為什麼人們的穿戴式設備用不久?

the wearable device adoption gap
the wearable device adoption gap

2014 年應該算是穿戴式設備火熱的一年,撇開眼鏡類的 Google Glass 被唱衰不談,各式各樣的手錶手環類,如 Apple Watch、Samsung Gear、LG G Watch、Jawbone、Misfit、小米手環和剛剛發佈的華碩 ZenWatch 等等產品雨後春筍般地冒出來,很難讓人不注意這類產品。

但是,從我所讀過的各家諮詢調查報告和身邊朋友的使用經驗看來,都指出同樣的一件事:穿戴式設備極度容易被棄用。撐過一個月的用戶已屬不易,撐過三個月的用戶比例更是低至 30% 以下。

為了解釋「被棄用」的原因,我提出「穿戴式設備的使用模型」如上圖。此模型共可分成四大階段,分別是:

一、Known:穿戴式設備所提供的數據通常是用戶已知的數據

舉例來說:

  • 我們知道每天晚上從 11:30 pm 上床到隔天早上 7:00 am 起床共 7 個半小時左右,我們大約睡多長時間;
  • 我們知道穿上運動鞋去台大操場跑了 6 圈大約花了 40 分鐘左右,第 1 圈算是熱身,跑得很慢,但到了第 4 圈快跑完的時候,跑得有點上氣不接下氣,我們知道那時的心跳應該很快;
  • 我們知道最近天氣冷,或許是薑母鴨羊肉爐各式火鍋吃多了,體重有點變化。

除了以上這些之外,還有更多我們其實已經約略知道的生活資訊,雖然不是那麼精確,但是足以應付各樣的生存需求。

二、To Know More:穿戴式設備提供更多更豐富更詳細的數據

針對這些「已知、但不精確」的資訊,穿戴式設備就是在當中提供給我們更多、更豐富、更詳細的數據。例如:

  • 一款紀錄睡眠狀況的穿戴式設備可以告訴我們真正的睡眠時間到底是 7 小時還是 6 小時 48 分,並且可以知道深層睡眠和淺層睡眠的時間分布;
  • 一款紀錄心跳呼吸血氧的穿戴式設備可以告訴我們跑 6 圈操場花費的時間是 43 分鐘,並且知道整個過程中跑步的速度分布,再搭配生理訊號就能畫出運動週期、速度、心跳、血氧的對應圖;
  • 一款紀錄體重與 BMI 的穿戴式設備 (或智慧設備) 可以告訴我們每天的體重與 BMI 變化,並按時給我們週報、月報、季報、年報。

當然還有更多穿戴式設備提供更多樣的數據紀錄功能,這些已經不是稀奇的事了。但是「被棄用率」高的問題不在於產品數量太多或其所提供的數據量太大,而在於無法跨越這個階段到下一個階段去。

三、To Learn:想知道這些數據能夠怎麼用,能夠帶出什麼價值,用戶必須學習

詳細的數據或許能短暫地吸引用戶的興趣,但並不持久,這正是「被棄用率」高的主因:在 To Know More 和 To Learn 這兩階段中有個巨大的鴻溝 (Gap)。

經過 3 週的追蹤紀錄,有睡眠障礙的人知道自己通常在入睡後 2 小時進入深層睡眠,但僅能維持 不到 2 小時,「然後呢? (So What?)」;知道自己跑步時的心跳峰值會到 182,「然後呢?」。

如果用戶不能帶著「然後呢?我想知道」的心態去學習這些數據所代表的意義、學習使用這些數據、享受這些數據帶來的價值,那麼用戶就只能停留在 To Know More 階段,無法跨越 Gap 到 To Learn 階段,最終導致認為「這些數據沒用」而「不想再用」這些設備。

四、To Change:有了知識,想變得更好就必須改變行為

有了數據和知識還不夠,用戶必須改變行為 (Change Behaviour) 才能真正享受穿戴式設備所帶來價值。

從 To Learn 到 To Change 階段這中間還有一個 Gap,不過不如前一個 Gap 大。「懶惰不想改變」的基本特質讓用戶覺得停留在 To Learn 甚至退回到 To Know More 階段,最終還是落到「不想再用」的窘境。

別只想 Push 數據,多想用戶的 Pull 

有糖尿病或高血壓的病患會關注每天活動,甚至每一次用餐的生理數據,對他們來說,有什麼方式或產品可以幫助他們把這些日常數據記錄起來,並在他們需要時輕易獲取就有價值,他們會去「拉動 (Pull)」這些數據到他們身邊。如果只想著把數據「推到 (Push)」用戶的生活中而無法幫助用戶學習使用這些數據,並幫助用戶改變行為,那麼三個月之後「被棄用」也算是正常了!

steven-sketchnote-wearable-behaviour-change-201412301

發表迴響