量化设计价值（二）：体验度量深度实践

前言

体验目标的达成，需要合理且客观的度量方法，体验度量的实践，需要度量框架的有力支撑。提高竞争优势，提升客户态度，保障产品可以即时的响应客户的需求。本篇文章的实践方法全部来源于酷家乐 B 端产品业务中的实践案例，重点在于度量框架的深度实践，如果我们的经验能够帮助到您，欢迎交流讨论。

上篇回顾：

体验度量怎么做？

“体验”是用户纯主观的感受，从这个情况来看是很难被度量的。“体验”同时也是一个比较抽象的概念，如果把一个抽象的概念拆解成一个可执行的策略，拆解的过程如何保证策略的有效性，是我们一直在思考的。面对酷家乐工具型、SaaS 型、平台型并存的产品体系，且存在错综复杂的用户需求和业务诉求。在这样的前提下对方法的确立需要更加的冷静。

如何确定方法？我们需要的是一个完整的度量框架，以及能够聚焦用户体验层为驱动，分解并有力的去解决问题。经过大量的实践和验证得到，抓住一个击破点作为产品体验提升的目标，并以一种合理的方式进行推导和验证，这是一种最直接度量体验的标准流程性方式，这里的目标必须是：

体现用户主观感受或者具有行为驱动的目标。

基于业务目标定义+用户诉求了解后，得到的以用户为中心驱动的用户行为。

度量模型怎么选？

面对设计圈内已经存在的和部分大厂创造的度量模型，评估优劣后最终我们选取了 HEART 模型。因为 HEART 是个比较全面和具备更多扩展性的分析框架，同时足够的权威和标准，而且市面上的模型基本都被 HEART 的五维囊括。除了这些考虑因素外，再给出以下几个明显的优势点：

• HEART 同时涵盖了定性和定量的不同数据维度。
• HEART 框架同时包含了：宏观和微观的层面
• HEART 模型并不单纯的定义体验质量，同时也链接了商业价值。把用户体验的原则和收益驱动的指标关联在了一起。

HEART 模型简介

1. 什么是 HEART 模型？

多个大厂利用 HEART 模型拆解框架得到了深度结合业务的度量框架。是个比较全面和具备更多扩展性的分析框架。HEART 是 GOOGLE 公司在实践中提出，基于产出更好产品为目的，用来衡量产品整体体验的度量评估模型。

它包含五个维度 Happiness（愉悦度）、Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task success（任务完成度）组成，是 Google 用户体验研究团队在实践中为了准确的度量用户体验而总结提炼出的一个框架。

2. HEART 模型的特性与应用场景

目前市面上还存在 PTECH、TEENS 等体验度量模型，而 HEART 模型的特性在于它”以用户为中心“进行度量，同时度量维度全面，既包含宏观的愉悦度，也有微观的任务完成率，同时关注产品上的留存率，与业务目标保持紧密。在评估方式上，既有定性评估的愉悦度，也有定量评估的参与度、留存率等，可对用户使用产品情况做一个完整的评估。

HEART 模型的详细拆解指南

第一步：确定体验目标

体验目标是体验度量的开始，准确的目标决定了度量的质量。要提炼出准确而有效的体验目标并不容易，通常会引入产品功能等业务因素，使体验目标不够单纯，拆解出来的指标所反映的数据也很难归因到体验。故复杂项目可提炼多个体验目标相互补齐，但每个都必须准确而具体。

那么如何确定体验目标呢？

体验无法脱离于具体的产品服务存在，用户的整体体验感知积累于每一个接触触点，大多触点常规而平庸影响不大，必须识别出达成业务的关键触点进行深入分析，已提炼出体验目标。

整体的思路是：首先分析业务目标，并就业务目标所落地的产品服务的链路进行拆解，分析链路后，找到其中对体验有决定性影响的因素，提取其因素后，即形成体验目标。

确定业务目标

业务目标是整个产品服务的最终目的，体验作为产品服务的重要评估维度，需要与之对齐。业务目标与所选取项目范围有关，从整个产品到特定功能模块，或者某个行为链路都可作为参与项目。根据选取的项目来确定业务目标，如“保持产品新旧改版的平稳过渡，降低改版造成的断约率”、“提升用户自主解决问题的能力，降低运营服务的压力”等。注意业务目标与产品目标的差异，后者是对前者的产品化阐释，可以具体到某项产品服务目标上。产品目标和体验目标可以共同服务于业务目标，实现价值的达成。

示例：

业务目标：在设计工具中商品素材的查找效率，辅助家装设计师快速构建方案，提升其签单率

产品目标：优化现有商品素材的查找逻辑，降低家装设计师查找商品素材的成本

拆解产品链路

产品目标需借助于功能链路来达成，将该目标达成过程的逻辑呈现出来，并分析其跳转路径、操作触点，就是链路拆解过程。整个链路过程是用户价值的直接承载，任何一个触点的失效都将影响到整条链路顺畅和效率。就链路整体而言，触点越多、链路越长，操作成本越大；就某个具体触点而言，其效率、易用性、易理解度也将影响整体的价值传达。

为完整的拆解出整个产品链路，需要从“用户侧”、“系统侧”进行分析，用户侧代表用户视角下的功能使用流程，是主要考虑的维度，体现了以用户为中心的设计思路；系统侧代表系统在用户交互过程中的需要执行的行为，是系统逻辑的直接体现。两者的交互作用，将完整表达“信息”的流转过程，最终作用到产出物上。

示例：商品素材搜索链路

分析触点并提取决定性因素

选取对整个链路有重要影响的触点进行设计维度上的分析，以找出决定触点目标达成的决定性因素，这个决定性因素就是我们体验上需要着重优化的点。在寻找“决定性因素”的过程中，避免将系统性能、业务功能、业务信息因素筛选出来，需要聚焦在设计维度上，诸如交互行为、界面布局、信息呈现、系统反馈等。

示例：

“确认输入行为”、“搜索结果分类”、“不同分类的区块划分”、“结果数量”等。

对已拆分出来的各种设计因素来说，哪些算是决定性因素呢？一个很简单的判断方式是：反向判断，即假设缺失这个设计因素，或不完整是否会对该触点有“阻塞性”影响。

如有严重阻塞影响，则证明该设计因素很大程度上决定了触点的目的达成，属于决定性因素；若设计因素有中等的、轻微的影响，则可能不是本次优化的重点，不作为决定性因素。如“搜索结果的分类”影响用户对搜索结果的信息获取，是决定性因素。“确认输入行为”是常规设计行为，不算决定性因素。

当然，具体问题具体分析，在不同的功能场景下，同一种行为的影响程度可能不同。

需要注意的是，决定性因素的选取必须在具体的触点中才有意义，脱离后无法判断是否有阻塞性影响。另外，某些设计因素是否是决定性可能在跨触点中体现出来，需要联系整个链路进行交叉分析确定。

体验目标的提取与表述

找到决定性因素及其为什么决定性的原因后，需要为其设定一个设计目标，来指示应向什么方面优化这个决定性因素。决定性因素只是现有功能的一种解法，可能存在其他更优解法或优化方向，我们需要基于决定性因素概括出“设计目标”，以新的设计目标来指引我们的优化设计。

示例：

决定性因素“搜索结果的分类”，引申出的设计目标为“更清晰的信息层级”、“更完整的信息”。

通过链路触点的分析，决定性因素的提取，设计目标的匹配，我们已对设计优化方向有了准确的了解。这个时候需要从设计师视角做一个完善而精准的”体验目标“的表述。

一个体验目标需要与具体设计场景关联后，才能产生具体而明确的价值，即设计目标落地到场景中后产生价值，表述思路是：在某个具体的链路触点中，我们期望怎么达成这件事。可通过格式进行填写：

使/什么用户/用什么 做什么事/设计目标/完成什么事

示例：

家装设计师 使用搜索功能 搜索素材时 对结果展示清晰的信息层级 来快速找到需要的商品

第二步：确定度量维度

引入 HEART 模型的重要原因，正在于它的度量维度。由于它的度量维度多方位的表述了产品的使用情况，度量纬度不是一种标准，是一种分析框架和角度，决定了体验目标应该被如何度量，进而影响信号的确定和指标的拆解，因此度量维度的选取至关重要。

HEART 提供了丰富的五个维度，根据其定义，提供了你几个可以衡量的视角。在实践过程中，因每个体验目标所对应的触点的场景、交互、产品目的不同，我们只需要找到符合定义的维度即可。反过来看，一个与体验目标不相关、不匹配的度量维度不能很好地度量体验。

需要注意的是，HEART 模型因其维度的广泛定义，不仅仅可用于体验目标的度量，也可以对产品目标、业务结果进行度量，对体验目标的度量因要从产品因素中剥离出体验问题，相对来说较为复杂，是本次叙述的重点。

第三步：确定信号

首先信号可以被定义为是一种信息的载体，其承载的信息往往反映的是用户对体验目标的成功或是失败的结果，对信号的准确获取将直接影响到对下游指标的确立。

信号的确定需以上游度量维度为标准范围并引用体验目标为重要判断依据，避免过度发散，保证精准规范的同时，去结合当前有无体验变量基准值作为条件，并使用成功或者失败的结果来评估体验目标的达成情况，最终提炼出信号。

以度量维度为标准并引用体验目标确定信号

通过逐一对度量维度进行体验变量提取，有基础值则进行对比的方式，无基础值则使用趋势的表述方式，结合业务目标的情况下，去概念性假设体验目标的正向或反向结果，最终通过标准的格式提炼出信号，信号的提炼的可以用固定的格式进行书写： 格式：用户 用什么 做什么 体验变量 趋势&数值

寻找体验变量

基于 HEART 模型的整个分析框架，拆解出最高频和贴合体验目标的常见体验变量库。在此框架的指导下，可以快速寻找需要的体验变量。

示例：

• （体验变量：易操作度；有基准值） 家装设计师 使用搜索功能 搜索素材时 易操作度 达到 4.2
• （体验变量：易操作度；无基准值） 家装设计师 使用搜索功能 搜索素材时 易操作度 上升

确定信号的注意事项

• 信号的成功或失败要能在行为或态度上准确的体现出来，失败信号可能比成功更容易定义；
• 信号要易于被追踪；
• 信号的敏感度要高，易于被检测；
• 信号应与目标有高的相关度，同时避免被其他因素影响；
• 一个目标可能对应多个信号；

第四步：确定指标

指标是衡量目标的参数，用于准确的描述目标。但通常很难直接从目标中确定出指标，需要借助于对信号的分析。信号是信息的载体，其中包含着变量信息，提取其中变量信息，即可获得一个初始指标。

初始指标反映了客观的原生数据，需要对原生数据做处理后，可得到一个能精准描述体验目标的指标。

对数据进行处理

体验变量所直接产生的属于原生数据，而一组数据通过某种分析加工后，可以成为一个更有价值的信息，如均值、中位值。选择对数据进行哪种方式处理，受目标的影响较大，每一种数据处理方式，都有指向特征，通过与目标的匹配，可以选取出合适的数据处理方式。

确定指标的注意事项

• 指标应与目标和信号密切相关，指标越明确越清晰越好；
• 指标应方便被持续追踪，对信号的描述更敏感，方便做A/B测试。

示例：

案例 A

• 度量维度：愉悦度
• 信号：家装设计师 使用搜索功能 搜索素材时 易操作性达到 4.0
• 体验变量：易操作度
• 数据：易操作度评分
• 指标：易操作度评分的均值

总结

看似复杂的体验度量监控指标的拆解，可以概括为“体验的问题定位”——“体验的目标度量”——“体验的客观追踪”。

“问题定位”是监控目标的根据，必须来源于具体的业务链路才有被分析和量化的可能，它是体验问题在业务链路中被抽取出来的关键，并转化为可度量的指标来进行监控，最终为后续数据洞察和可视化提供准确的数据来源，否则流于主观，监控体系建立在不可靠的体验目标之上，当然也就不可能有助于解决体验问题。

而“目标度量”所运用的 HEART 模型作为度量维度，相当于一种体验的定义标准，阐释了什么是它所定义的用户体验。HEART 模型以其全面的度量维度，能很好地实践这一点。必须注意的是，对 HEART 模型下的五个度量维度的细化阐释可能受不同产品特性、产品阶段影响而不同，最终转化出不同的客观指标。

“客观追踪”是对在度量标准下的客观变化的捕捉，捕捉其变量特征，建立常态指标，成为可靠的可监控的指标。

另外，除了准确的定位、度量、转化的逻辑推导外，参考业务目标进行范围收敛，也是非常重要的工作，它影响着每一个推导环节，以避免偏离产品方向，有效的过滤弱关联或无关联的因素。