定性研究

定性研究在用户体验和转化率优化领域，定性研究是指收集和分析用户行为、动机和态度等非数值数据，旨在解答用户行为背后的原因，而非仅仅关注有多少用户采取了某种行为。常用的定性方法包括用户访谈、可用性测试、开放式问卷调查、会话录音和卡片分类练习。与依赖大样本量以获得统计代表性数据的定量研究不同，定性研究通常只涉及少量参与者，根据广泛引用的可用性研究，通常五到八名用户就足以发现特定流程中的大部分可用性问题，并且更注重理解的深度而非覆盖面的广度。

定性研究至关重要，因为仅凭定量数据，例如漏斗报告显示结账步骤的转化率下降了 40%，只能告诉团队存在问题，却无法确定问题根源。转化率下降可能源于令人困惑的表单标签、过晚告知的意外运费、对支付方式的不信任，或是特定设备上的简单技术问题。只有直接观察用户尝试完成任务的过程，或了解他们对犹豫原因的解释，才能可靠地区分这些可能性。正是由于定性研究的诊断作用，它通常被置于转化率优化流程的早期阶段，用于生成合理的假设，然后通过 A/B 测试等定量测试进行大规模验证。

在转化率优化 (CRO) 或用户体验 (UX) 领域，定性研究通常采用以下几种结构化方法：由引导员主持的可用性测试，即引导员观察参与者在实际界面或原型界面上尝试完成任务并进行思考；非引导式远程测试，即参与者独立完成任务，并录制屏幕和语音以供​​后续分析；对真实网站访客进行会话录制和热图分析，无需招募参与者即可大规模揭示恶意点击、无效点击和异常滚动模式；以及开放式现场调查或退出意向调查，用于收集访客未转化而离开的原因。分析通常侧重于识别不同会话中反复出现的主题或摩擦点，而不是将任何单个用户的体验视为独立的代表性案例。

人们普遍误解定性研究由于样本量较小，其严谨性和可靠性必然低于定量研究；但实际上，这两种方法回答的问题截然不同，它们是互补而非竞争关系，定性研究能够提供定量数据在结构上无法企及的解释深度。常见的误区是，人们常常根据少数几次定性访谈就过度概括，认为这些访谈结果在统计学上能够代表所有用户；或者反过来，因为样本量较小就忽略那些一致的定性研究结果。然而，即使在五六次独立的访谈中反复观察到的摩擦点，往往也是一个强有力的、可操作的信号，而非噪音。

在转化率优化 (CRO) 或增长咨询实践中，定性研究通常构成项目探索阶段的基础，在制定测试路线图之前进行。这是因为，基于对用户实际困惑或犹豫的理解而进行的实验，比单纯基于最佳实践猜测或竞争对手基准的实验更有可能带来显著的提升。咨询顾问通常会将定性研究结果与定量漏斗数据进行三角验证，以确定哪些可用性问题既普遍存在又影响巨大，从而值得投入实验或设计变更的成本。

理解定性研究和定量研究之间关系的一个有效方法是借助研究界常用的一个简单类比：定量数据告诉你某件事发生在地图上的哪个位置以及规模有多大，而定性数据则告诉你那里实际发生了什么以及原因。例如，一份结账流程报告可能显示移动用户的放弃率几乎是桌面用户的两倍，这是一个定量结果；但通常只需观看一些移动端会话录像或进行一些针对移动设备的可用性测试，就能揭示真正的原因，例如支付字段在小屏幕上难以准确点击，从而将模糊的统计差异转化为具体的、可修复的设计问题。