用户测试：类型、方法以及如何开展（2026）

男士护理品牌 Manscaped 在三年内凭借用户测试等方式，在全球39个国家实现了3亿美元的规模。

对于创始人 Paul Tran 来说，投资者认为男性想要什么与男性真正想要什么之间的脱节，正是市场空白所在。因此他验证了他的假设以最低成本的方式——通过询问他的朋友。

“每一次迭代都由客户反馈驱动，”Paul 说。

而且他并不孤单地押注于此。全球用户测试平台市场预计到2033年将达到63亿美元，其中零售和电子商务是增长最快的终端用户细分市场之一。

本指南介绍了什么是用户测试以及为您的产品或商店进行测试的方法。


什么是用户测试？

用户测试是指观察真实用户使用您的商店、产品或原型，以了解哪些有效、哪些让他们感到困惑，以及什么导致他们放弃。

参与者会尝试完成结账或选择尺码等特定任务，而研究人员则在一旁观察。输出结果通常是定性的：它记录了 shoppers 的行为、言论和误解，并以他们自己的语言表达出来。

这种研究方法属于更广泛的“用户研究”范畴，与问卷调查、访谈和分析并列。

注意：用户测试（User testing）作为一种方法论，与 UserTesting.com 这一商业平台并不相同。UserTesting 是众多工具之一，可协助你招募参与者并录制会话，其他类似工具还包括 Maze、Lookback、UserBrain、Useberry 等。


用户测试 vs. 可用性测试 vs. 用户验收测试（UAT）

它们分别在产品构建或发布的不同阶段测试不同的内容。


用户测试

用户测试提供对产品的整体视角。在进行用户测试时，你可以提出诸如“该产品在客户生活中是否具有实用价值”以及“用户对该产品的情感关联是什么”等问题。

用户测试帮助团队开发出符合客户期望的产品。用户测试方法包括调查、访谈、焦点小组、观察研究和可用性测试。用户测试可以是受控的，也可以是无控制的，这意味着你可能需要也可能不需要有人监督测试参与者。

正如自由职业者用户体验顾问 Jesmond Allen 所说，“生成式用户研究——在设计开始之前进行测试——对于确保你基于事实而非假设做出决策非常棒。”


可用性测试

可用性测试是用户测试的一个子集，专门关注使用产品完成各种任务的难易程度。因此，可用性测试通常由产品研究团队成员进行受控或监督。

用户测试和可用性测试的结合帮助 Lindsay McCormick 将其环保个人护理品牌 Bite 打造成了巨大的成功。Lindsay 说：“在我所有的准备和研究中，我并没有在想‘这是一个好主意吗？’”

相反，她问自己：“我怎样才能制造出最好的片剂？”林赛的目标是制作片状牙膏，而测试是她开发过程中的关键部分。


用户验收测试（UAT）

UAT 是产品、功能或更新上线前的最终检查。该测试由来自目标受众的人员执行——包括内部利益相关者、测试版客户或终端用户的代表性样本，他们确认构建版本是否在实际条件下实现了其预期功能。

UAT 是一种针对特定需求的结构化通过/失败审查，在部署之前进行，以发现设计与交付之间未达标的任何内容。


为什么用户测试很重要？

用户测试为您的产品提供几个关键优势：

• 满足用户期望
• 识别意外问题
• 降低开发成本
• 验证支付意愿
• 降低发布后失败的风险


满足用户期望

如果您正在发布现有产品的新迭代版本，用户测试者可能会有很高的期望。新产品需要达到或超越这些期望。用户测试可以让您了解是否走在正确的轨道上。

Jesmond 表示，仅仅知道客户想购买什么是不够的：“您的客户究竟如何从您广泛的优质小工具系列中缩小选择范围？”

“如果您通过研究来发现这一点，您就可以优先设计，在用户旅程中最有帮助的时刻展示不同的小工具功能。”

阅读：用户旅程地图：它们是什么以及如何制作


识别意外问题

一系列用户测试可以揭示设计师未曾预料到的可用性问题。您可以使用测试数据来观察人们随着时间的推移是否对您的产品保持满意，或者随着使用时间的增加满意度是否会下降。越早发现这类问题，修复成本就越低。

这种发现很难从内部完成。正如 Lindsay 所说，工作是“找出客户会对您的产品产生的困惑，并想办法弥补这一差距，让他们觉得合理。”

Lindsay 将她的环保牙膏片品牌打造成了一家价值数百万美元的企业，她将这一困惑差距作为主要的测试重点。


降低开发成本

用户测试可以帮助控制产品开发流程将成本控制在合理范围内，因为它可以在你生产产品之前识别出问题。

如果你正在测试实体产品，可以制作原型并邀请人们进行互动以收集反馈；如果是开发网站或应用等数字产品，则可能希望从模拟桌面或移动屏幕的纸质原型开始，仅在研究结果表明用户会喜欢时才进行全面编码。

在 NIQ BASES 研究的超过 21,000 次产品发布中，在产品发布时让客户失望的产品，在市场上成功的机会大约只有 5%。这意味着可能会在一件可能没有第二次机会的事情上花费大量资金。


验证支付意愿

人们声称愿意为某物支付的价格与他们实际刷卡付款时的价格存在差异，这是确定产品市场契合度的一部分。

正如 Mule Design 的策略总监、《Just Enough Research》一书的作者 Erika Hall 所说，价格是“向你的客户传达关于质量、预期用途和目标受众的信号。这就是为什么一种品牌的牙线在高端健康网站上售价 9 美元，而在连锁药店只卖 1.79 美元。”

Erika 进一步表示，“感知价值取决于背景”，而用户测试可以揭示购物者在购买时带来的背景因素。


降低发布后失败的风险

并非所有的产品失败都是需求问题，有时产品正是人们想要的，但执行层面的因素——如包装设计、价格、页面文案以及体验的呈现方式——却成了阻碍，而用户测试有助于在产品发布前将这两者区分开来。

正确的方法是通过多轮小规模测试，而不是在最后进行一次大型研究，正如 Jakob Nielsen 在其奠基性的 NN/g 研究中指出的那样，大多数可用性问题会在你测试的前五个用户中显现，通过运行多个小规模测试比一次性测试一个大群体能发现更多问题。


用户测试的类型和方法

你可以使用多种不同的方法来收集见解：

• 探索性测试
• 对比测试
• 可用性测试
• 调查与访谈
• 日记研究
• 首点击测试
• 卡片分类
• 有主持人与无主持人测试
• 远程测试与面对面测试
• 定量测试与定性测试


探索性测试

探索性测试是一种主要在产品开发生命周期早期阶段使用的非主导方法，参与者以自然的方式与产品互动，产生的数据揭示了影响产品设计决策的用户期望、行为和需求。

耶鲁大学的 UX 团队将这种方法描述为让用户“在没有具体指示的情况下自由地与产品或界面互动”，这使得它在发现意外行为方面特别有用。

这是在设计开始之前进行的工作。正如 Jesmond 所说，生成式（或发现式）研究“在你着手设计工作之前就已经发生。它旨在在开始为用户设计之前，真正理解用户的需求和思维过程。”

该方法可以远程进行，让参与者在自己的环境中使用产品，这使其非常适合用于测试网站或面向广泛受众的数字产品，因为它扩大了可招募的样本池，并允许测试者在形成结论之前花费真实时间与产品互动。


对比测试

也称为 A/B 测试的比较测试将两个或多个产品版本相互对抗，两组用户分别接收同一产品的不同版本并报告各自的发现。

这种方法可以指出哪个产品版本更有效或更用户友好。

对于 Shopify 商店所有者来说，Rollouts 是 Shopify 为在线商店提供的原生排期和 A/B 测试功能。通过将流量分配到两个版本，将主题变体与当前主题进行对比测试，然后使用转化率来确定获胜者，再做出永久更改。Rollouts 还可以安排主题在特定日期和时间发布，并在活动结束时自动恢复商店。


可用性测试

可用性测试（或基于任务的测试）为参与者提供具体任务，让他们在与产品交互时完成。这种测试让设计师能够看到他们的产品在多大程度上帮助用户完成这些任务。

例如，在对包括 Amazon、Best Buy、Ikea、Macy’s 和 Zappos 在内的 19 个电子商务网站进行的大规模可用性测试中，Baymard Institute 记录到，当要求参与者寻找相当常见的产品（如用于寒冷天气的睡袋、春季夹克或带保护套的相机）时，任务完成率低至 10% 至 30%。


调查与访谈

在调查和访谈中，你并不总是需要让用户与产品进行互动。相反，你可以询问他们对你的产品的期望。你可以利用每个回答来帮助团队打造客户喜爱的产品。

这两种方法回答不同类型的问题。“如果你想知道有多少客户的子女同住在家，调查可能更合适，”Erika 说，“但如果你想了解阻碍购买你产品的三大因素，访谈则是更好的选择。”


日记研究

日记研究要求用户记录他们随时间推移与产品的互动情况。这种方法对于经常使用的产品（如牙膏）特别有用，因为用户的体验是随着时间被捕捉到的，而不仅仅是在测试期间。

根据 Nielsen Norman Group 的说法，日记研究“有助于探索关于长期体验和重复性活动的各种广泛的研究问题”，这使得它们不适合一次性交易，但非常适合具有持续使用特性的产品，如订阅服务。


首击测试

网站构建器使用首击测试来确定结构的实用性和直观性。其思路是向参与者展示一个网站原型，并询问他们在完成任务时会首先点击哪里。分析他们的第一次点击，以判断该点击是否使他们更接近目标。

目标是使网站结构与用户的直觉相匹配。

在一项由 Bob Bailey 和 Cari Wolfson 进行的经典研究中，该研究于 2006 年首次在 CDC.gov 上开展，首次点击正确的用户在 87% 的情况下成功完成了任务。

而首次点击错误的用户成功率仅为 46%。


卡片分类

卡片分类是一种用于网站结构和信息架构的用户测试方法。参与者根据他们认为合理的分类、菜单标签和内容主题对项目进行分组。

Nielsen Norman Group 指出，该方法“可以帮助用户更轻松地找到您网站上的信息”，通过揭示构建网站的团队组织内容的方式与购物者期望查找信息的方式之间的差距。

在开放式卡片分类中，参与者自行创建并命名分组；你可以了解到顾客自然形成的类别以及他们会如何称呼它们。NN/g 推荐将开放式卡片分类作为默认方法，因为它能让你全面了解用户的心理模型。

在封闭式卡片分类中，你向参与者提供预定义的类别，并要求他们将项目归类到你现有的结构中；这对于验证你已经建立的分类体系很有用，尽管树测试通常更适合此目的。


有主持人与无主持人测试

在有主持人测试中，研究人员会实时主持会话，无论是面对面还是通过视频，引导参与者完成任务、提出后续问题，并在出现有趣现象时进行深入探究。其优势在于深度，能够揭示顾客做了什么以及为什么这么做。

一种常见的受控方法是出声思维测试，即参与者在产品使用过程中叙述他们的想法。Jakob 称之为“首要的可用性工具”，因为它能揭示驱动行为的假设、犹豫和误读。

在无主持人测试中，参与者使用 Maze、Lyssna 或 UserTesting 等平台自行完成任务。

这种权衡在于规模与速度——你可以在安排一次有主持人引导的研究所需时间内运行数十个会话，且数据更易于量化。但代价是深度不足，因为你只能看到购物者做了什么，却不一定了解他们为什么这么做。


远程测试与面对面测试

在远程测试中，参与者使用自己的设备和环境完成会话，平台会记录屏幕、音频，有时还包括视频。

其优势在于规模、成本和真实性。你可以全球招募参与者，以更低成本运行更多会话，并观察购物者以他们通常的方式与你的商店进行互动。

面对面测试将参与者带入实验室或办公室等受控环境中，由主持人与之面对面进行会话。但其成本更高，因为需要预算差旅和场地费用；可招募的群体范围较窄；且数据收集耗时更长。

Nielsen Norman Group 特别主张进行面对面测试，认为它通过建立与参与者的融洽关系、减少干扰、观察细微的非语言线索、提供完整的感官体验以及在一次会话中容纳多种设备和平台来证明其成本的合理性。


定量测试与定性测试

定量测试以规模化方式衡量购物者的行为，包括完成率、任务耗时、错误率、点击路径以及转化率提升；任何能在数百或数千次会话中追踪的数值型指标均属于此类。

定性测试旨在衡量购物者行为背后的原因。这包括访谈、有主持人引导的可用性测试、出声思维研究以及开放式调查问题；任何产生叙述性内容、推理过程或情感反应而非单纯数字的方法都属于此类。

Jakob 这位开创性的 UX 研究员发起了折扣可用性运动，他认为企业应优先进行定性研究而非定量研究。

他说：“知道 73% 的用户未能完成购买对设计师来说是一个毫无用处的统计数据。”“知道他们为何失败才是一切关键所在。”

Nielsen 建议，对于成熟团队，UX 研究预算应向定性研究倾斜 90/10 的比例；而对于仍在建立研究实践的组织，则应接近 100% 投入定性研究。

阅读：市场调研指南：如何进行市场调研


如何进行用户测试

Jakob 指出，用户测试的核心包含两个组成部分：“（1）观察用户在（2）执行任务时的表现。”

以下是在您自己的用户测试中使用的分步方法：


1. 明确目标并撰写用户测试计划

确定您希望衡量的内容，例如可用性优化、用户偏好或任务效率。然后在招募开始前，将目标、参与者、任务和指标记录在一页文档中。该计划也将发送给利益相关者，以便在所有会话开始之前，各方就成功的标准达成一致。


2. 选择用户测试方法

考虑您的测试是否需要主持人引导、是否在线上进行、是长期还是短期。例如，长期用户测试可能最适合日记研究，而短期测试则可能从 A/B 测试中受益。


3. 设计测试

设计参与者在测试期间需要回答的问题和完成的任务。这些内容应与你的目标保持一致，并模拟真实世界的使用场景。明确你要追踪的指标，例如完成任务所需的时间或参与者使用产品某功能的频率。


4. 招募参与者

识别并招募符合你目标受众的参与者。如果你为产品或服务创建了买家画像，请确保测试对象与这些画像相符。Nielsen 建议定性研究每组招募五到八名参与者，而定量研究则至少需要四十名。


5. 进行测试

确保参与者在运行用户测试之前理解任务并感到舒适。做好笔记，如果可能请录制会话，并观察他们的行为。


6. 分析结果

审查和分析测试数据，但切勿仅抽取几句引语便草草了事。要寻找跨会话的摩擦点、任务成功模式以及情感主题，然后将发现与分析工具中的真实用户行为进行验证。如果五名测试参与者都难以找到你的运费政策页面，而实时数据显示该页面的流量几乎为零，这就构成了相互印证的证据。


7. 应用你的结果

将步骤 6 中确定的优先问题转化为具体的设计或文案更改，并指定负责人和截止日期。然后将重新测试纳入同一周期：当更改上线时，针对你修改的具体元素进行一轮较小的测试，以确认修复措施达到了预期效果。

在 Shopify Masters 的一期节目中，Hearth Display 的联合创始人 Susie Harrison 表示：“将 Figma 设计稿展示给个人，不仅仅是询问他们对这种外观的定性反馈，而是实际询问他们‘你是否愿意为这个解决方案付费？’，这对我们确定上市功能的具体形态至关重要。”

Hearth Display 利用这种市场验证方法为其家庭组织产品筹集了 280 万美元的机构种子资金。


用户测试示例问题

恰当的问题能引出你无法预见的信息，而不当的问题只会证实你自以为已知的内容。区分两者的三个原则均植根于 Nielsen Norman Group 关于开放式问题的研究：

• 开放式优于封闭式。NN/g 建议优先使用以“如何”或“什么”开头的问题，而非“是否”或“是否做过”，因为封闭式问题会中断对话，并遗漏那些你未曾想到去探寻的动机、心智模型和担忧。
• 具体优于笼统。“当你点击那里时，你预期会发生什么？”能挖掘出具体的瞬间。
• 简洁且非引导性。NN/g 警告说，引导性问题会将你希望听到的答案植入问题本身，使参与者难以表达不同观点。

在 Just Enough Research 中，Erika 根据研究问题试图回答的内容来组织这些问题。她确定了四种类型：生成性或探索性、描述性和解释性、评估性以及因果性。

以下示例将该框架调整为你在每个阶段向购物者提出的问题。


生成性问题：这个问题值得解决吗？

这些用于产品发现访谈和早期阶段的研究，此时尚不存在原型。

霍尔的示例问题来自博物馆网站设计项目的示例问题勾勒出这样的形态：“请谈谈你的工作。带我走一遍你典型的一周生活。”

以下是如何将这些问题适配到电子商务场景：

• 带我回顾一下你上次[完成你的产品所解决的问题]的情景。
• 你目前做这件事的过程中，最让你感到沮丧的部分是什么？
• 你之前尝试过什么？哪些有效，哪些无效？
• 请谈谈你决定需要一种更好解决方案的那一刻。


描述性问题：发生了什么，以及如何发生的？

对于调查、访谈和行为观察，当你需要了解购物者当前行为状态时：

• 你在线上购买[类别]商品与在实体店购买的频率分别是多少？
• 当你购买[产品类型]时，通常在做出决定前会比较什么？
• 对你而言，一次成功的购买是什么样的？
• 最后让你放弃购物车的事情是什么？你最后一次放弃购物车是因为什么？


评估性问题：这个设计有效吗？

适用于原型测试、可用性会话以及发布前的概念验证：

• 你认为这个页面是做什么用的？
• 你会先做什么？
• 你会点击哪里来[完成任务]？
• 当你点击那里时，你期望发生什么？
• 如果是花你自己的钱买这个产品，在购买之前你最想了解什么？


因果性问题：为什么会发生这种情况？

适用于后续访谈、日记研究和购后研究——当你观察到某些现象并需要理解其原因时：

• 你在这个步骤犹豫了；能告诉我当时你在想什么吗？
• 请带我回顾一下你这周是如何使用这款产品的。
• 有没有哪个时刻它没有达到你的预期？接下来发生了什么？
• 如果朋友在考虑购买这款产品，你会怎么建议他？


电子商务的用户测试示例

以下是四个示例，展示了 Shopify 商店所有者和基于 Shopify 构建的工具如何将用户测试方法应用于实际问题，并取得了实际成果。

每个示例采用了不同的测试方法，这正是关键所在——测试产品或店面并没有唯一正确的方法。


1. 迭代式产品测试（Suri）

Suri，这家总部位于伦敦、生产可持续电动牙刷的品牌，将测试视为整个开发过程，而非发货前的最终检查。

联合创始人 Gyve Safavi 表示：“我们进行了相当多的迭代，大概有 20 轮，然后才推出产品。我们在早期就与牙医和可持续发展专家进行了测试。”

该方法论有两个显著特点。首先是测试人群：牙医提供临床可信度，可持续发展专家则关注材料和生命周期问题。每个群体都揭示了另一个群体不会发现的问题。

其次是迭代次数：20 轮远高于行业默认值，后者往往将产品测试视为上市前的最终检查点，而不是开发的运作模式。

“对我们来说，最主要的是我们需要实现‘最小可爱产品’（minimal lovable product），”Gyve 在 Shopify Masters 中说。

Suri 在两年内销售额达到 3000 万美元，并获得了英国 Boots 和美国 Erewhon 的零售合作。

阅读：零售商产品测试：完整指南（2026）


2. 定量加定性产品适配测试（ThirdLove）

ThirdLove，这家由 Heidi Zak 于 2012 年联合创立的旧金山内衣品牌，其 entire 产品线基于一个前提：80% 的女性穿着错误的文胸尺码。为了验证这一说法并设计解决该问题的尺码系统，团队需要比焦点小组更严谨的方法。

Heidi Zak 表示：“我们是一家初创阶段的紧凑型创业公司。因此，我们在 Craigslist 上发布广告以获取产品反馈。”

数百名女性来到 ThirdLove 的两层楼工作室，脱下衣服试穿样衣文胸，团队在现场收集合身反馈。他们将定性输入——哪些地方合身、哪些地方勒人、哪些地方有空隙、哪些感觉不对——与定量测量相结合，以确定现有尺码系统在哪些方面让女性处于两个尺码之间。

结果就是推出了半码杯型。“鞋子有半码，现在内衣也有半码了。”Zak 说。

ThirdLove 在推出时提供的尺码选项是传统品牌的两倍，数据也验证了这一策略的有效性：该公司的虚拟试衣间现已帮助超过 1800 万名女性找到合适的尺码，其中 65% 至 70% 的人收到的建议尺码与他们当前穿着的尺码不同。


3. 购后调查（SilkSilky）

SilkSilky，一个销售超高端 6A 级桑蚕丝睡衣、长袍和床品的中国品牌，需要一种能够跨多个国际市场大规模收集客户反馈的工具方法。电子邮件调查的回复率很低，产生的数据远远不足以支持决策。

因此，团队直接将调查问卷嵌入结账流程中。Shopify 的结账页面自定义功能让 SilkSilky 能够在顾客下单后立即触发用户调查，并搭配 15% 的折扣以提高参与度。

回复率是电子邮件营销的三倍以上。这项调查为 SilkSilky 提供了关于区域偏好的真实反馈，从而指导产品决策，并帮助品牌在升级至 Shopify 后的两年内销售额增长了 680%。


4. 加速结账按钮测试（Everlane）

Everlane，这家以透明采购和优质基础款著称的旧金山服装品牌，曾拥有一个定制开发的结账流程，但该流程已变得过于复杂，难以维护。

但与其更换平台，Everlane 还测试了 Shop Pay 作为其现有基础设施之上的加速结账层。需要验证的假设是：如果顾客无需每次重新输入信用卡和收货地址信息，转化率是否会更快？

根据 Shopify 对 Everlane 表现的内部衡量结果，结账转化率最高提升了 70%，在最初 30 天内，有 15% 的美国交易通过 Shop Pay 处理。

最具说服力的信号出现在团队在测试期间短暂移除了 Shop Pay 结账功能时。“我们收到的唯一反馈来自它被移除的时候，”产品负责人 Anna M. Peterson 说。

Shopify 的加速结账按钮测试工具允许你在预览中强制显示每种变体，从而确保在将这些按钮展示给付费客户之前，每一种都能正常工作：

1. 在支付设置中激活你想要测试的支付方式；例如，Shop Pay、Apple Pay、Amazon Pay、Google Pay 或 PayPal。
2. 从在线商店>主题>查看您的商店进入您的 storefront，然后导航至产品页面或特色产品区域。
3. 向 URL 附加一个调试参数以强制显示特定的按钮。例如，“?shopify-debug=true&show=Amazon”会强制显示 Amazon Pay 按钮。
4. 对每种支付方式重复此操作，以确认所有配置均能正确显示并按预期运行。


用户测试中的 AI

AI 正在从两个方面改变用户测试：谁主持测试会话，以及谁参与其中。

第一种是 AI 辅助审核——大型语言模型（LLMs）进行访谈、转录会议内容，并在数百份回复中快速提炼主题，速度远超人类研究员。但风险在于，AI 摘要会抹平熟练审核员会注意到的信号，如犹豫、矛盾或肢体语言的替代指标。

第二种是 AI 模拟用户——在真实客户看到 storefront 之前与之交互的合成购物者。SimGym 于 2026 冬季版推出，使用具有类人人格的 AI 购物者在 Shopify 商店上测试重新设计和新营销活动。您可以观察合成购物者如何导航、添加哪些商品到购物车以及放弃哪些商品，然后再将更改暴露给真实流量。

SimGym-Rollouts 验证管道分两个阶段将合成信号与真实流量配对：首先是真实流量，然后是合成信号。

根据 Shopify 的《商业战略与规划调查》（2025 年第四季度），使用 AI 的店主约有 11% 会邀请用户测试最小可行产品（MVP）和原型，而不使用 AI 的店主这一比例仅为 3%。

这使得采用 AI 的商店所有者在产品验证过程中进行真实用户测试的可能性高出约 3.7 倍。