跳到正文
只看一手客户体验
  1. arXiv65

    IEEE S&P 27录用研究：临终照护中数字隐私控制力的结构性衰退

    临终患者的数字隐私控制能力并非因个人疏忽而丧失，而是被终端照护的结构性条件系统性地削弱。随着医院门户、生理监测设备、消费健康应用和临终关怀平台不断生成大量数字健康数据，患者在生命末期面临一种独特的复合隐私脆弱性：数据收集范围持续扩大，但个体对数据的掌控权却同步下降。 通过对来自三级医院的21名临终患者、11名家庭照护者和8名医生进行半结构化深度访谈，并采用主题分析法，研究识别出数字隐私挑战的五个结构性维度。首先是缺乏有意义知情同意的持续身体数字化，患者的生理状态被不间断转化为数据；其次是认知功能衰退导致账户控制权被迫转移给代理人，形成非自愿的代理管理；第三是推断性数据的生成超出了患者的认知边界，算法或系统从原始数据产生的衍生信息无法被患者理解或质疑；第四是在关系网络重组过程中，个体隐私边界逐渐消融，原本私人的健康信息在照护协作中变得透明；最后是机构层面对死后数据治理的完全缺位，患者离世后其数字痕迹缺乏明确的管理规范。 患者的隐私态度呈现三种典型画像：一是根本性的隐私意识缺失，二是尽管工具严重受限仍坚持主动管理，三是意识到问题存在但因无力改变而选择无奈放弃。照护者与医生的访谈进一步揭示了“以照护需求为名的善意替代”现象，即出于关怀目的接管患者数据权限，但这种接管往往超出最初的任务范围，且在缺乏制度指引的情况下造成边界模糊。 该研究已被 IEEE S&P 27 录用，由 Yibo Meng、Bingyi Liu、Lionel Z. Wang 和 Zhuoran Lu 共同完成，其中 Lionel Z. Wang 和 Zhuoran Lu 担任通讯角色。研究呼吁针对临终患者需求建立专门的隐私设计原则、细粒度权限机制以及死后数据治理框架，以应对这一特殊场景下隐私保护的系统性失效。

    推荐理由：临终患者数字隐私控制力随照护需求扩张而系统性衰退，揭示身体数字化、认知退化及死后数据治理缺失带来的复合脆弱性。

  1. arXiv68

    临终关怀中健康数据可见性失效：患者体验的解读与行动断裂

    在临终关怀场景中，持续的健康数据可见性并不必然改善患者的认知、解读与行动，反而可能因缺乏解释路径、行动建议与身体能力不匹配以及难以脱离数据环境而导致体验崩溃。通过对25名终末期患者和8名临床医生的半结构化访谈发现，患者面临三种反复出现的困境：一是可见数据缺乏解释途径导致意义构建受阻；二是即使能理解输出结果，其建议的行动也不符合患者变化的身体机能、护理目标或决策角色；三是当数据嵌入护理环境时，患者难以从中抽离。患者并未完全拒绝健康数据，而是呼吁减少数据暴露，并将支持重点转向存在主义层面的慰藉而非持续的身体优化。研究指出，临终阶段的时间不可逆性使得交互失败无法通过后续修复来弥补，因此设计应从最大化数据可见性转向支持患者在剩余时间内的稳定解读、可行行动或合理拒绝。

    推荐理由：研究揭示了临终阶段数据可见性反而引发解释困境与行动错配，为设计具备存在主义支持能力的健康系统提供了实证依据。

  1. MeasuringU73

    第三方汽车网站体验基准：信任缺失与视觉杂乱是主要痛点

    第三方汽车平台虽将购车流程移至线上，但并未解决信任问题。MeasuringU 对11个主流平台的基准研究显示，用户最关注数据准确性、隐私保护和列表合法性；当用户不信任数据时，弃用率显著上升。 研究覆盖561名美国用户，使用SUPR-Q、UX-Lite和SUPR-Qm量表评估。行业整体SUPR-Q得分位于第51百分位，其中可用性表现最佳（平均第62百分位），cars.com领先；但信任度严重不足，平均仅位于第34百分位，Kelley Blue Book是唯一保持较高信任度的平台。NPS方面，行业平均为+6%，Kelley Blue Book以+34%领跑，而Carvana因大量贬损者导致NPS低至-23%。 关键驱动因素分析表明，对于买家而言，数据准确性的信心、找到好交易的信心以及查找车辆信息的便捷性是决定用户体验的核心。然而，仅23%的买家强烈同意列表数据准确，22%确信能找到好交易。

    推荐理由：量化数据与用户反馈共同揭示了第三方汽车网站在信任维度的普遍短板，为优化高客单价交易平台的用户体验提供了具体改进方向。

  1. Nielsen Norman Group70

    NN/g 分析师实测新版 Siri：AI助手的核心优势在于个人上下文而非单纯智能

    有用的 AI 助手不能只靠模型智能。Nielsen Norman Group 分析师 Caleb Sponheim 实测新版 Siri AI、旧版 Siri 与 ChatGPT 后提出，个人上下文是否相关、系统能否利用这些信息，以及界面能否帮助用户理解局限，需要协同发挥作用。

    推荐理由：Caleb Sponheim 的实测对比把个人上下文、模型能力与交互设计放在一起评估，说明 AI 助手的实用性不能仅用智能水平判断。

  1. Baymard Institute75

    Baymard Institute 发布活动票务 UX 研究：揭示定价与选座透明度问题

    Baymard Institute 发布了针对美国及英国主要票务平台和场馆的新定性 UX 研究。该研究通过超过 2400 小时的测试和 463 场参与者会话，发现了 2800 多个中重度可用性问题，并总结出 370 多条 UX 指南。研究指出，不透明的定价、延迟的筛选机制以及高交互成本的座位视野评估是导致用户放弃购买的主要原因，建议平台提供早期透明度和无缝的空间上下文以增强用户信心。

    推荐理由：Baymard 的实测揭示了价格不透明和座位评估成本高等购票痛点，配套可用性指南为票务团队改进购买流程提供了具体依据。

  1. Qualtrics XM Institute65

    Qualtrics XM Institute 解析如何通过建立信任缩小客户与员工的 AI 信任差距

    Qualtrics XM Institute 通过四项覆盖超10万消费者和员工的独立研究发现，AI成功取决于信任。目前仅29%的客户信任组织负责任地使用AI，且客户对AI的舒适度从2024年的54%降至48%。建立信任需展示具体收益、增加使用频率、赋予有意义控制权、保护人性化时刻、设计反馈机制及构建治理护栏。专用型AI比通用自动化更能赢得用户信赖。

    推荐理由：结合超十万样本数据与信任模型，剖析AI采纳瓶颈并给出建立信任的具体实践原则。

  1. Qualtrics68

    Qualtrics 发布体验价值链框架以量化业务影响

    怎样把体验洞察转成可量化业务成果？Qualtrics 汇集数千名 XM 专业人士的经验，推出 Value Chain Framework：准备可行动洞察、执行组织行动、测量 KPI 改进、计算业务影响。账单清晰度、职业发展机会和语言障碍三个案例，展示了如何利用对照实验数据计算数百万美元级现金流影响。

    推荐理由：Qualtrics 的四步价值链把洞察、行动、KPI 与业务影响串联起来，结合具体案例，为体验团队推进落地和证明价值提供方法。

  1. Qualtrics80

    Qualtrics 发布客户情绪价值研究报告：情绪比成功与费力度更能预测忠诚度

    Qualtrics 对近15年数据的研究认为，情绪比成功和费力度指标更能预测客户忠诚度与财务表现。研究显示，情绪领先者的股市回报比行业同行高36个百分点，高情绪连接客户的信任度提升5.7倍。

    推荐理由：Qualtrics 的四项纵向研究量化了情绪对忠诚度与股价的预测力，并提供五种实践方法，帮助体验团队把情绪纳入业务评估。

  1. GDS 英国政府数字服务部67

    减少登录认知负担：让身份验证沿用用户熟悉的解锁动作

    登录只是完成办事任务途中的一个步骤，不该成为用户额外学习的负担。GDS 在 GOV.UK One Login 引入通行密钥，让用户使用面部识别、指纹或设备密码登录，减少记忆密码和输入安全码的步骤。 这项设计以超过2500人的调查及三轮用户研究为基础。团队发现，难记的密码和安全码尤其会阻碍有认知障碍、数字信心较低或使用辅助技术的用户。实践要点是用清楚的语言解释隐私与安全，在相关登录节点引导设置，并让设计、开发、安全和无障碍专家共同参与设计、评审与测试。上线后仍需持续观察采用率，以及仍选择原有登录方式的用户比例，不能把新技术可用等同于所有人都会接受。

    推荐理由：GDS官方详述了GOV.UK One Login引入通行密钥的设计过程，展示了如何通过用户研究解决认知障碍并平衡安全与易用性。

  1. Baymard Institute62

    Baymard Institute发布账户与自助服务UX研究更新：57条新指南解析三大核心变化

    Baymard Institute发布了更新且扩展的账户与自助服务UX研究，这是自2018年以来的首次大规模重新测试。该研究通过4000多小时的新测试和1400多个观察到的可用性问题，制定了57条新的或更新的指南，并首次纳入了移动端测试观察结果。

    推荐理由：这项研究通过4000小时新测试数据，揭示了账户安全、订单追踪及退货流程的UX痛点与改进指南。

  2. frog62

    frog 提出代理式商业体验设计的六项核心原则

    frog 发布代理式商业（Agentic Commerce）体验设计的六项原则，旨在指导品牌在 AI 代理代表用户进行发现、评估和购买时建立信任。这六项原则包括将信任作为通用货币、以就绪度取代相关性、让用户感知自主权、默认多模态展示、优化长期人类成果以及通过有原则的实验推进。

    推荐理由：frog 的六项代理式商业设计原则结合 Stripe、Google 等协议案例，为品牌建立用户信任提供了具体方法参考。

  1. Baymard Institute68

    Baymard Institute发布保险UX研究：聚焦概念认知、报价流程与品牌信任三大痛点

    保险用户在寻求保障时面临独特的体验挑战，主要源于对复杂概念的陌生感、冗长且易中断的报价流程以及对非知名品牌的信任缺失。Baymard Institute 针对美国8个和英国12个保险网站（含提供商与聚合平台）进行了深入的定性用户体验研究，通过220场“有声思维”协议下的可用性测试，识别出超过1700个中重度可用性问题，并据此制定了190多条行业指南。 在概念认知方面，用户常因不熟悉如“房屋重建成本”或特定屋顶材料等术语而感到困惑，导致猜测、跳过字段甚至放弃填写。研究表明，提供清晰的视觉辅助（如屋顶类型图示）和合理的默认值（如依据区域平均值估算的工具）能显著降低用户的认知负荷，提高数据输入的准确性与效率。例如，某参与者在面对缺乏解释的选项时犹豫不决，而在有图像引导的界面中能在8秒内完成多项属性选择。 报价流程的交互体验是用户流失的关键节点。由于保险申请通常耗时较长，任何技术故障、导航混乱或无法返回修改的错误都会迅速累积挫败感，导致用户彻底放弃。有效的实践包括确保“返回”按钮功能正常且位置显眼，允许用户在输入信息的同时即时编辑，并在早期阶段明确告知资格限制以避免无效劳动。Liberty Mutual 等网站通过清晰的前进/后退逻辑和易于发现的编辑链接，帮助用户保持方向感。 品牌信任在保险决策中占据核心地位。用户倾向于将知名度低的公司等同于低质量，尤其在高额支出场景下更为谨慎。外部验证机制（如 Defaqto 五星评级）能有效增强信心。此外，价格透明度至关重要，意外出现的附加费用会导致大量用户弃单。建议在用户选择任何附加项目前明确披露所有潜在成本，避免在流程后期出现价格突变，从而建立稳固的信任基础。鉴于保险购买的低频特性，一次糟糕的体验往往意味着永久失去该客户，因此构建支持用户理解概念、顺畅完成流程并建立信任的高性能 UX 至关重要。

    推荐理由：220场测试与1700多个问题揭示保险用户在概念理解、报价流程及品牌信任上的具体障碍与改进路径。

  1. Forsta62

    Forsta发布2026年研究：消费者拥抱AI但缺乏对品牌使用的信任

    Forsta最新研究显示，尽管58%的消费者因AI推荐购物，但仅22%信任零售商负责任地使用AI。报告指出，消费者对AI的个人接受度远高于对品牌部署AI的信任，主要担忧在于数据隐私、决策透明度及问责机制。研究强调，建立AI信任需满足透明性、价值交换和控制权三个条件，且不同代际（如Z世代与婴儿潮一代）在数据分享意愿和AI依赖度上存在显著差异。

    推荐理由：Forsta多项调研数据揭示了消费者个人使用AI的便利性与对品牌使用AI的信任赤字之间的具体差距及成因。

  1. 体验家 XMPlus65

    客户流失时，为何“问清原因”比“打折挽留”更具长期价值？

    当客户决定离开时，企业往往本能地选择打折或送券进行即时挽留，但这可能掩盖了导致流失的根本问题。体验家XMPlus指出，在流失发生的当下开展调研，询问客户离开的真实原因，是避免未来收入持续损失的关键策略。这一做法利用行为经济学中的“损失厌恶”原理：人们倾向于优先处理眼前确定的损失（如单笔订单），而忽视尚未发生但可能累积的未来损失（如群体性流失）。然而，真正决定企业长期留存率的，并非单次挽留的成功率，而是是否消除了导致客户离开的根源。 在现有客户旅程中收集反馈存在显著的“幸存者偏差”。成单或服务结束时的NPS调研，往往反映的是未流失客户对未来的期待（即如何从90分迈向100分），而非导致流失的致命缺陷（即如何从50分及格提升到60分）。资源有限的情况下，聚焦于能减少流失的问题改善，比让本就不会流失的客户更满意更能立竿见影地止损。此外，在职或存续关系期间的反馈受“社会赞许偏差”影响，客户出于礼貌或维护关系的需要，常将“体验差”委婉表达为“不需要”，将“价格高”说成“预算有限”。只有在关系结束、客户不再担心评价影响后续权益时，才更可能提供接近真实决策原因的反馈。 提问时机至关重要。行为经济学表明，人在完成重要决策后会产生解释该决策的自然倾向。无论是健身房退卡还是SaaS取消订阅，刚做出决定的时刻具有明确的上下文，记忆清晰且原因具体。此时提出简短问题，比事后邮件或电话回访更容易获得高质量反馈。例如，AI搜索工具Perplexity在用户取消订阅时先弹出流失原因问题，再提示权益降级；PPT工具Gamma则采用“流失原因问题+折扣券”的组合。企业可将原本用于直接挽留的优惠券转化为完成调研的奖励，利用“付出努力后更珍惜”的心理机制提升核销率。体验家案例显示，通过回答问卷“挣得”的优惠券，其核销率比直接赠送的高出6倍。 在具体执行上，应避免直接质问“为什么”，以防引发防御心理或导致“合理性偏差”。建议采取三步法：首先通过卷首语降低压力，明确回答不影响退款且耗时极短；其次使用选择题建立统一的流失原因分类，如价格、功能缺失或使用频率低等；最后根据选项进行条件追问，聚焦具体经历和场景，如“哪个操作环节最困难”或“原本希望完成什么任务”。这种从抽象动机转向具体事件的提问方式，能将反馈转化为可执行的产品改进动作。理解客户为何离开，才是增长的源头。

    推荐理由：流失调研的三步提问法及将优惠券转化为调研奖励的实践策略，有助于企业从单纯挽留转向根因分析。

  1. pxd story · UX 专栏65

    K-Beauty App Review Analysis: Using Star Ratings and Metadata to Decode User Experience

    针对K-Beauty应用（Olive Young、Hwahae、Glowpick）的App Store评论分析表明，仅依赖平均星级评分会掩盖用户真实体验的两极分化。通过将评论文本与星级、时间戳等元数据结合进行聚类分析，研究者揭示了“平均用户”并不存在的事实：高频率提及的问题未必是最高优先级，而低频率但极低星级的反馈可能隐藏着关键痛点。此外，文本情感与星级评分的背离现象（如高星级伴随负面文本）揭示了用户的情感依恋或特定场景下的妥协，而高星级应用的正面评价需进一步区分是对产品核心价值的认可还是对运营激励（如抽奖中奖）的反应。 在Olive Young和Hwahae的案例中，尽管平均星级分别为2.6分和3.1分，但分布呈现极端的双峰形态：大量1分和5分评论并存。这表明留下评论的用户往往是体验极度不满或极度满意的人群，而非中间态用户。通过亲和图（Affinity Diagram）聚类发现，占比最高的“应用稳定性与技术错误”集群虽然提及率高，但其平均星级仅为2.1分，属于高频且高强度的负面体验；相比之下，“配送服务”虽提及率较低（7.2%），但平均星级更低（2.0分），提示其为易被忽视但严重损害体验的隐性痛点。这种以“提及频率”与“平均星级”构建的优先级矩阵，比单纯按数量排序更能准确反映改进的紧迫性。 时间序列分析进一步区分了问题的性质。例如，Olive Young在2025年第四季度出现的评论激增，经聚类确认为因UI改版移除“帮助有用性排序”等功能引发的短期集中投诉，随后通过更新解决；而“应用稳定性”问题则表现为跨季度的反复出现，暗示其难以复现的技术特性需要更深层的工程排查。这种时序视角帮助团队区分临时性故障与系统性缺陷。 值得注意的是，星级评分与文本情感得分之间存在显著差异。在“会员注册与年龄限制”集群中，用户文本充满抱怨（如无法注册、操作繁琐），导致情感得分偏低，但星级却相对较高。这反映了用户在表达不满的同时仍保留了对品牌的功能依赖或情感依恋。若仅看星级，这类阻碍用户体验的关键摩擦点可能被误判为“尚可接受”。因此，识别星级与情感背离的集群，有助于发现那些“爱恨交织”的高价值用户群体及其核心障碍。 对于平均星级高达4.6分的Glowpick，分析重点转向“为何好评”。聚类显示，正面评论主要源于“评论可信度”、“习惯性使用”以及“体验团中奖经历”。其中，约五分之一的正面评价实际上指向的是奖励机制而非产品本身。虽然这些用户的星级和情感得分均高，未表现出背离，但通过关键词分析（如“中奖”、“事件”）可识别出这是运营策略带来的满意度。这对从业者意味着，高NPS或CSAT分数可能部分由非产品因素驱动，需拆解归因以评估产品力的真实表现。 综上，将评论文本与元数据（星级、时间、情感）联合分析，能将静态的评分表转化为动态的用户体验地图。这种方法不仅适用于美妆电商，也可推广至金融、SaaS等积累VOC数据的领域，帮助团队从“平均分”的迷思中解脱，精准定位优先改进项并理解用户复杂的行为动机。

    推荐理由：通过K-Beauty应用案例演示如何将评论文本与元数据结合，揭示平均评分背后的两极分化及优先级差异。

已经到底了