
如何对这些产品功能进行需求类型的排序,这需要我们获得用户对这些产品功能的正向和反向的态度,首先正向和反向都要设计好5个档位,中间的观点为中立,如下图所示:
然后从数据后台导出用户文本信息EXCEL文档,针对每道题的正反进行交叉分析,可以用函数COUNTIFS(criteria_range1,”A.我很喜欢”, criteria_range2,”A.我很喜欢”)获取每个功能的交叉分析值,如下图所示:
其次对每个功能的正反交叉分析值进行功能属性的色块划分:A:魅力属性;O:期望属性;M:必备属性;I:无差异属性;R:反向属性;Q:可疑结果。
最后计算每个功能的better与worse值。better就是提供该功能后的满意系数:=(A+O)/(A+O+M+I);worse就是不提供该功能后的不满意系数:= -1*(O+M)/(A+O+M+I);前者越接近1代表用户越满足,后者越接近-1代表用户越不满足;
我们分别针对这次调研的6个产品需求功能点分别计算出6个产品功能的better-worse值,再用spss或EXCEL对6个功能的better-worse值进行散点图分析,如下图所示:
最后我们可以得出相对必备功能2和魅力功能4,优先级可以前置,相对无差异功能1、3、5、6可以根据现有资源安排是否开发上线。
总结:自下而上从用户中来的需求驱动产品迭代发展是内核,自上而下到用户中去的产品功能优化驱动产品发展是外部推手,只有两者兼顾用户需求驱动产品发展才完整。
作者:活着便精彩,5年+产品运营人,专研于产品运营、用户运营,这几年在总结属于自己的运营思维模型。微信公众号:运营心经杂谈,欢迎一起交流。
本文由 @活着便精彩 原创发布于人人都是产品经理。未经许可,禁止转载
题图来自Unsplash,基于CC0协议
以上所述就是小编给大家介绍的《产品需求挖掘与排序的2大利器:文本挖掘与KANO模型》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- SRC挖掘初探之随缘XSS挖掘
- 数据挖掘实操:用文本挖掘剖析近 5 万首《全唐诗》
- 数据挖掘竞赛指南:曾经的数据挖掘少年,如今的阿里算法大佬
- “天府杯”漏洞挖掘论坛开讲!满足你对漏洞挖掘的全部求知欲
- 挖掘src漏洞
- Python之数据挖掘
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Graph Algorithms
Shimon Even / Cambridge University Press / 2011-9-19 / USD 32.99
Shimon Even's Graph Algorithms, published in 1979, was a seminal introductory book on algorithms read by everyone engaged in the field. This thoroughly revised second edition, with a foreword by Richa......一起来看看 《Graph Algorithms》 这本书的介绍吧!