时间: 2021-07-30 09:24:43 人气: 2 评论: 0
编辑导读：用户画像能够帮助我们专注于对用户最重要的事情，有针对性地设计和决策。本文将围绕用户画像的三种类型展开分析，希望对你有帮助。
对于大多数团队来说，用定性的方法创建用户画像是工作量与成果之间的正确平衡，但是无论规模大小，任何组织都可能从中受益。
用户体验工作中使用的用户画像是针对用户背景、动机、需求和产品使用说明的一种快速的，引起共鸣的速记。这些帮助我们专注于对用户最重要的事情，并在制定设计决策时全神贯注。因此，这些方法必须始终扎根于对用户的定性理解，并反映出驱动他们的原因和原因，它们不应基于不同人口统计或分析变量之间的（通常是可疑的）相关性。
用户画像并不是要事无巨细地记载每种可能的用户类型。而科学意义上的分类法，是根据大量的心理、人口统计学和行为变量进行整齐的分类，在考虑数十或数百种角色类型时做出设计决策将很快变得笨拙。用户画像的全部意义在于它们令人难忘，可操作且彼此不同 – 在这里它们是总结我们不同受众群体的主要需求，这样我们就可以很容易地回忆和理解他们。
团队可根据其所依据的研究数据，通过三种不同的方式来创建用户画像：
初级用户画像，一般是在没有任何研究的背景下建立的。是通过团队的经验（或是合理的猜想）并建立在已有的用户数据基础上，来判断产品的用户应该是怎样的。但实际上，大部分用户画像都仅仅是基于团队对用户的猜想。
一般初级用户画像通常是在包含团队以及主要利益相关者或客户的研讨**中创建的。，研讨**通常需要2到4个小时；每个参与者（使用一个简单的模板）创建自己的2–5个初级用户画像，然后与组共享。 小组讨论所有角色，并将各种属性组合，最终重新混合和编辑为3–6个原型性用户画像。
初级用户画像是在研讨**的情景下创建的，包含了简短的人口学描述，目标，痛点以及解决方案。
由于初级用户画像不需要调研得到，所以初级用户画像比较适合精益化的流程或是低成熟度的产品，或者可能不需要用到用户画像。
初级用户画像第二个重要的价值在于让团队对用户有一个大概的假想。一般来说，每个团队成员都对主用户有不同的设想，缺乏对主用户画像的对齐。这些杂乱无章的假设经常**使团队观点无法达成一致，所以将这些假想分类至少**确定一些共同的方向，即使结果并不能精确的适用于真实用户。
初级用户画像可以作为未来连续性研究的启蒙，后续可以继续通过其他研究验证（或者是修正原来的用户画像方向）。
很明显，初级用户画像没有研究支撑，他们一般不能精确的代表用户。可能**导致团队的设想反复出现差错。除此之外，如果团队发现用户画像的价值很低，通常就**出现消极的光环效应，转向其他交互协作活动。
对于大多数团队来说，创建人物角色的最佳方法是使用小到中等规模的样本进行可靠的探索性定性研究（比如采访用户），然后根据共享的态度、目标、痛点和期望对用户进行细分。
从采访5 – 30个用户开始（作为一个滚动样本，每组5个用户，直到你在每次新的采访中发现一些新的见解）。这些访谈可以是完全独立的部分，也可以标记在可用性测试或实地研究中。
这项研究将揭示你的用户关心的主要事情：他们的痛点，他们对你的产品的特性和行为的期望，他们来描述用你的产品完成任务，他们如何处理关键的工作流程，以及他们试图实现什么。拿着你的成绩单，把数据分成主要的主题（称为数据编码）。
然后分析部分包括寻找模式：你正在寻找的受访者在这些关键主题中的大部分（但不一定是全部）与其他受访者有重大重叠。与其简单地在你面试过的人之间寻找完美的匹配，不如寻找更广泛的模式。在你做这项工作的时候，向同事解释一下两者之间的联系是值得的。
例如，你可能**注意到（对于一个电子商务网站），多个受访者描述了在做决定之前查看了许多产品页面，而且这些受访者中的大多数还说他们将购物车用作比较候选产品的等待区。而受访者当中可能有许多不同的受访者怎么去回答其他问题：如使用不同的设备，他们买什么，他们的预算是什么等等。他们的相似之处可能**对您的团队有更重要的影响，所以你可能**创建一个角色，关注他们的相似之处（例如研究员购物者）
定性分析过程细致而详细，完整的操作方法**出了本文的范围。我们在“用户画像研讨**”中深入讨论了这个过程。
定性衍生的用户画像适合大多数团队，当考虑到创建角色所涉及的工作与其价值的关系时——它们需要很少的时间投入，UX团队可以在收集必要数据的同时进行其他工作。因为定性用户画像是基于用户数据的，所以它们是准确的，并且提供了关于用户动机、期望和需求的关键洞察，而这些洞察是无法从分析数据、人口统计信息或假设中获得的。
定性用户画像的最大缺点是：
因为它们不是基于大样本的，所以没有办法确定每个角色所代表的用户群体的比例（例如，您不能说Sandra这个认真的消费者是您用户基础的60%)。
也有可能是由于样本量较小，您无意中忽略了一些具有独特特征的用户，或者过多地表示了具有不寻常观点的异常值。
特别是在用户体验成熟度较低的组织中（对定性数据方法论没有很好的理解），您可能需要不断反驳定性角色“不科学”的说法。
工作量最大的用户画像创建是通过大量用户调查收集数据后再用统计分析的方法来找到相似回答的用户组。尽管我形容这些过程为统计性用户画像，但它们实际上是混合性用户画像，因为这是建立在定性和定量两种研究方式上的工作。
这种类型的用户画像事先需要一些探索性的定性研究来确定调查中应包含那些问题。因为并不存在普遍适用且同时能产出对你团队有效结果的用户调查问题，所以你必须对你的用户期望有足够的了解并且需要创建一个调查表来显示有用的内容。
尽管许多团队不用定性研究方法而是完全依靠人口统计和数据分析来创建用户画像，但我们仍不推荐这种做法，因为这将使得用户画像在用户体验决策中只能发挥有限的作用，即使分析数据能在较为宏观的层面上显示用户行为，可你仍然无法得知用户要完成的操作、原因、位置以及他们的感受。如果你不知道一个人做一件事的原因，那么你往往**对此做出错误的假设。
用户画像的本质意义是将你自己代入用户的角色从而能理解他们想要什么以及为什么，情景内容在这里是非常关键的，而人口统计和分析数据缺少这个。
对于定性用户画像，你可以根据定性研究中出现的主要主题再创建给许多人的调查，而不是根据他们的答案手动对相似用户进行聚类。 然后，你对调查数据进行统计分析，以将用户分为相似的组（因为他们倾向于对大多数问题提供相似的回答）。
它有效地消除了聚类过程中的人为偏见。但是，通过减少偏见而获得的收益可能**使你在批判性思考用户之间的相似性是否有意义方面失去了，而这正是统计性用户画像与它最大的不同。
创建统计性用户画像的第一步与定性用户画像相同：进行探索性定性研究以识别用户中反复出现的主要主题。之后基于此定性数据创建一个调查，使你可以大规模收集有关主要感兴趣主题的定量数据。至少对100名（理想情况下为500名或更多）受访者进行调查-统计分析技术在大样本量时效果更好。
然后使用统计聚类技术，例如潜在类分析（在这些调查通常收集的分类数据上效果很好，并且还可以很好地处理不完整的数据）、因子分析或K均值聚类，以便在调查数据中找到模式。
注意：这种分析中经常出现的模式对于设计人员而言可能并不是特别有意义，并且可能很难用这些分析来将用于对用户进行分类的标准说出来。
统计角色比其他方法具有优势的三个主要原因：
进行统计性用户画像的分工非常昂贵，耗时，并且需要统计分析方面的专业知识。 除非您可以联系统计学家或数据科学家，否则此方法不太可能取得成果，因此不建议使用。
此外，即使正确完成统计性用户画像后，还需要运行整个定性角色研究并进行所有统计分析。 此外，团队在完成所有统计工作并最终得出基于相同定性研究数据的与纯定性用户画像非常相似的结果并不少见。
在许多方面，这项技术就像使用液压机将核桃打碎一样。是的，你可以确定核桃的壳**被彻底打碎，但是在大多数情况下，这种方式的杀伤力很大，如果不小心操作，可能**造成混乱。
对于大多数团队而言，用定性方法创建用户画像是合适的，因为它提供了基于数据的扎实了解，了解用户是谁，他们想要什么，具有成本效益且相对较快。
原型性用户画像是极度精干的团队的一种选择，它们可以使团队成员对用户的假设一致。 它们非常适合那些根本不使用角色（或用户研究）的团队，并且可以作为进一步研究的门户。
统计性用户画像是拥有大量资源的团队的一种选择，但他们需要时间，精力，统计专业知识，并且要求团队无论如何都要从定性研究入手，从而有效地重复了工作。
本文由 @喵吉斯蒂 翻译发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于CC0协议
