
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
前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08CDA 数据分析师:解锁数据价值的专业力量 在当今这个数据爆炸的时代,数据已成为像石油一样珍贵的战略资源。而 CDA 数据分析师, ...
2025-08-08SPSS 语法使用详解 在当今数据驱动的时代,SPSS( Statistical Package for the Social Sciences)作为一款功能强大的统计分析软 ...
2025-08-07SASEM 决策树:理论与实践应用 在复杂的决策场景中,如何从海量数据中提取有效信息并制定科学决策,是各界关注的焦点。SASEM 决 ...
2025-08-07CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-07大数据时代对定性分析的影响 在大数据时代,海量、多样、高速且低价值密度的数据充斥着我们的生活与工作。而定性分析作为一 ...
2025-08-07K-S 曲线、回归与分类:数据分析中的重要工具 在数据分析与机器学习领域,K-S 曲线、回归和分类是三个核心概念与工具,它们各 ...
2025-08-07