京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | CDA数据分析师
如果说有什么 能力是产品经理最需要具备的核心能力,那么答案一定是“了解用户”,而要说如何体现产品经理对用户了解的程度,那一定是能输出一份合格的用户画像。
作为一个产品经理,我们总是希望自己做的产品能够很好的满足用户的需求。但是每个人都受限于自己对于事物的认知,可能会导致对用户的理解出现偏差。
尤其是当团队里每一个人都把自己当做用户,以自己对于产品的理解当做用户对产品的理解来定义需求,就容易出现所谓的“弹性用户”,每个人都说是为了用户体验着想,但这样定义出来的用户显然不是产品真实的用户。
所以用户画像这个工具就出现了,它是一些真实用户构建出来的原型,用来帮助产品设计人员有针对性的制订产品功能,服务策略,销售策略,从根本上来讲,用户画像是就是帮助产品经理了解用户的。
但我们构建出来的用户画像真的能够帮助到我们吗?我们来看一个常见用户画像的例子:
在这个用户画像中,我们看到有用户的一些年龄、性别、学历、婚姻状况等基本信息和工作信息,还有用户的一些特点和目标,感觉很完善了。
现在这个用户处于无房无车的状态,那么问题来了,假设我现在是一个卖车的商家,我应该给她推荐什么样的车?
也许你会说,她比较文艺,那么应该给她推荐带有文艺气息的车。
也许你会说,她注重享受,那么应该给她推荐配置豪华的车。
也许你还会说,她没车的同时也没房,那可以给她推荐个房车,同时解决了房和车的问题。
于是在有用户画像的情况下,“弹性用户”依然出现了,那么问题到底出在哪呢,这个用户画像为什么不能帮助我们作出正确的决策呢?
用户画像最早是由Alan Cooper在提出的,在经典的著作《About Face》中有专门的一个章节是讲用户画像,他在书中提到用户画像的核心是观察用户,把观察到的行为的一些独特的方面列出来,形成一个行为变量集。
虽然说人口变量(比如年龄、性别、学历、地理位置)等等因素对于行为也有一定的影响,但是这种影响并不能构成用户与用户之间差异化的核心。真正形成差异化核心的是用户的行为,更深入的来说,是用户行为背后的动机。
所以这就是为什么上面那个用户画像没办法帮助我们做一个卖车的策略,因为它并没有告诉我们当用户买车的时候,主要考量的因素是什么,是价格,品牌,还是其他的因素。
常见的用户画像错误还有描述用户生活中的一天,因为通过观察用户一天的行为只能观察到他做了什么事情,而不能观察到他做这件事情的动机是什么,尤其是对于买车这样决策周期很长的事情来说,观察用户某一天的生活其实意义并不大。
这里我们就要讲解一个概念,叫考量度。什么是考量度呢?它是指用户在做一个决策之前,所需要思考的程度,从思考的多少可以分为高、中、低三个考量度等级。
举个例子来讲,买房对于绝大多数的国人来讲都是一件大事,需要慎重考虑而不是随随便便就作出决策,在真正见到销售人员之前,用户可能已经经过多方面的考察,比如地段,价格,配套等等因素。至少60%的决策都是在见到真正的产品之前就已经完成了的,这种用户经过了深入的自我剖析,可以明确的知道甚至说出自己决策的依据是什么的产品,我们称之为高考量度的产品。
而低考量度的产品则相反,它是一种用户在无意识的情况下作出的决策,例如刷新闻feed流的时候,是看这一条新闻还是看那一条新闻,或者点外卖的时候是吃这个菜还是那个菜,让用户说出这个决策的依据可能很难说出来,这种产品我们称之为低考量度产品。
中考量度产品则介于两者之间,用户在看到产品之前可能并不知道自己具体想要一个什么,只有一个大概的选择范围,但是当看到了产品之后,就会有那么一个产品特性触动用户,让用户做出了购买的决策,并且在事后用户也可以说出是什么因素导致了购买的行为,这种产品我们称之为中考量度产品。
根据产品自身的属性分清楚了是哪种考量度的产品之后,我们才可以知道我们要如何才能构建我们的用户画像,对于中高考量度的产品,因为用户可以明确的说出促使自己购买的决策,所以适合于用定性访谈的方式来了解用户的决策动机。
而对于低考量度的产品,用户的偏好很难把握,也可能随时会变。这种产品则不适合于用访谈的方式,而是应该通过大数据标签统计来进行建模分析,实时的分析用户的偏好,然后通过AI算法智能推荐给用户喜欢的商品。
低考量度的用户画像涉及到AI特征工程,我会在另外的文章来做讲解,这篇文章主要讲中高考量度的产品如何构建用户画像。
我们刚刚已经知道了对于这类的产品,最好的方式是通过定性访谈来确定用户的决策动机,而具体的访谈问题,可以从如下5个角度来进行设计,这5个问题是这样的:
我们来看一个实际的例子,起点学院希望构建培训学员的用户画像,于是对学员进行了访谈,学员描述如下:
我是化工专业毕业,有两年传统制造业经验,希望转产品经理是希望能进入朝阳行业,未来获得更高的职业高度,去做那个设计方案解决用户痛点的人。
确定了目标之后,接下来的问题就是如何成为一名产品经理。对于转行的同学来说,转行意味着降薪、零经验,比别人要付出更多的努力。
对于要转行的我来说,如何才能快速入行做产品经理呢。 首先要了解产品经理需要具备的能力,其次要知道怎么样培养相应的能力,通过招聘网站可以查到产品经理需要具备的能力,针对这些能力进行自测,看看目前还有哪些能力欠缺。而我目前最欠缺的是如何提升自己的能力以及产出一份可以用于应聘的作品。
一般而言有两种方式,自学和参加专业的培训,我先试了自学但是找不到方向,学习周期长,也难以有大佬进行指导,最关键的是容易放弃。
综合考虑之后还是决定选择起点学院的产品经理特训营,一来有BAT的产品大咖亲自指导,可以快速系统性构建产品知识体系;二来课程着重培养思维,产品实战作业还有老师亲自指导纠错,最终会产出可用于找工作的作品集。
通过这段访谈,我们可以提炼出一些关键的描述,例如用户的优先动力是获得更高的职业高度,可知的障碍是担心缺乏实战经验,没有作品集,学习不够系统,而决策的标准是希望能快速构建系统的知识体系。
我们对号入座的把用户说的话和五个问题一一对应起来,用概述性语言来总结用户的描述,这样就形成一份用户画像:
那么接下来的产品设计和运营,就可以围绕这份用户画像来进行。
针对的用户目标人群可以确定为那些在职业上缺乏突破,希望获得更高职业高度的人群。针对这部分用户人群进行营销,在投放的渠道上可以考虑通过招聘网站的产品经理岗位JD的广告位。
在广告的设计中,重点放在两个方面,一是打消用户的可知障碍,转行并不一定意味着降薪,并且通过培训这种系统的学习,可以节省大量的自学时间。二是针对用户的决策标准突出自己的优势:大咖指导,注重培养思维,有实战作业老师指导和能产出作品集。
在课程的设计上,着重对于产品思维的培养,并且加强对于学员的一对一指导,让学员产出能用来找工作的作品,实现用户对于转行的期望,真正做出贴合用户需求的产品。
我们通过上面的一次访谈案例产出了一份用户画像,但因为产品性质的不同,有些产品用户与用户之间会有很多的差异,考量的点也不尽相同。例如企业SaaS服务产品中可能涉及到很多角色,购买者,决策者,管理者,实际使用者都有各自的考量。
即使是用户群体在人口结构上类似,用户群体之间因为价格因素,用途因素等等的考量度也有很大的差异,例如汽车之家对于购车用户的画像分类,其中我标注红框的部分是关键的考量因素:
所以用户画像的个数并没有绝对的定义,而是需要根据用户的考量要素来进行归类,如果发现用户考量的点完全不同,则可以归类为不同的用户画像,而如果用户的考量要素绝大多数相同,只有小部分考量要素不同,则可以合并为同一个用户画像。
通过定性的访谈构建出用户画像之后,就可以通过问卷来进行定量研究,验证用户画像的真实性,将用户画像五个维度的要素作为问卷的问题,将画像的考量点关键词作为问题的选项,一份定量调查问卷就设计完成了。
通过回收问卷的数量,可以分辨出哪些画像是我们重点的用户人群,哪些画像是次要用户,以及哪些画像是非用户。
我们搞清楚了如何做用户画像之后,接下来就是去找到对应的用户进行访谈了,但是我们具体要访谈什么样的用户,什么样的用户是我们访谈的重点,什么样的用户又不适合去进行访谈呢,我们在这里对用户类型做5个归纳,分别是:
对于第一类用户,因为他们已经选择了我们的产品,我们已经可以把他们称之为客户了,这类人群可以可以进行访谈,通过对他们的访谈可以知道我们做对了什么事情让用户选择了我们,强化我们的优势,并且他们可以帮助我们发现产品的问题点,让我们做得更好,但对于一款中高考量度的产品来说,通常来讲决策周期比较长,且复购率较低,他们并不是我们访谈的重点对象。
对于第二类考虑了我们但是却选择了竞品的人,这类用户是最具有访谈价值的用户,他们能告诉我们到底做错了什么事情导致我们明明已经在用户选择的范畴里但是最终获胜的却是竞品。只有直面失败才能知道自己的薄弱项在什么地方,并不断的从失败中迭代升级,在激烈的市场竞争中获胜。
第三类用户考虑了我们但决定维持现状,什么决策都不做,在实际的工作中,这类用户很难找到,也不是我们访谈的重点。因为在目前这个阶段,用户的需求可能还不是一个痛点,而只是痒点,缺少对于自己内心诉求的探索过程,还需要更多的因素来吊起用户的兴趣。
但是这只是说这类用户目前还不适合访谈并构建用户画像,并不是说产品经理在用户处于这个阶段的时候就可以什么都不做了,我们可以利用经典的消费者行为学AIDMA模型,识别用户目前所处的决策阶段,然后针对性的做一些刺激,引导用户向下一个阶段进发,关于这一块不属于用户画像的内容,这里就略去不表。
第四类用户是未考虑我们而直接选择了竞品的用户,出现这类用户的原因可能有两个:
一个可能是用户所在的渠道没有覆盖到,可以通过访谈的方式询问用户是如何知道竞品的来发现这些渠道,增大自己的宣传力度;另一个可能就是竞品可能形成了什么核心竞争力是目前的我们还不具备的,当出现这种现象的时候,就要评估我们自身具备的资源,是跟进竞品的做法提高自己的竞争力,还是调整方向与竞品进行差异化的竞争。
第五类用户是正在考虑我们但还没有做决定的人,这类人不要去访谈他们,因为这时候进行访谈很有可能对用户的决策造成干扰,影响最终的销售。
除了这五类用户之外,对于中高考量度的产品而言,最终的决策通常有多个干系人,例如像儿童教育这种典型的购买者与使用者分离的产品,实际的使用者是孩子,购买者通常来讲是父母,但是孩子的爷爷奶奶,叔叔阿姨都有可能成为决策的干系人,这类不直接购买和使用,但是对于用户的决策有极大影响的人也是我们访谈要考虑的对象。
在访谈之前,最好了解被访谈者的基本信息,这样才能有针对性的进行发问,在1939年举世闻名的电影《飘》正在美国放映时,女主角费雯丽从英国飞抵美国,结果一个萌新记者问到:“你在《飘》中扮演什么角色”,得到的回答是:“我无意同你这样无知的人交谈”,这就是访谈前没做好准备的反例。
最好用的访谈工具是录音,因为访谈一般会持续较长的时间,把访谈的过程录下来方便事后整理,并且在访谈的过程中也可以不用分心去做记录,而是专注于和用户的沟通。
当然在进行录音之前需要先征求用户的同意,如果不同意的话,建议是找个伙伴一起参加访谈,一人谈话一人记录,分工合作。
模仿优秀的访谈是最快速提高访谈技巧的方法,这里推荐大家可以看一下鲁豫、杨澜、白岩松等名嘴的访谈录,学习他们是如何打开话题,并且如何从对方的回答中找到能够将话题进一步深入下去的措辞。
另外还可以学习一下冷读术的谈话技巧,可以帮助你快速获取被访谈者的信任,产生共鸣。
用户画像,实际上是通过了解用户做选择的标准,来帮助我们更好的设计产品,就像诺贝尔文学奖得主阿尔伯特·加缪说过的那样:生活是你所有选择的总和。
你无法说服你的用户,只有用户自己作出的选择才可以说服自己。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27