统计在新品用户研究中的运用范文

一、用户研究：从需求域到功能域

近年来，用户研究已经成为产品设计界的重要研究手段，在产品的进入期、成长期、成熟期甚至衰退期，用户研究都起着至关重要的作用，它可以帮助产品概念的具体化、合理化地符合用户需求，提供产品功能定义的依据，等等。归根结底，它起到了从用户的需求域（感性描述）到设计的功能域（物理要素）的转换作用，最终帮助设计者获得成功产品所需的要素。

在用户研究的领域里，我们已经有了较为科学的方法来获得需求域中的各类信息数据，而如何将这些信息数据转换成为我们所需要的设计要素则成为研究的重点和难点。用户的需求来源于人，而产品的功能赋之予物，我们需要找到一种方法来发掘这主客体之间的联系，定性定量分析毫无疑问是解决这一问题的必要方法。

二、统计学：定量与定性研究结合

与其他产品设计的单一研究方法不同，在用户研究中，定性与定量分析一般而言是相辅相成的，这样做很好地结合了两种分析各自的长处。定量分析能够发现某个存在的现象，具有很好的说服力和可信性，是对事物“量”的分析，主要通过数据收集和分析来完成。定性研究则可以发掘隐藏在现象底下的规律及原因，具有能够抓住本质的深刻性和高效性，是对事物“质”的分析，主要通过常识、感觉、经验等主观因素来参与分析。

在用户研究中可以直接获取的数据很少，因此定量分析没有施展的空间，并且对于一些感性问题，例如用户的需求、用户的感觉等同样也无能为力。定性分析则受主观因素影响较大，具有不确定性的特点。如何能够很好地发挥定量分析的可信度与定性分析的深刻度是我们所要解决的下一个问题，这里引入统计学的分析方法，将定量与定性分析结合起来。

三、用户研究中的统计学

统计学广泛运用于生物、化学、心理学、社会学、经济学等诸多领域。它被用来了解与测量系统变异性，程序控制，对资料作出结论，并且完成资料取向的决策。而它的这些用途特点非常适合集心理学、社会学、人类学等多门学科交融的用户研究，因此，我们可以通过引入统计学的方法，来对用户研究中获取的信息进行定量和定性分析，从而完成需求域到功能域的转化。

根据统计学的研究特点，我们将其在用户研究中的运用步骤分为信息获取、信息处理、数据分析、数据校验四个步骤。

1.信息获取

用户研究方法有很多，现大多已趋于成熟。我们在确定研究目的与目标的前提下，有意识地选择用户研究的方法，并且明确其输出的数据及形式，为今后的分析做准备。在用户研究中我们可以通过背景资料收集、问卷调查、用户观察、用户访谈、用户角色和用户情境等方法获得大量的文字数据、图像数据、问卷数据、实验数据和语音数据，这些数据都可以通过进一步的处理，转换成统计学中可以运用的数据形式。为了更好地进行下一步的分析研究，要根据用户研究对象的特点将这些信息分为用户基本数据、用户行为数据和用户主观数据。

基本数据主要是指对用户的性别、年龄、职业、收入、教育、地区、家庭结构、生活方式等量化后的数据；行为数据是指用户与产品的交互，即对于产品的使用及体验通过观察测试等方法提取的数据；主观数据是指用户对于产品的满意度、情绪反应、审美反应、生活态度等通过问卷访谈等方式获得的数据。由此我们便获得了计算所需的数据。

2.信息处理

上面我们已经论述了信息获取的方法及信息的分类和特点，但是这些信息的形式如文字、图像、问卷大多都不能直接用于统计学的分析，因此我们要对信息进行处理，也就是信息的量化。

(1)用户基本数据量化

基本数据都属于某种“品质”或“属性”，它们的量化方法可以使用取值为“1”或“0”的人工变量来表示是否存在，也就是对质的因素的判断。如“1”表示已婚，“0”表示未婚。同样有时本身是“数量”因素也可以转化成“质”因素，如“1”表示年收入5万到10万，“0”表示年收入5万以下。

（2）用户行为数据量化

用户行为数据可以通过试验器械的辅助，有计划的观察与测试来获得。主要是行为过程中存在的与衡量目标完成情况相关的变量。这些具体数据的情况与目标有着直接关系，通常可以直接获得具体数值。如时间、频率、数量、周期、步骤等。

（3）用户主观数据量化

用户主观数据主要通过对用户的问卷与访谈得到，是从用户的主观因素出发对用户体验进行量化。在这里，我们可以用数值来表示主观因素的程度，通过这种方法来量化这些主观的、抽象的、感性的信息。如满意程度可以由-3，-2，-1,0,1,2，3这7个数值表示，-3为最不满意，3为最满意。同理抽象感性词汇可以选择一对反义词作为两极，由负值到正值表示符合的程度。如传统和现代、圆润和尖锐等。

此外，为了消除数据计量单位不同的影响，便于数据的直接比较，要对数据进行标准化——使数据矩阵式中每列数据的平均值为0，方差为1；或者规格化——将每列的最大数据变为1，最小数据变为0，其余数据取值在0～1之间。

3.数据分析

在对数据进行必要的处理以后我们就要开始进行统计分析。为了便于介绍统计方法，我们先将处理好的数据分类。在统计学中根据变量数学性质的由低到高可将其划分为：定类数据、定序数据、定距数据和定比数据。定比数据使用较少，此处略。定类数据是一个分类体系，通常将研究对象属性分类后编号，其只能测量类别差。如华中、华北、华东等。定序数据多了类别间顺序等级的信息，可以测量次序差。如幼年、少年、青年、中年、壮年、老年等。定距数据不仅可以测量差别，还可以测算距离，如10秒、20秒、30秒等。

下面介绍在设计领域常会遇到的变量类型之间的关系测量以及相对应的方法类别，具体公式与计算方法可以参看相关统计学书目。

（1）双变量统计

两个变量之间关系的探讨在用户研究中是重要的内容。相关分析是解决这个问题最为常用的统计学方法。判断两个变量之间的关系主要从它们的相关程度、相关正负、相关类型等方面来看，在通常情况下为线性相关，可从相关系数中看出两个变量之间的关系。

①两个定类变量以及定类与定序变量之间的关系可使用相关分析中的λ和τy测量法。λ测量法可以是不分变量与自变量的对称形式。如丈夫购车标准与妻子购车标准之间的关系。τy测量法要求具有自变量与因变量之别，如性别与购车标准之间的关系。定类与定序变量关系也可用此两种系数，如收入水平与购车标准之间的关系。

②两个定序变量之间的关系可以使用Gamma系数和dY系数来表示。例如同等收入水平年龄与购车价格之间的关系。

③定类与定距、定序与定距可采用相关比率测量法。如性别与某手机功能操作次数之间的关系或是年龄与后者之间的关系。除此之外，也可以使用单因素方差分析。

变量之间除相关关系还可以用函数关系来表示，线性回归分析可以测量变量之间的线性关系，它是在研究过程中将一些因素作为所控制的变量（自变量），而另一些随机变量作为它们的因变量来进行分析的。一元线性回归可以用来解决双变量统计问题。

（2）多变量统计

在设计领域中研究的问题影响因素往往较为复杂，在双变量统计不能满足要求的时候我们就要用到多变量统计方法，主要有多元线性回归分析，Logistic回归分析、聚类分析、主成分分析、因子分析等。

①多元线性回归分析。研究在线性相关条件下，两个和两个以上自变量对一个因变量的数量变化关系，称为多元线性回归分析，表现这一数量关系的数学公式称为多元线性回归模型。它解决的问题是通过抽样调查的数据，确定自变量和因变量之间关系的密切程度；确定多个自变量对应变量的共同影响，比较各个自变量对因变量影响的大小；确定因变量和自变量之间的关系表达式，即回归方程式。如台灯外形表现现代感程度分别与其灯罩、灯颈、灯座造型、材质、色彩的关系，这种方法在感性工学研究中经常使用。

②Logistic回归分析。线性回归模型的一个局限性是要求因变量是定量变量（定距变量、定比变量），而不能是定性变量（定序变量、定类变量）。但是在许多实际问题中，经常出现因变量是定性变量（分类变量）的情况。Logistic回归分析就是用于处理分类因变量的统计分析方法。其因变量只取两个值，表示一种决策、一种结果的两种可能性。如消费者是否购买产品与产品性能、外观、价格、

品牌等因素之间的关系。

③聚类分析。聚类分析是研究“物以类聚”的一种多元统计分析方法。聚类分析的基本思想是根据对象间的相关程度进行类别的聚合。例如可以通过测试者对于较多产品的评价运用聚类分析将产品分别归类。又如通过对消费者生活形态的研究将其分类，有针对性地进行产品开发。聚类分析可用树艺术与设计ˉ形图来表示结果。

④主成分分析。把多个变量（指标）化为少数几个综合变量（综合指标），而这几个综合变量可以反映原来多个变量的大部分信息。为了使这些综合变量所含的信息互不重叠，应要求它们之间互不相关。例如在评价一个产品设计时，往往有很多因素，通过主成分分析可以用少数几个综合因素对其进行评价，减少工作量。

⑤因子分析。因子分析可以看成是主成分分析的一种推广。它的基本目的是，找出隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量（爱好、态度、能力）去解释显在变量（设计成功与否、销售量、点击率）。例如从众多人们显在的生活习惯中找到人们选择使用购买生活用品的潜在因子。这种方法可以应用在用户研究中的生活方式研究之中。

4.数据检验

数据检验其实是贯穿整个计算过程中的，一些计算方法需要检测数据是否适合做此类运算，如回归分析的拟合优度检验，因子分析的KMO检验，而回归分析可以用逆运算进行检验等。当然一般人都会认为数据是客观而准确的，但是准确的数据之后，依赖分析师的常识、经验和主观判断，来选择和运用适合分析方法，并以严谨的研究态度来完成整个分析步骤。

结语

本文从集多门学科研究方法为一体的用户研究入手，将统计学引入到设计领域，这种跨学科交叉研究方法能够促进学科专业人才之间的交流，同时可以为设计领域的研究提供新的思路以及新的方法，以获得事半功倍的效果。本文对统计学与用户研究的合作做了探索性的研究，希望在将来，研究者们能够进一步将统计学方法运用到设计实践中去，最终建立较为成熟的设计统计学。