4、机场用户研究：旅客与机场工作人员的角色分析、需求洞察方法（访谈、观察、问卷、数据挖掘）、典型用户画像与痛点识别
机场服务设计的起点不是航站楼的物理空间，也不是信息系统的功能清单，而是对“人”的深度理解。在智慧机场语境下，用户研究面临双重挑战：一方面，旅客群体高度异质，从商务常旅客到首次出行的老年团，其需求差异极大；另一方面，机场工作人员（值机员、安检员、地服、保洁、机务等）既是服务的执行者，也是系统压力的承受者，他们的痛点往往直接映射为旅客体验的断点。本章将系统拆解机场用户研究的角色分析框架、四类需求洞察方法、典型用户画像构建及痛点识别路径，帮助课程学习者建立“以人为本”的智慧机场设计起点。
4.1 核心原理：机场是“双用户”服务系统
机场服务设计与普通消费场景最大的差异在于其“双重用户”属性。旅客是服务的接收者，工作人员是服务的交付者，两者在同一物理空间和流程链路中高频互动。若只研究旅客而忽略工作人员，往往导致设计方案在纸面上提升了体验，却在落地时因操作复杂度增加而遭到一线抵制；反之，只优化工作人员效率而不顾旅客感受，则可能让机场沦为“高效但冷漠”的转运机器。
从系统论视角看，机场服务可拆解为三个层次：前台服务层（旅客直接接触的界面与人员）、中台调度层（资源分配、航班信息协调）、后台支持层（行李系统、安检设备、保洁运维）。用户研究需要覆盖这三个层次中的关键角色，并理解他们之间的信息流、服务流和情绪流。
| 角色类别 | 典型岗位 | 核心目标 | 主要压力来源 | 与旅客触点 |
|---|---|---|---|---|
| 旅客（前台） | 商务旅客、家庭旅客、老年旅客、中转旅客 | 准时、便捷、可控、舒适 | 时间不确定、信息不对称、排队焦虑 | 全流程 |
| 一线服务人员 | 值机员、安检员、登机口地服、问询台 | 高效完成操作、避免投诉、保障安全 | 重复劳动、旅客情绪压力、系统卡顿 | 值机/安检/登机 |
| 调度与管理人员 | 运行控制中心、资源分配员、值班经理 | 资源利用率、航班正常率、应急响应 | 信息滞后、多目标冲突、责任压力 | 间接（通过广播/大屏） |
| 后台支持人员 | 行李分拣员、设备维护、保洁、航食 | 作业安全、时效、成本控制 | 体力负荷、时间窗口紧、环境嘈杂 | 极少直接接触 |
4.2 需求洞察方法：四类方法的组合应用
机场用户研究的方法选择取决于研究目的、阶段和资源约束。单一方法往往只能看到问题的某个侧面，专业做法是采用“定性+定量+行为数据”的混合研究设计。以下四类方法构成机场用户研究的基础工具箱。
4.2.1 访谈法：从“怎么说”中捕捉深层动机
访谈适用于探索性研究阶段，帮助研究者理解用户的决策逻辑、情绪触发点和未满足的隐性需求。在机场场景中，访谈可分为三类：
- 深度访谈（1对1，30-60分钟）：适合挖掘旅客的完整出行故事，例如“上次延误时您经历了什么？”通过叙事了解情绪变化和应对策略。
- 情境访谈（在服务现场进行）：在值机柜台旁、安检排队区进行短时访谈，结合用户当下的行为提问，例如“您现在排队时最担心什么？”
- 工作人员访谈：需注意其表达可能受绩效考核影响，应引导其描述具体事件而非主观评价，例如“请描述上周最让您感到无力的一次服务过程”。
4.2.2 观察法：从“怎么做”中发现真实行为
观察法能捕捉用户自己都未意识到的行为模式，尤其适用于物理空间动线和服务流程研究。机场观察法主要有三种形式：
- 动线追踪观察：研究者跟随旅客从进入航站楼到登机口，记录停留点、犹豫点、折返路径。关键指标包括：各区域停留时长、问询次数、看手机/看指示牌的频率。
- 行为痕迹分析：观察垃圾桶附近的丢弃物（判断餐饮消费）、自助设备上的指纹残留（判断使用频率）、座椅区的行李摆放方式（判断个人空间需求）。
- 神秘旅客观察：由经过培训的研究人员扮演特定类型旅客（如轮椅旅客、带婴儿家庭），记录服务响应时间和服务人员的主动性。
4.2.3 问卷法：从“量化数据”中验证优先级
问卷用于验证定性发现并量化需求优先级。机场问卷设计需特别注意三点：
- 拦截位置影响样本偏差：在安检后发放的问卷会过滤掉安检前已产生负面情绪的旅客；线上问卷则偏向年轻、高频旅客。建议采用多点多时段混合发放。
- 使用“重要性-满意度”双维度量表：让旅客对同一服务项打分（如“自助行李托运的重要性”和“您对当前流程的满意度”），从而识别“高重要性-低满意度”的改进优先区。
- 控制回忆偏差：避免问“您平均每次出行等待多久”，改为“请回忆您最近一次出发经历，从进入航站楼到通过安检大约花了多少分钟？”
4.2.4 数据挖掘：从“行为日志”中发现隐性规律
智慧机场的数据挖掘是传统研究方法的有力补充，其优势在于全量样本、无干扰、可回溯。常用数据源及分析价值如下：
| 数据源 | 可提取指标 | 典型洞察 |
|---|---|---|
| Wi-Fi探针/蓝牙信标 | 区域停留时长、动线热力、折返率 | 发现旅客在安检后商业区的“犹豫徘徊区” |
| 安检系统日志 | 开包率、通道通过率、高峰时段分布 | 识别“安检瓶颈”与“旅客焦虑峰值”的叠加时段 |
| 值机/自助设备日志 | 操作时长、错误率、帮助按钮点击率 | 判断自助设备的可用性短板 |
| APP/小程序行为流 | 页面跳出率、功能使用频次、搜索关键词 | 发现旅客最关注的信息类型（如登机口变更） |
| 投诉文本/社交媒体 | 高频词、情绪倾向、主题聚类 | 挖掘“等待时间”背后的具体诱因（如信息不透明） |
4.3 典型用户画像与痛点识别
用户画像是将研究数据转化为可操作设计输入的桥梁。机场用户画像不宜过多，建议聚焦3-5类核心角色。每类画像应包含：基本信息、出行频率与目的、核心目标、行为特征、情绪曲线、典型痛点、现有应对策略。
4.3.1 画像构建流程
- 聚类分析：基于问卷和访谈数据，按出行目的（商务/休闲）、出行频率（高频/低频）、同行特征（独行/家庭/团队）、技术接受度（自助偏好/人工依赖）等维度进行聚类。
- 提炼关键变量：从聚类结果中提取2-3个最具区分度的变量作为画像主轴。例如“时间敏感度”和“流程熟悉度”可组合出四类典型旅客。
- 丰富画像细节：为每类画像赋予姓名、年龄、职业、典型出行场景，使其具象化。例如“张先生，38岁，互联网公司区域经理，每周飞行2-3次，习惯使用电子登机牌，对延误极其敏感”。
- 绘制情绪曲线：横轴为服务流程节点（到达→值机→安检→候机→登机→到达），纵轴为情绪值（-5到+5），标注关键情绪低谷点。
4.3.2 典型画像示例
| 画像名称 | 关键特征 | 核心目标 | 主要痛点 | 设计机会点 |
|---|---|---|---|---|
| 商务常旅客（“时间焦虑者”） | 高频、独行、熟悉流程、使用APP | 最短时间通过流程、信息实时准确 | 安检排队不可预测、登机口变更通知不及时 | 智能安检预约、动态登机口提醒推送 |
| 家庭旅客（“多任务处理者”） | 2-4人同行、携带儿童/老人、行李多 | 全家同步、减少走散、儿童安抚 | 值机/安检时行李看管困难、儿童在长队中哭闹 | 家庭优先通道、儿童活动区、行李暂存服务 |
| 老年旅客（“流程困惑者”） | 低频、不熟悉智能设备、对指示牌理解慢 | 有人协助、信息清晰、不迷路 | 自助设备操作困难、找不到问询点、担心误机 | 大字版指引、人工辅助呼叫按钮、简化标识系统 |
| 中转旅客（“时间不确定者”） | 有中转时间压力、不熟悉机场布局 | 快速找到下一登机口、了解中转流程 | 中转路径不清晰、时间紧张时缺乏优先权 | 中转专用通道、实时步行导航、紧急中转接驳 |
4.3.3 痛点识别与优先级排序
痛点识别不是简单罗列“旅客抱怨”，而应建立系统化的评估维度。建议从三个维度筛选关键痛点：
- 发生频率：该痛点出现的概率（如“安检排队超15分钟”在高峰时段发生率为70%）。
- 情绪强度：痛点引发的负面情绪等级（焦虑、愤怒、无助等），可通过访谈中的情绪词频和生理反应（叹气、皱眉）判断。
- 影响范围：痛点是否影响后续流程（如安检延误导致购物时间被压缩、登机口奔跑增加安全风险）。
4.4 案例拆解：某大型枢纽机场的“安检焦虑”研究闭环
背景与约束：某年旅客吞吐量超4000万人次的枢纽机场，安检区域投诉率连续两个季度上升，旅客满意度调研中“安检等待”项得分低于行业均值15%。机场运营方希望在不增加安检通道物理空间的前提下，通过服务设计改善旅客感知。
初始现象与目标：表面数据显示安检平均等待时间为12分钟，但旅客主观感受“等待时间过长”。目标是将安检等待满意度提升至行业前30%，同时不降低安检安全标准。
研究设计与关键数据：
- 数据挖掘阶段：调取安检系统日志发现，高峰时段（7:00-9:00）平均等待12分钟，但P95等待时间达22分钟，即5%的旅客面临超长等待。Wi-Fi探针数据显示，旅客在安检排队区的“折返率”高达18%（离开队伍去问询或找卫生间）。
- 观察法阶段：在安检排队区进行6天、每天4小时的定点观察，记录到三个关键行为：①旅客在排队时频繁看手机（平均每28秒一次）；②当队伍停滞超过2分钟时，焦虑行为（跺脚、叹气、张望）显著增加；③约15%的旅客在排队中途离开队伍，导致队伍秩序混乱。
- 访谈法阶段：对32名旅客进行情境访谈，发现核心焦虑并非“等待本身”，而是“不知道还要等多久”的不确定性。一名旅客表示：“如果明确告诉我还要等15分钟，我反而安心了，但现在完全没概念。”
- 问卷验证：对500名旅客的拦截问卷显示，78%的旅客支持“实时显示预计等待时间”的方案，65%的旅客希望安检前能收到“高峰期错峰提示”。
方案设计与实施：
- 在安检排队区入口设置LED显示屏，实时显示“预计等待时间”，数据来自安检通道的实时吞吐量计算模型。
- 开发机场APP的“安检等待预测”功能，基于历史数据和当日航班量预测各时段等待时长，并推送错峰建议。
- 在排队区地面设置“距离提示”地贴（如“您还需等待约8分钟”），每2米一个标记，将抽象时间转化为具象距离。
结果对比：实施3个月后，安检等待满意度提升22%，投诉率下降35%。值得注意的是，实际平均等待时间仅缩短了1.5分钟，但旅客感知等待时间下降了约40%。这验证了“确定性”比“时长”更能缓解焦虑。
风险与代价：LED屏和APP预测功能需要稳定的数据接口和算法支持，初期因数据延迟导致显示不准确，反而引发新投诉。复盘发现，需在显示端增加“数据更新时间”标注，并在算法不稳定时自动切换为“高峰/平峰”定性提示。
4.5 常见误区与总结复盘
在机场用户研究实践中，以下误区值得警惕：
- 误区一：只研究旅客，不研究员工。员工的操作痛点和情绪状态会直接影响服务交付质量。建议在项目启动时同步开展员工工作坊，收集一线反馈。
- 误区二：过度依赖问卷数据。问卷只能回答“是什么”，难以回答“为什么”。应确保定性研究（访谈/观察）先行，问卷用于验证和量化。
- 误区三：画像数量过多或过少。超过7类画像会导致设计难以聚焦；少于3类则可能忽略关键边缘用户（如轮椅旅客、无人陪伴儿童）。
- 误区四：痛点识别停留在表面。“排队时间长”是表象，深层痛点可能是“信息不透明”“缺乏控制感”或“担心误机”。需通过“5个为什么”挖掘根本需求。
- 误区五：忽略研究伦理。机场是半公共空间，用户研究需特别注意隐私保护，尤其是数据挖掘和视频观察环节。