
如何快速建立用户模型,辅助产品决策
用户模型目前还没有一个统一的定义,狭义地讲:用户模型是对网站目标群体真实特征的勾勒,是真实用户的虚拟代表。建立用户模型的目的是:尽量减少主观臆测,走近用户,理解他们真正需要什么,从而知道如何更好的为不同类型用户服务。
交互设计之父Alan Cooper提出了两种构建用户模型的方法:
传统用户模型:基于对用户的访谈和观察等研究结果建立,严谨可靠但费时。
临时用户模型:基于行业专家或市场调查数据对用户的理解建立,快速但容易有偏颇。
传统的用户研究方式,选取的因子比较全面,涵盖用户基本属性、行为特征等,要进行用户访谈、问卷等,得到的调研结果虽然比较准确,但花费的时间往往比较长。对追求小步快跑的公司来说,时间太宝贵了,等花费几个月得出报告时,可能就已经错失良机了。
所以,我们可以考虑建立临时用户模型。根据自己对用户的理解,挑选出最影响用户和产品的几个因子来做分析,快速建立用户模型,辅助产品决策。
快速建立用户模型的方法:
本文以“人人都是产品经理”为例来逐步说明如何快速建立用户模型。
1. 挑选合适的因子,划分用户群
因子:即建立用户模型时,用来划分用户群体的用户属性,如年龄、性别、收入、职业等。
挑选合适的因子
本次用研目的:了解“人人都是产品经理”非UGC用户的阅读偏好。选择因子:
划分用户群
当你选好因子后,需要对用户群进行一个简单的划分,这些用户群是进一步研究的基础。
在“人人都是产品经理”中,以“产品经验年限”把用户划分为4类:
划分出来后,看下结果是否符合自己的预期。如果不符合预期的话,需要不断地调整因子,直至划分出来的结果是自己预期的典型用户。如果你不太了解典型用户是哪些的话,可以问问周围的人,大致确定下典型用户的特征。
在这四类人群中,每一类都是一个用户群的代表,通过自己对用户群的了解或从身边找一些典型的用户,然后对号入座,就可以明显地看出这个用户群是怎么样的。
接下来,需要对划分的用户群进行逐个分析,加入一些相关的信息、行为特征等,比如:加入用户的职位、使用场景、目的等来丰富用户画像,进而搭建起用户模型。
2. 建立临时用户模型
第一类用户群:想从事产品方面的工作,实习或刚毕业的大学生,从其他岗位转到产品相关岗位的人。这类人群,逛社区的频次很高,哪里有好的内容就去哪里,主要是阅读类用户,不太自己创造内容,对社区没有形成强烈的忠诚度。
第二类用户群:从事产品相关工作1-3年的人,对产品、交互、运营等方面有一定的了解,正处于成长期,需要学习大量的知识打牢基础,拓展视野,部分人群已经对有些社区形成了一定的忠诚度,主要精力会集中在某一个或几个社区上,不会漫无目标的乱逛了。
第三类用户群:部分已经开始带个小团队做项目,比普通产品经理位高一级,BAT等大公司除外。这时的目标,主要是向着更高层次的权力中心迈进,在PM社区内,开始尝试分享经验,指导他人,为大家答疑解惑,主动创造内容,不太以阅读为主。
第四类用户群:产品相关工作干了5年以上,多数已经是产品总监或创业公司的CEO等,逛社区主要是为了自我营销、公司品牌营销、招人,提升在圈内的影响力等,比如各领域大V,基本不是阅读用户。
通过上面的分析,我们会发现,第三和第四类用户,基本已经对社区形成了一定的忠诚度,主动创造内容,吸引粉丝用户,往往已经是“人人都是产品经理”的一些意见领袖。
划分出这些用户群之后,我们要看看,哪些可能是未来的增量市场,是需要重点去抓的人群。“人人都是产品经理”的专栏作家已经非常多了,文章内容上已能足够支撑,那就需要把重点放在想要从事产品工作和刚从事产品工作不久的第一和第二类人群上,这两类人群,数量比较庞大,对PM社区的忠诚度还不够高,比较容易去争取。
本次用研目的,主要也是为了了解“人人都是产品经理”非UGC用户的阅读偏好,接下来,我们需要对这两类人群进行用户访谈,验证用户模型的可行性。
3. 用户访谈验证
由于临时用户模型,更多的是基于自己对用户的理解建立的,虽然快速但却容易形成偏差。所以,我们需要通过用户访谈来简单验证下。
用户访谈:是一种定性的研究方法,用于定位问题,挖掘问题背后的用户需求。通常有两种目的:发现真实问题、寻找正确方案。
用户访谈的步骤:
简单来说,用户访谈就是要:从浅入深,由表及里。
用户访谈的方法:
1)破冰。像聊天一样,生活化的提问,从简单问题开始铺垫,建立访谈氛围。
2)开放式地提问。比如:你觉得这个功能有哪些地方吸引你?而不是封闭式的问用户,你喜欢这个功能吗?
3)关注用户过去和现在的真实感受。以及用户的非语言信息,包括肢体语言,语音语调等。
4)一次只问一个问题。用户回答后,尝试连贯地追问,并重复确认自己是否理解用户的回答。
用户访谈的注意要点:
1)不要问过于开放、过于模糊的问题。比如:你觉得人人都是产品经理网站怎么样?模糊的问题可能得到的是用户模糊的回答,比如:很好啊。
2)避免带有倾向性的提问。比如:你喜欢这个功能吗?多多少少会对用户的回答产生暗示或影响。
3)倾听,不要随意打断用户。在被访者远离问题时,需要巧妙打断,引回话题。打断较常用的一种方式是:重复一次被访者的回答,表示认同,然后再重新提问。
4)关注用户遇到的问题,而不是用户的解决方案。很多时候,用户在给出答案时会直接说你这个功能应该怎么做,我们需要关注的是用户在使用这个功能中遇到的一些问题,以及造成这些问题的原因,而不是用户说怎么做就怎么做。
举个例子。
了解“人人都是产品经理”前两类用户的阅读偏好时,问题设计(仅供参考):
1)开场白,了解用户的基本信息,比如年龄、职位等。
2)您一般会在什么场景下阅读“人人都是产品经理”上的文章?(了解用户使用场景)
3)您重点关注哪些方面的内容?(了解用户阅读偏好)
4)您为什么逛“人人都是产品经理”呢?(探寻用户的目的)
5)您觉得哪些功能做的不太好?(了解产品可改进的方向)
6)您觉得还有哪些功能需要加进来?(了解用户对产品的未来期待)
7)为什么需要加入这些功能呢?(探寻需求背后的动机)
…
为了保护被访者的个人隐私,这里就不贴出他们的具体答案了。
4. 修正用户模型,辅助产品决策
通过和7位用户的具体访谈,基本验证上面的用户模型偏离性不是很大。
本次用研的分析结论如下。
1)无经验产品新人,主要阅读偏好为:
热点分析、竞品分析、需求分析、原型设计、产品设计。
对前辈的工作经历和经验分享的了解。
知晓一些该行业的名人,希望融入圈子。
希望了解如何学习产品知识的方法。
如何应聘产品岗位或顺利转岗。
2)从事产品相关工作1-3年的人,主要阅读偏好为:
用户研究、数据分析、产品策划、产品运营、心理学等。
跟自己目前工作内容有关的知识。
洞察用户心理:
在这两个阶段,用户更多表现出来的是求知欲、从众心理、懒人心理和寻求归属感。
要了解一个新领域,需要迫切学习到这方面的知识,有着极强的求知欲望;关注该领域的大咖,翻阅他们的文章以及了解大咖们都在关注什么,从众心理明显;想要尽快融入圈子,证明用户在寻找归属感;关注自己感兴趣的内容,其实用户是想可以高效找到自己需要的内容。
当用户为在职产品人后,就需要关注一些深入点的知识,扩展知识面和知识深度,目标感更强,对信息的筛选要求会更高,并已经建立了一定的个人圈子,更想结交更高层次的产品人。
表现出来的需求是:
希望可以快速获取对自己有价值的内容;
可以关注自己喜欢的大咖专栏;
有良好的社区氛围;
结交更多志同道合的人一起交流学习等。
可满足需求的功能:
测试阅读口味、个性化定制,分类、搜索,热门文章排行榜,关注功能,问答版块等。
5. 总结
重申一次快速建立用户模型的步骤:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29