创建定性用户画像

简介:

在产品研发过程中,确定明确的目标用户至关重要。不同类型的用户往往有不同甚至相冲突的需求,我们不可能做出一个满足所有用户的产品。

为了让团队成员在研发过程中能够抛开个人喜好,将焦点关注在目标用户的动机和行为上,Alan Cooper提出了Persona这一概念。“赢在用户”这本书将其翻译为“人物角色”,在腾讯我们习惯了使用“用户画像”这个术语。表达的意思一样,是真实用户的虚拟代表,是在深刻理解真实数据的基础上得出的一个的虚拟用户。我们通过调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予一个名字、一张照片、一些人口统计学要素、场景等描述,就形成了一个用户画像。

Cooper同时也指出,不能为超过3个以上的用户画像设计产品,否则相互冲突的需求就会让我们难以决断。当我们有多个用户画像时,我们需要考虑用户画像的优先级,在产品设计时,首先考虑满足首要用户画像的需求,然后在不冲突的情况下尽量满足次要用户画像的需求。当然,当一个产品非常复杂时,我们可能需要针对不同的模块来考虑其用户画像的优先级,比如,一个综合购物网站中,某个女性角色在女装版块是首要用户画像,但是在男装版块上就成了次要用户画像了。

最佳做法是在产品研发的初期就进行细致的调研并创建产品的用户画像,然而,在实际操作中,很多时候大家可能会觉得某个产品可以做就去做了,产品推出之后发现实际的用户与先前设想的用户存在比较大的偏差,而基于先前设想的用户所设计的产品架构却很难承载实际用户的需求。此时首要工作仍然是定义好产品的目标用户。

如何创建用户画像呢?下面以我所负责的一款企业产品为例,来讲述用户画像的创建过程,希望和大家一起交流经验。在这个项目中我们通过定性研究创建了用户画像。当然如果必要,大家也可以在后期再通过定量研究对得到的用户画像进行验证。然而,即使要创建定量用户画像,前期充分的定性调研也非常重要,在对聚类分析结果的解读或参数的调整中,对用户的充分理解可以帮助我们创建出有意义的用户画像。

用户画像的创建可分为以下几个步骤:

研究准备与数据收集
和所有研究一样,首先我们要确定被访用户类型、设计研究方案和调研提纲。
首先出现的问题是:我们要找谁进行调研。由于调研的目的是创建用户画像,所以,我们应该尽可能的调研最大范围的不同用户。通过与不同部门的同事进行脑暴找出可能的各种用户类型,我们可能会得到一个条件列表,或者一个如下的用户矩阵,然后就可以根据这些条件去邀约用户了,每种类型调研3个。不过用户的选择应该灵活一点,如果我们在调研过程中发现遗漏了某种类型的用户,那么增加这种类型;又或者我们在调研了20家企业之后,发现没有什么新的信息出现,那么可以取消剩下的调研。

此外,在选择调研对象的时候,除了产品实际的使用者之外,我们不要遗忘掉其他的一些利益相关者。比如,购买家用清新剂的是妻子,但是丈夫和孩子对气味的喜好也会影响妻子的购买决策;企业老板可能不使用或很少使用某个产品,他却是最终购买决策的关键人物之一。所以这些人都应该纳入到我们的调研范围。对于企业产品来说,经销商也是我们非常重要的调研对象。

采用何种研究方法,主要根据研究目的、项目时间和经费等进行综合考量。比如,我们的团队对企业用户的商业模式、使用场景等都不太了解,所以我们尽可能进行实地走访收集一手资料,而由于项目时间的限制,对上海地区以外的企业,我们用电话调研的形式代替。

区分不同用户类型的关键点在于用户使用产品的目标和动机、过去/现在/未来的行为,而不是性别、年龄、地区等人口统计学特征。调研提纲是根据不同产品的实际情况来设计的,在我们这个项目中,主要包括以下四个方面的内容:

数据收集是一个技术性很强的工作,主持人的技巧和经验会影响到收集到信息的数量和质量,有很多介绍研究技巧的文章和书籍,在这里就不再赘述了。

亲和图
亲和图(Affinity Diagram),把大量收集到的事实、意见或构思等定性资料,按其相近性进行归纳整理的一种方法。

通过前面阶段的数据收集,我们收集到了大量数据,如何在数据分析的过程中让多人参与,同时又不会遗漏掉数据呢,亲和图此时就非常合适,该方法的优势在于让大量定性信息的分析过程可视化,便于大家协同工作和统一认识,同时,产出的亲和图可以方便地作为下阶段讨论的数据依据。

首先用户研究工程师将收集到的关键信息做成卡片,然后邀请相关同事一起来参与亲和图的制作和讨论过程。我的经验是参与亲和图制作的人最好参与了之前的数据收集过程,同时人数控制在3人以内。一开始我们有5个人参与,其中2人对前期调研并不了解,所以当他们面对这些卡片的时候会无从下手,人数过多,也会在达成一致意见时耗费过多时间。一张卡片上只写一条信息,内容包括人+目标/行为/遇到的问题。比如下面这个例子,C06 U01是对被访企业和用户的编号,方便我们查阅原始记录。为了方便记忆,也可以将企业名字直接写在卡片上。

在开始进行卡片整理之前,我们可以先凭借印象,假设几种用户类型和他们的特点,然后,在墙上将类似或相关的卡片贴在一起,然后对每组卡片进行描述,描述写在不同颜色的便利贴上。接下来继续进行更高层次的汇总,同时移动或重新组织,直到形成最终的亲和图。这里有一个经验可以分享,企业或个人的基本信息不用做成卡片,可以打印出来人手一份,在讨论和分组的时候作为参考即可。最后形成的亲和图如下:

用户画像框架
通过亲和图,我们已经确定了几种企业类型,以及企业中的个人用户类型。接下来我们可以将这些企业和个人的重要特征描述出来,形成用户画像的框架。在这个步骤,我们不需要加入描述性的细节,只需要将重点内容罗列出来;基本信息可以用范围来描述,比如员工数可以写成“20人以下”,具体人数可以在下一步用户画像中进行定义。
这个步骤的目的主要是在最终用户画像输出之前,可以迅速地和团队其他人进行讨论,并收集反馈。

优先级排列
接下来要做的,就是和产品、市场、以及各组leader一起来完成用户画像的优先级排序工作。确定用户画像优先级时,我们可以主要从以下几个方面来考虑:
(1) 使用频率
(2)市场大小
(3)收益的潜力
(4)竞争优势/策略等

用户画像
最后一步,完善用户画像。我们需要做的事情主要是:
(1)结合真实的数据,选择典型特征加入到用户画像中
(2)加入描述性的元素和场景描述,让用户画像更加丰满和真实
(3)将用户画像框架中的范围和抽象的描述具体化,比如,将员工数“20人以下”改成“15人”
(4)让用户画像容易记忆,比如用名字、标志性语言、几条简单的关键特征描述,都可以减轻读者的记忆负担

经验和可改进之处
由于是企业产品,为了便于大家在宏观上确定什么样的企业是我们主要的目标用户。当时的做法是按企业类型定义了三个企业用户画像,然后每个企业中再定义典型的个人用户画像。但是在进入到细节的设计阶段时,我们更多需要考虑的是具体使用者对这个功能的需求,我们可能发现不同企业用户中的个人用户画像可能会存在相似性,比如我们有企业A和企业B这两个企业用户,企业A中有A1和A2两个个人用户,企业B中有B1、B2和B3三个个人用户,可能A2和B2很相似,这时我们可以对这些个人用户画像进行再整理,根据企业用户画像的优先级,来定义所有个人用户画像的优先级。

仅仅把用户画像创建出来,而没有让其参与到产品设计开发、推广运营等决策中去,是没有意义的。用户画像在团队中的推广至关重要,项目中我们主要是通过前期加大团队成员的参与,中期邀请团队成员一起参与用户画像的创建,以及后期组织大的分享和讨论会来将让大家认识并认同用户画像。项目结束时,取得了很好的反响。不过,随着产品开发紧锣密鼓的进行、人员的变动、新人加入,时间一长,大家对于目标用户的认识和想法又会产生差异。所以,我们目前在团队中开展定期走访用户的活动,鼓励大家持续地走进用户,并将他们的所见所闻进行分享,这样来不断强化和统一团队对于目标用户的认识,同时可以及时感知市场和用户的变化,保持用户画像的更新和生命力。

  • (本文出自Tencent CDC Blog,转载时请注明出处)
目录
相关文章
|
4月前
|
编解码 算法 数据挖掘
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
【数据挖掘】聚类趋势估计、簇数确定、质量测定等评估方法详解(图文解释 超详细)
46 0
|
数据采集 机器学习/深度学习 人工智能
大数据分析案例-用RFM模型对客户价值分析(聚类)
大数据分析案例-用RFM模型对客户价值分析(聚类)
992 0
大数据分析案例-用RFM模型对客户价值分析(聚类)
|
数据采集 算法 搜索推荐
【干货】RFM分析与客户聚类
关注公众号“达摩院首座”,了解开发者最真实生活
942 0
【干货】RFM分析与客户聚类
|
1天前
|
数据可视化 安全
游客森林公园游憩需求调查数据回归模型和可视化分析
游客森林公园游憩需求调查数据回归模型和可视化分析
|
2天前
|
机器学习/深度学习 数据采集 供应链
从数据到决策:scikit-learn在业务分析中的应用
【4月更文挑战第17天】本文探讨了scikit-learn在业务分析中的应用,包括数据预处理、分类、回归和聚类模型的构建,以及模型评估与优化。通过使用scikit-learn,企业能有效处理数据、预测趋势、客户细分并制定决策,从而提升经营效率和市场策略。随着机器学习的发展,scikit-learn在业务分析领域的潜力将持续释放,创造更多价值。
|
6月前
|
机器学习/深度学习 存储 算法
数据分类分级-结构化数据识别与分类的算法实践
本文分享了用九智汇数据分类分级产品开发过程中,对数据识别和数据分类中涉及的算法进行抽象、融合,以形成标准化产品所做的努力和积累的经验。当然,算法只是分类分级产品的一小部分,整个产品设计,工程实现,也是支撑标准化产品的关键,但是限于作者水平有限,本文只讨论算法相关的话题,欢迎大家关注公众号以了解更多信息。
89 1
|
6月前
|
机器学习/深度学习 自然语言处理 数据挖掘
向量召回:深入评估离线体系,探索优质召回方法
向量召回:深入评估离线体系,探索优质召回方法
向量召回:深入评估离线体系,探索优质召回方法
|
9月前
|
机器学习/深度学习 数据可视化 TensorFlow
【2023年最新】提高分类模型指标的六大方案详解
【2023年最新】提高分类模型指标的六大方案详解
187 0
|
10月前
|
数据可视化 数据挖掘 Serverless
数据挖掘|R-相关性分析及检验
数据挖掘|R-相关性分析及检验
185 0
|
机器学习/深度学习 数据挖掘
数据分析:5个数据相关性指标
相似性度量是许多数据分析和机器学习任务中的重要工具,使我们能够比较和评估不同数据片段之间的相似性。有许多不同的指标可用,每个指标各有利弊,适用于不同的数据类型和任务。
203 0