產(chǎn)品無(wú)論處于哪個(gè)階段，解決用戶需求價(jià)值點(diǎn)的方法主要遵循2個(gè)路徑：自下而上從用戶中來(lái)的需求驅(qū)動(dòng)產(chǎn)品迭代發(fā)展；自上而下到用戶中去的產(chǎn)品功能優(yōu)化驅(qū)動(dòng)產(chǎn)品迭代發(fā)展。

大多互聯(lián)網(wǎng)產(chǎn)品無(wú)論處于探索期、成長(zhǎng)期，還是成熟期、衰退期，產(chǎn)品所處階段解決用戶需求價(jià)值點(diǎn)的方法主要遵循這2個(gè)路徑：

1. 自下而上從用戶中來(lái)的需求驅(qū)動(dòng)產(chǎn)品迭代發(fā)展；
2. 自上而下到用戶中去的產(chǎn)品功能優(yōu)化驅(qū)動(dòng)產(chǎn)品迭代發(fā)展；

第1條路徑市面上相關(guān)的方法論說(shuō)的很多，這里主要結(jié)合自己在產(chǎn)品運(yùn)營(yíng)的實(shí)踐中詳細(xì)說(shuō)說(shuō)第2條路徑，當(dāng)我們把用戶需求轉(zhuǎn)化為產(chǎn)品需求后，為了避免出現(xiàn)產(chǎn)品功能的遺漏或誤解用戶的需求，以及最重要的功能沒(méi)上，無(wú)關(guān)緊要的功能卻上了很多等尬場(chǎng)現(xiàn)象，我們?cè)撊绾翁崆白龊妙A(yù)防這樣現(xiàn)象的發(fā)生？

一、問(wèn)卷調(diào)研的文本挖掘分析

首先我們肯定已經(jīng)完成了第1條工作路徑了，我們?yōu)榱朔乐钩霈F(xiàn)遺漏或誤解用戶需求的情況，我們有必要進(jìn)行一次定量的用戶問(wèn)卷調(diào)研，除了要獲得用戶對(duì)我們即將上線的產(chǎn)品功能點(diǎn)的態(tài)度與觀點(diǎn)（主要獲得功能點(diǎn)的價(jià)值排序），最重要的還是要有收集用戶對(duì)產(chǎn)品功能其它補(bǔ)充建議的主觀題，一來(lái)為避免出現(xiàn)遺漏了最重要最緊急的功能，二來(lái)也為產(chǎn)品的下次迭代做好用戶需求分析的準(zhǔn)備工作。

因?yàn)樽罱K往往通過(guò)問(wèn)卷調(diào)研統(tǒng)計(jì)上來(lái)的用戶文本信息是非結(jié)構(gòu)化數(shù)據(jù)，所以我們短時(shí)間內(nèi)如果通過(guò)文本分析的話處理過(guò)程比較耗時(shí)耗力，文本分析只適合小群體，此時(shí)我們需要通過(guò)對(duì)文本信息的詞頻統(tǒng)計(jì)和網(wǎng)絡(luò)語(yǔ)義分析可以將文本進(jìn)行聚類(lèi)分析，這樣處理大量定量文本信息不僅客觀而且效率快。

相關(guān)的工具推薦用ROST Content Mining內(nèi)容挖掘系統(tǒng)，我們通過(guò)問(wèn)卷分析后臺(tái)導(dǎo)出用戶文本信息后，相關(guān)操作如下（數(shù)據(jù)做了脫敏處理）：

1. 文本數(shù)據(jù)清洗

可以將文本以字?jǐn)?shù)從高到低進(jìn)行排序（用LEN函數(shù)），清除無(wú)意義的用戶調(diào)研文本，再將文本保存為text文檔。

2. 打開(kāi)ROST Content Mining進(jìn)行分詞和詞頻統(tǒng)計(jì)

首先分詞之前我們可以打開(kāi)軟件本身提供的用戶詞典表格，（軟件功能性分析-點(diǎn)擊分詞-根據(jù)對(duì)話框的自定義詞表所在的路徑找到），再將和自身業(yè)務(wù)產(chǎn)品相關(guān)的專(zhuān)有名詞添加到用戶詞典表格，主要是為了避免出現(xiàn)分詞后的結(jié)果將自身的產(chǎn)品、品牌等字詞進(jìn)行了拆分，給后面的詞頻分析造成麻煩。

此時(shí)我們就可以對(duì)清洗后的用戶調(diào)研文本text文件進(jìn)行分詞了，（點(diǎn)擊軟件功能性分析-點(diǎn)擊分詞-在對(duì)話框中添加用戶調(diào)研文本所在路徑），然后會(huì)形成分詞后的用戶文本信息效果，如下圖：

最后針對(duì)分詞后的用戶文本進(jìn)行詞頻統(tǒng)計(jì)，如下圖，針對(duì)高頻出現(xiàn)的詞我們基本上有了全局的了解。

3. 進(jìn)行語(yǔ)義網(wǎng)絡(luò)分析

可以針對(duì)原始的用戶調(diào)研文本進(jìn)行語(yǔ)義網(wǎng)絡(luò)分析，可以結(jié)合上一步對(duì)出現(xiàn)頻率高的詞提取關(guān)鍵字：

比如針對(duì)上圖名片這一高頻詞出現(xiàn)了相關(guān)的版面、高大、添加等語(yǔ)義網(wǎng)絡(luò)關(guān)鍵詞。如果我們想對(duì)名片-版面這一高頻詞進(jìn)行文本分析我們可以通過(guò)文本篩選找到所有和名片-版面相關(guān)所有的用戶文本信息，針對(duì)這些信息可以歸納出關(guān)于名片-版面的普遍建議，最后發(fā)現(xiàn)大部分用戶還是希望名片能夠有更好的版面設(shè)計(jì)和商業(yè)社交范等，當(dāng)然我們還要給這些觀點(diǎn)的用戶進(jìn)行定量，比如覺(jué)得名片的版面設(shè)計(jì)需要具有商業(yè)社交范的用戶有200人。

完成了用戶文本挖掘分析后，我們要針對(duì)用戶的其它建議進(jìn)行業(yè)務(wù)評(píng)估與技術(shù)可行性評(píng)估從而決定是否有遺漏的重要功能點(diǎn)，如果有，是否可以提前安排研發(fā)檔期，如果沒(méi)有，可做甄別再列入需求優(yōu)化池。

基本上文本挖掘分析能夠幫助工作人員在面對(duì)大量非結(jié)構(gòu)化文本信息時(shí)，能夠更加高效的提煉和歸納結(jié)論，整個(gè)過(guò)程既是科學(xué)也是藝術(shù)。

二、需求排序之kano模型

針對(duì)走完第1條路徑后（自下而上從用戶中來(lái)的用戶需求驅(qū)動(dòng)產(chǎn)品需求迭代發(fā)展），為了更好的集中研發(fā)資源滿足好當(dāng)下最重要的功能優(yōu)先級(jí)上線，也為了避免拍腦袋而帶來(lái)的決策失誤，較為客觀的做法最好還是讓用戶來(lái)決定，此時(shí)我們就需要結(jié)合kano模型將產(chǎn)品功能需求點(diǎn)劃分為期望型需求、魅力型需求、必備需求、無(wú)差異需求、反向需求、可疑需求。

如何對(duì)這些產(chǎn)品功能進(jìn)行需求類(lèi)型的排序，這需要我們獲得用戶對(duì)這些產(chǎn)品功能的正向和反向的態(tài)度，首先正向和反向都要設(shè)計(jì)好5個(gè)檔位，中間的觀點(diǎn)為中立，如下圖所示：

然后從數(shù)據(jù)后臺(tái)導(dǎo)出用戶文本信息EXCEL文檔，針對(duì)每道題的正反進(jìn)行交叉分析，可以用函數(shù)COUNTIFS(criteria_range1,”A.我很喜歡”, criteria_range2,”A.我很喜歡”)獲取每個(gè)功能的交叉分析值，如下圖所示：

其次對(duì)每個(gè)功能的正反交叉分析值進(jìn)行功能屬性的色塊劃分：A：魅力屬性；O：期望屬性；M：必備屬性；I：無(wú)差異屬性；R：反向?qū)傩?；Q：可疑結(jié)果。

最后計(jì)算每個(gè)功能的better與worse值。better就是提供該功能后的滿意系數(shù)：=（A+O）/(A+O+M+I)；worse就是不提供該功能后的不滿意系數(shù)：= -1*（O+M）/(A+O+M+I)；前者越接近1代表用戶越滿足，后者越接近-1代表用戶越不滿足；

我們分別針對(duì)這次調(diào)研的6個(gè)產(chǎn)品需求功能點(diǎn)分別計(jì)算出6個(gè)產(chǎn)品功能的better-worse值，再用spss或EXCEL對(duì)6個(gè)功能的better-worse值進(jìn)行散點(diǎn)圖分析，如下圖所示：

最后我們可以得出相對(duì)必備功能2和魅力功能4，優(yōu)先級(jí)可以前置，相對(duì)無(wú)差異功能1、3、5、6可以根據(jù)現(xiàn)有資源安排是否開(kāi)發(fā)上線。

總結(jié)：自下而上從用戶中來(lái)的需求驅(qū)動(dòng)產(chǎn)品迭代發(fā)展是內(nèi)核，自上而下到用戶中去的產(chǎn)品功能優(yōu)化驅(qū)動(dòng)產(chǎn)品發(fā)展是外部推手，只有兩者兼顧用戶需求驅(qū)動(dòng)產(chǎn)品發(fā)展才完整。

作者：活著便精彩，5年+產(chǎn)品運(yùn)營(yíng)人，專(zhuān)研于產(chǎn)品運(yùn)營(yíng)、用戶運(yùn)營(yíng)，這幾年在總結(jié)屬于自己的運(yùn)營(yíng)思維模型。微信公眾號(hào)：運(yùn)營(yíng)心經(jīng)雜談，歡迎一起交流。

本文由 @活著便精彩 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議