深度用户访谈的8个原则

在互联网产品的生命周期中,用户研究已经成为不可或缺的一环。在大型互联网公司中,可能会配有专门的用研部门,例如笔者就职于腾讯期间,就有CDC部门为我们的产品提供用研支持。但是创业公司就没有这么幸福了,产品汪大多数情况下只能自己顶上。
在创业经历中,用研方式就是和种子用户(甚至还有海外用户)一对一的深度访谈,而且这种方式也较适用于从0到1的产品阶段。因为此时的产品可能还没有足够的用户数,用户反馈和数据分析都无从谈起。
原则1:“我是小白”的心态
这一条原则开篇就点出是有它的道理的:因为做产品时,用户的需求和动机是最重要的,产品经理自己本身不是用户,这时候应该换位思考,空杯心态,尽量客观真实的了解用户,避免掺杂自己的偏见。
马化腾在腾讯内部也一直标榜自己可以三分钟内把自己变成一个小白用户的思维。这一点说起来容易,做起来非常难。
原则2:多听少说
虽然这里让产品经理“少说”,但是在访谈时,因为是一对一交流,产品经理其实不可能真的少说话,只是要注意说什么。一方面产品经理需要在访谈时,不断引导用户;另一方面,产品经理更要有的放矢的问问题,这部分可以参见原则4。
原则3:关注用户的行为和事实,而不是他的看法
这一点,稍微有经验的产品经理都能知道:用户说出来的需求,并不一定是他的真实需求。就不再赘述了。
原则4:通过问“为什么”来得到用户的动机
结合原则3,我们了解了用户的行为之后,还需要借此挖掘出用户的动机,挖掘的工具就是:“为什么”。
举个例子,笔者在访谈某用户时,她说在晚上喜欢听FM类app中的女主播讲情感故事,那她的需求会不会是想听催人泪下的情感故事?结果笔者问了“为什么你喜欢听这个”,才知道其实她更喜欢是这些主播的声音,使她能够沉浸在这种情绪中,故事其实倒没怎么听的进去。
原则5:别推销产品
这个原则的关键词是“推销”。在访谈的过程中,并不是不允许给用户看我们自己的产品,因为可能你需要给用户一些背景信息(如果是希望用户看产品后提出意见,那这属于“可用性测试”,建议放在访谈最后的部分进行)。但是不应该向用户“推销”产品:用户访谈应该是个中立的了解用户的场景,一旦开始“推销”,可能用户的心态就会发生变化。
原则6:不要太早提及解决方案
原因基本同上:用户在看到你的解决方案之后,他的思路可能就被解决方案而引导,例如开始考虑你的方案到底是好还是不好,而从此可能你就没法得到他的原始需求了。
原则7:跟进/原则8:留个后门
这两个原则指的是在访谈结束后,跟用户本人保持联系,或者通过用户实现你想要的其他目的。跟用户本人保持联系,这样可以在后续把你的产品原型发给用户,进行可用性测试;或者你回去整理访谈记录时,发现有个需求你没有搞清楚用户的动机,可以再追问用户一个“为什么”。如果你希望访谈其他的种子用户,也许可以让当前的这位用户介绍呢。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值