用户画像方法与案例——从具象到抽象

象的个性描述，再到抽象应用，如下图所示：

一、群体定量统计分析

做用户画像的基础，是通过数据对海量用户有一个初步的了解，一般采用用户数据提取分析与问卷调研两种方式进行，根据产品目标确定统计分析的维度指标。

分析的维度，可以按照人口属性和产品行为属性进行综合分析，

人口属性：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯等；

产品行为：产品类别、活跃频率、产品喜好、产品驱动、使用习惯、产品消费等；

以下是腾讯开放平台的一些产品用户属性，年龄与性别的交叉分析，付费用户与年龄的交叉分析。无论是后台数据分析还是用户问卷调研，都需要进行研究的效度与信度论证，保证数据尽量准确可用。

做问卷调研，需要做多少份问卷呢？一般是4000份以上，这个时候的抽样置信区间可以达到99%，错误率幅度在2%左右。如果保持错误率2%的水平，置信水平95%，那么问卷数量可以下降

到2500份。需要注意的是一般我们回收问卷，还会通过答题完整性、一致性等多项标准剔除无效问卷，所以回收问卷尽量高于标准数量的10%。

案例：页游用户年龄与性别分布

数据来源：2013年腾讯开放平台白皮书

案例：付费用户年龄分布

数据来源：2013年腾讯开放平台白皮书

这本白皮书还是有不少用户数据可以供大家参考，有兴趣的同学可以去腾讯开放平台下载

：/

二、具象的定性个体描述

也就是创造人物角色，这里先说一个概念：Persona。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”，是在上面的海量数据分析基础上，进行具象化得到一个的虚拟用户。

有兴趣了解AlanCooper的可以去他的Google+主页看看。

链接：https:///101097598357299353681/about

他的个人简介是：I’m a software guy. I invented personas. T hey call me “T he Fatherof Visual Basic”. I’m also the proprietor of Monkey Ranch, a former dairyfarm in Petaluma CA.

PERSONA的含义

P 代表基本性（Primary research）指该用户角色是否基于对真实用户的情景访谈

E 代表移情性（Empathy）指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引起同理心。

R 代表真实性（Realistic）指对那些每天与顾客打交道的人来说，用户角色是否看起来像真实

人物。

S 代表独特性（Singular）每个用户是否是独特的，彼此很少有相似性。

O 代表目标性（Objectives）该用户角色是否包含与产品相关的高层次目标，是否包含关键词来阐述该目标。

N 代表数量（Number）用户角色的数量是否足够少，以便设计团队能记住每个用户角色的姓名，以及其中的一个主要用户角色。一个产品，一般最多满足3个角色需求。

A 代表应用性（Applicable）设计团队是否能使用用户角色作为一种实用工具进行设计决策。

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，例如：一些个人基本信息，家庭、工作、生活环境描述，赋予一个

名字、一张照片、场景等描述，就形成了一个具象的典型用户画像。人物角色一般会包含与产品使用相关的具体情境，用户目标或产品使用行为描述等。为了让让用户画像容易记忆，可以用具体的名字、标志性语言、几条简单的关键特征进行描述。一个产品通常会设计3～6个角色代表所有的用户群体。

譬如下面就是我们去年做YY用户画像的一个案例：

具象的用户画像作用

理解用户。人物角色是海量用户“打包”后的研究结果，是用户研究结果的生动呈现方式，是用户心里模型好的载体，可以让产品经理、设计师进行方便的换位思考。

提高沟通效率。由于人物角色是用户研究结果的具象化，它不但生动，而且代表着用户真实的目标和动机等信息，基于统一用户认知基础的沟通，可以大大提高团队的沟通效率。

设计依据。人物角色，让设计师找到了“以用户为中心的设计”的着力点——“用户”，在团队成员间对设计方案存在分歧时，可以依据“人物角色”来选择最佳的设计方案。

三、数据建模与产品应用

用户研究的价值，最终还是要体现在产品的应用上。

一方面是产品经理、设计师在进行视觉设计、交互设计等方面进行参考。另一方面，更重要的是将用户角色落实在在实际的产品中，用数据做产品在当前热议大数据的时代越来越受到重视。

数据建模的方法太多了，神经网络、遗传算法、蒙特卡罗算法、聚类分析、关联算法等等。在

目前的产品应用中，最常见的是用户分类、各种推荐算法、防流失模型等。这里我们举几个常见的案例。

案例一：英雄联盟对新用户的类别划分

新玩家进入游戏后，不同的游戏水平，将会有不同的引导体验。

我是新手：刚开始接触战略游戏和英雄对战游戏。

我玩RT S：玩过一些即时战略游戏，但是并非高手。

我玩MOBA：玩过MOBA类游戏，知道打钱、杀人、推塔、拆基地。

大师你懂吗：团队顶梁柱，反黑主力军，打辅助也能杀超神，没有什么能比你更强力。

案例二：QQ音乐猜你喜欢

，这个案例，是当年在腾讯ISD团队时候经常打交道的O胖、春哥等哥们的作品，从歌手、专辑、单曲三个维度，融合离线计算与在线实时推荐机制进行设计与开发。

以下也是某音乐产品的推荐逻辑：

案例三：流失预警模型决策树算法

参考文章：《T he origin of personas》，Alan Cooper

链接地址：/journal/2008/05/the_origin_of_personas

#专栏作家#

Blues，微信公众号：BLUEMIDOU，人人都是产品经理专栏作家，迅雷产品总监，原YY语音、腾讯高级产品经理。具有十年产品经验，多年产品讲师经验。著名自媒体人，WeMedia自媒体联盟成员，十佳自媒体人之一。擅长产品策划、产品运营、数据分析、用户研究、行业分析等。

本文原创发布于人人都是产品经理，未经许可，不得转载。

人人都是产品经理（）中国最大最活跃的产品经理学习、交流、分享平台