本文来自微信公众号 “诗剑天赋”，作者：诗剑天赋，纷传经授权发布。

用户在使用产品时，我们经常会发现一些界面提醒或者功能会给我们带来一些不同的看法或情绪，比如我们看到某个提示，但却没有告诉我们正确做法时，我们会有一些抵触情绪。

在开始之前，讲个真实的段子。

我之前公司的一个产品妹子媛媛（化名），颜值能打，但是没有工作经验，我招进来是打算好好培养成接班人的（虽然后来被我亲手开了）。

有一次我们要开一个新产品线，做预研。我带着她做用户研究和竞品分析等一系列偏用户端的调研，同时我们运营团队做偏市场端调研。

由于新产品线的目标用户跟我们已有产品的目标用户高度重合，所以产品这边的压力其实是不大的。此为背景。

某个阳光明媚的周一早上。

我问她：“媛媛，前几天调差问卷回收情况怎么样？”

媛媛：“回收率6%左右，其中有15%左右的问卷是都答完了的。”

我心里一凉。这个回收率这么高？ 虽然之前跟她强调过，针对于 Surveys 做用户体验设计的唯一目的就是提高 Response Rate，但是6%这个数据还是出乎我的意料。我之前自己做的历史数据没有超过3%的。

后来整个调研结束后我们做case study，发现她发送问卷的手机号库，是来自于我们产品内嵌入的用户反馈平台“腾讯兔小巢”。

这里面涉及到三个偏见，她一个都没有意识到。

01

负面偏见 Negativity bias

这是本案涉及的第一个偏见，负面偏见，还有一个名字叫消极偏见；意思是说，人们会对负面的信息、情绪和体验印象更深刻。

负面偏见是写在我们的基因里的，因为那些能够威胁我们生命安全的危险信息，我们必须要时刻警惕。

如果用户能够正常地使用产品，他们并不会在意这个产品好不好，更不会在“兔小巢”中反馈问题。

但是如果产品流程与用户的预期（expectation）不符，或者用户无法简单地完成任务，那这个负面的信息会在他们的脑海中持续很长时间，他们也会因此变得对产品更“挑剔”。

所以“曾经在兔小巢中反馈过问题的用户”对我们的产品是有负面偏见的。

那我们如何减少用户的负面偏见呢？

遵守设计准则（友商已经验证过的流程，苹果的user interface guidelines，谷歌的design guidance等）。

多与用户进行语言上的沟通（而非文字上的沟通）和面对面沟通，了解用户的心智模型（mental model）和预期（expectations）。

需要注意的是，我们无法通过数据了解用户的想法，我们只能通过数据了解用户的行为；想要了解他们是怎么想的，只能混在他们之中。

预测用户可能会产生疑虑的点，并且在疑虑产生之前给出解决方案。

比如 Apple 官网的这个设计，是在七彩 iMac 的图片上方写的“4月30日接受预定 | 5月中下旬发售”；而用户是看到七彩 iMac 的时候产生的想买的冲动。

所以苹果在你产生“怎么买”这个疑虑之前，就告诉你“现在没法买，5月才能买”。

如果错误无法避免，则错误提示要写的清楚且有用；比如知乎的这个提示违反了“清楚”的原则。

“如果你在使用中遇到了问题，可通过「查看帮助」或直接反馈给我们。”可是这个弹窗里哪儿有“查看帮助”？？？

可用性测试、测试、再测试。

测试是提升可用性的最佳途径，如果有条件的话尽量找真实用户的来做可用性测试，而不是产品经理自己在那里点点点。

原因是，产品经理对于整个流程非常熟悉，公司其他人员也对于公司业务非常熟悉。

所以这些人的心智模型与真实用户的心智模型是不一样的，他们对于产品的预期也跟用户不一样。

内部人员只能发现部分问题，作为前期的测试是可以的；但是最后一定要找到真实用户来参与测试。

02

选择偏见 Selection Bias

这是媛媛在执行问卷调查中的一个偏见，选择偏见 ( selection bias )。还有一个名字叫幸存者偏差。

会在兔小巢中主动留言向我们反馈问题的用户，往往对我们产品有负面的印象；他们的想法并不能代表我们全部用户的普遍想法。

就好比你找一群绿媒的人让他们分析台湾和大陆的军事实力，他们认为台湾的手枪能打出原子弹，这没法玩。

只要你有选择（不选择的情况，比如所有用户全都参与进来），则选择偏见是无法避免的，我们只能最小化其影响：

多个人商量着来，比如在选择调查问卷的发送用户群体时，凑三个产品经理，每个人都说一下自己的意见。

虽然人人都有偏见，但是每个人偏见的点可能并不相同（这就是为什么需求评审非常重要的一个原因）。

所以综合多个人的意见可以有效地降低选择偏见，你的偏见可以被别人发现（虽然你自己很难发现）。

采用正确地随机方法，从而保证研究对象真的是随机出来的；比如某汽车加油服务与100加油站合作，95家在深圳，5家在广州。

那么在做用户研究的时候，是应该随机选择95%的深圳用户+随机选择5%的广州用户，还是在用户群里随机抽取100个用户呢？

03

调研回应偏见 Survey Response Bias

回应偏见是指，参与者大范围地、主动地选择不回答、不准确地回答、甚至是错误地回答问题。

比如问卷有一道题目是：“你认为我们网站的导航是否清晰”，80%的用户选择了非常清晰，但是可能他们中一半以上的人连什么是导航都不知道。

但是他们能告诉你，你网站的导航非常清晰。

而你，也天真地认为，自己的网站导航设计得巧夺天工。

调研回复偏见主要有三类：

1.默许偏见 Acquiescence Bias

默许偏见，简单地说就是人们在面对问题列表的时候，有选择同意的倾向。

比如在这个量表中，用户倾向于选择 agree (4分) 或者 strongly agree (5分) 选项，从而让你得到一个正面的用户调研结果。

这也是为什么应用市场评分3星的应用其实就是差评了。

2. 社会期许误差 Social Desirability Bias

受访者为了令人产生正面印象，倾向在调查中“以不实意愿取代其真实意愿，以符合社会期望”。

例如过多申报自己的“良好行为”，或过少申报自己的“坏行为”、或不受欢迎的行为，这种倾向严重影响研究的效度。

你可以看一看你的简历，有没有一些你不愿意写上去的经历？

这就是社会期许误差。

比如这个问题：你每天平均使用几个小时手机？如果这道题是移动端产品经理的考试题，或者某手机游戏社群的测试题，则人们可能会倾向于夸大自己使用手机的时长。

但如果是初中生入学测试题，则学生们可能会倾向于少报自己使用手机的时长。

综上：

不同背景下，被认同的行为 (Desirability) 是不一样的；在实际操作中，我们要留意，在我们的场景中，哪种行为是被认同的。

有一些多报或少报的行为，是刻意的，比如你润色你简历的时候；有一些是非故意的，因为用户对于自己的认知本来就是有偏差的。

其实不只是Surveys，很多量化和质化的数据都有这个问题。

比如访谈中、有脚本的可用性测试（人们会为了完成脚本而付出比日常生活中更多的努力，同时也会更专注）、焦点小组等等，都存在社会期许误差。

3. 近因效应 Recency Bias

我们的短期记忆的容量是非常有限的。

近因效应描述的是一种认知倾向：

人们更容易记住最近发生的事情

最近发生的事情对于人们的影响比较大

所以问卷参与者们更倾向于依据最近他们对产品的体验来回答问卷上的问题，而非他们全部的使用体验。

04

在偏见下的研究

偏见是无处不在的。有三点建议可供大家参考：

问卷调查 (Surveys) 并不用来评估用户的客观行为和表现，而是用来评估用户的主观想法。

正是因为回应偏见 (Response Bias) 的存在，所以我们才需要大量的样本。

更大的样本可以消除更多的无关变量，从而有更大的概率能够代表全部的用户群体。

你知道了这些偏见的存在，并不意味着你可以解决这些偏见。

承认自己有偏见、注意这些偏见的影响并从错误中学习，可以让你更准确地评估你的研究发现，从而设计出更好地产品。