1.2 用户研究主要做什么
从用户研究的工作流程来看，用户研究是一个“输入-整理加工-输出”的过程。用户研究的输入是指通过问卷、访谈、实验、观察、收集二手资料等基本方法获取用户信息和反馈，这是用户研究的原始材料。整理加工是指对原始材料进行加工、筛选、甄别，然后进行定量或者定性的数据分析，得出主要结论，这是对原始材料进行“去粗取精、去伪存真、由此及彼、由表及里”的加工过程。输出是指对原始材料加工完毕后，将主要结论和洞察展示给相关业务人员。用户研究人员的大部分工作都是围绕这三部分展开的。
从用户研究的工作性质来看，用户研究又很像一种翻译工作，它架起了公司和用户的桥梁，既要从用户中来，又要到用户中去。从用户中来是指用户研究要贴近用户，要代表用户发声，将用户的需求和偏好转化成公司内部人员可以理解、可以落地的业务需求。到用户中去是指当我们找用户进行访谈、测试产品的时候，又需要将产品的功能、卖点翻译成用户语言，这样用户才能听得懂，研究才能够进行下去。这两方面的翻译工作都很重要，前面一个翻译工作做不好，研究的价值就无法发挥，只有将用户需求转化为产品需求或者改进措施，才算有价值的洞察。后一个翻译工作做不好，用户就无法有效地接收到我们想传递的信息，这样调研结果是否可信都是一个大大的问号。
以上是从工作流程和性质角度看用户研究。那么，作为用户研究人员，经常需要思考和决策的重要问题有哪些呢？我认为以下6个主题是日常工作中最需要经常思考的：
1）定量/定性：当我们打算做一个项目时，是采用定性、定量研究方法去满足业务需求，还是需要将两者结合起来，是必须要考虑的问题。在项目汇报中，研究人员也需要解答这方面的疑问，有的听众喜欢用定量研究的思维去质疑定性研究的发现，比如我们在讲解一个定性研究结果时，有人会问有多少百分比的用户是这样的，这也是需要我们去做合理解答的。
2）评估/发现：评估型研究往往是业务部门已经有了想法和方案，如产品外观、原型、运营方案等，由用户去使用或者测试，根据用户的使用或反馈不断优化我们的想法，是从业务视角出发看用户的反馈。发现型研究则相反，是从用户的角度出发来启发业务，例如，先看用户还有哪些需求未被满足，再反过来看业务如何做才能满足用户需求。有时候，这两种视角需要同时拥有。
3）现象/原因：研究过程中我们不仅要看到用户的言语和行为等现象，更要试图去理解现象背后的意义。对意义的理解深度决定了用户研究的深度。例如，买售价为六七千元手机的用户和买售价为两三千元手机的用户都认为自己手机的性价比高，但是他们对性价比的定义不同。前者认为六七千元的手机使用时间更久一些，虽然单次购买价格贵，但从长期看性价比是高的。而买两三千元手机的用户认为手机的各项性能和参数也很好，从单次购买角度看，自己手机的性价比是高的。两种截然不同的现象背后有着同样的本质，只是用户的思考逻辑不同。
4）个性/共性：我们虽然研究的是个体，但是希望调研结论是适用于整体的。从一个个用户来看，每个用户都是特殊的，但是也会与其他用户有类似之处，我们需要识别哪些是个性特点，哪些是共性特点。当我们提出一个结论时，这个结论到底是仅适用于这一批用户，还是可以推广到整体用户，研究的代表性如何，是时刻萦绕在用户研究人员心头的大问题，牵涉研究是否站得住脚。如果结论无法从样本推广到整体，研究的意义甚至不复存在。
5）事实/观点：一份报告中既要有事实，又要有我们的观点。事实是客观的，脱离了事实，观点只是空中楼阁。观点则带有主观性，没有观点只堆砌事实就失去了用户研究的意义。就像某个著名的例子：两个鞋厂的推销员到一个岛上去考察，发现岛民不穿鞋子。一个人的观点是鞋子在这里没有市场，另一个人的观点是鞋子的潜力很大。两人看到的是同样的事实，得出的观点却完全相反。调研也一样，对同样的结论和数据，大家可能会有不同的观点。我们在写调研报告时，数据、材料一般是客观的。但是观点不可避免地带有主观性，掺杂了我们自己的价值观、对业务的理解、知识结构甚至偏见等，这些会对我们产生潜移默化的影响，所以在陈述观点的时候要特别小心。在工作中也会看到有人基于一个正确的事实，提出不一定正确但是对自己有利的观点。例如，公司第2季度业绩增长了30%，这是客观事实。如果运营部门说我们这个季度做了很多有效的运营活动，推动了业务增长，那么我们就要特别小心，因为他讲的是基于事实的因果推断，是观点。如果要做因果推断的话就需要进一步分析，比如：是不是整个大盘都在增长呢？假设竞品什么都没做，却增长了40%，而我们做了很多运营活动才增长了30%，上面的观点还站得住脚吗？
6）信度/效度：信度和效度事关用户研究的质量。信度是指研究结论是可重复的还是偶然发现的，我们在多大程度上认为结论是可靠的。效度是指我们研究的主题是否契合业务的需求，如果与业务的需求偏离，需要及时纠正过来。用户在访谈中所讲的、在问卷中所填写的内容，在多大程度跟他们的实际行为相符合？我们如何问问题才能更好地获取真相而避免被用户误导？在实验中，如何排除掉无关变量的影响，从而使自变量对因变量的影响是真实且客观存在的？上面这些问题都是我们从信度/效度出发，需要解决的。