作者 | CDA數(shù)據(jù)分析師

前言

用戶畫(huà)像又稱用戶角色，作為一種勾畫(huà)目標(biāo)用戶、聯(lián)系用戶訴求與設(shè)計(jì)方向的有效工具，用戶畫(huà)像在各領(lǐng)域得到了廣泛的應(yīng)用。用戶畫(huà)像最初是在電商領(lǐng)域得到應(yīng)用的，在大數(shù)據(jù)時(shí)代背景下，用戶信息充斥在網(wǎng)絡(luò)中，將用戶的每個(gè)具體信息抽象成標(biāo)簽，利用這些標(biāo)簽將用戶形象具體化，從而為用戶提供有針對(duì)性的服務(wù)。

用戶畫(huà)像是一種目標(biāo)用戶的人物原型，它不僅可以快速了解用戶的基本信息并快速歸類(lèi)，并且可以進(jìn)一步精準(zhǔn)地分析用戶行為習(xí)慣和態(tài)度偏好。用戶畫(huà)像雖然是用戶的虛擬代表，但必須基于的是真實(shí)用戶和真實(shí)數(shù)據(jù)。

1、明確研究目的

嘗試去做一個(gè)用戶畫(huà)像，往往是基于以下情景：

• 確定目標(biāo)用戶，將用戶根據(jù)不同特征劃分不同類(lèi)型，確定目標(biāo)用戶的比例和特征；
• 統(tǒng)計(jì)用戶數(shù)據(jù)，獲得用戶的操作行為、情感偏好以及人口學(xué)等信息；
• 根據(jù)目標(biāo)用戶確定產(chǎn)品發(fā)展相關(guān)優(yōu)先級(jí)，在設(shè)計(jì)和運(yùn)營(yíng)中將焦點(diǎn)聚焦于目標(biāo)用戶的使用動(dòng)機(jī)與行為操作；
• 方便設(shè)計(jì)與運(yùn)營(yíng)，據(jù)用戶畫(huà)像提供的具體的人物形象進(jìn)行產(chǎn)品設(shè)計(jì)和運(yùn)營(yíng)活動(dòng)，也比僅有模糊的、虛構(gòu)的、或是有個(gè)人偏好的用戶形象更為方便和可靠；
• 根據(jù)不同類(lèi)型用戶構(gòu)建智能推薦系統(tǒng)，比如個(gè)性化推薦，精準(zhǔn)運(yùn)營(yíng)等等。

從用戶畫(huà)像的使用情境也可以看出，用戶畫(huà)像適用于各個(gè)產(chǎn)品周期：從潛在用戶挖掘到新用戶引流，再到老用戶的培養(yǎng)與流失用戶的回流，用戶畫(huà)像都有用武之地。

2、明確研究方法

采用定性的方法（如，深度訪談、焦點(diǎn)小組）或定量的方法（如，定量問(wèn)卷、行為日志數(shù)據(jù)）都能夠完成用戶畫(huà)像的構(gòu)建，不同的方法各有優(yōu)缺點(diǎn)：

但是，不論是選擇定性還是定量的方法，都首先需要對(duì)用戶類(lèi)型有一個(gè)基本“量”的了解，否則在選用樣本時(shí)就會(huì)產(chǎn)生偏差。那么如何通過(guò)定量的方法（聚類(lèi)）構(gòu)建用戶畫(huà)像呢？

3、確定目標(biāo)維度和數(shù)據(jù)

選擇那些指標(biāo)？

用戶指標(biāo)的選擇，可以是封閉性的，也可以是開(kāi)放性的。在封閉的指標(biāo)中，用戶群的類(lèi)型是固定的，所有用戶類(lèi)型構(gòu)成了全部的用戶整體，比如輕度用戶、重度用戶；男性用戶，女性用戶。但是這種劃分方式維度可能過(guò)于單一，無(wú)法體現(xiàn)用戶群的復(fù)雜性，并且不利于指標(biāo)體系的補(bǔ)充改進(jìn)和迭代，因此在研究中我們更傾向于采用開(kāi)放性的分類(lèi)方式，可以根據(jù)不同應(yīng)用場(chǎng)景變更或者拓展指標(biāo)。

開(kāi)放式的指標(biāo)體系包括用戶人口屬性、行為操作屬性、態(tài)度偏好屬性、用戶價(jià)值屬性等，用戶的行為和態(tài)度是不斷變化的。

其中，注意一點(diǎn)，封閉式指標(biāo)中的人口屬性指標(biāo)是相對(duì)穩(wěn)定的靜態(tài)數(shù)據(jù)。通常，從我們的經(jīng)驗(yàn)和掌握到的用戶信息，我們對(duì)用戶的年齡結(jié)構(gòu)、性別比例都已經(jīng)明確，如果在聚類(lèi)中人口屬性指標(biāo)對(duì)聚類(lèi)干擾較大（共線性較強(qiáng)），或在模型中作為因子影響過(guò)高，可以在聚類(lèi)時(shí)重點(diǎn)關(guān)注用戶的行為操作和態(tài)度偏好等指標(biāo)，聚類(lèi)成功之后再比較每一種用戶類(lèi)型的人口學(xué)背景信息等。

如何獲得和篩選數(shù)據(jù)？

在確定指標(biāo)后，我們需要確定指標(biāo)的來(lái)源。有些數(shù)據(jù)是后臺(tái)行為日志可以記錄到的，有些是需要用問(wèn)卷調(diào)查的。一般而言，行為層面的指標(biāo)可以用后臺(tái)日志，更加準(zhǔn)確。而態(tài)度層面的則要用問(wèn)卷來(lái)獲取。兩種數(shù)據(jù)渠道各有優(yōu)缺點(diǎn)：

理論上，所有的數(shù)據(jù)都可以通過(guò)問(wèn)卷獲得。但是，為了最優(yōu)化研究效果，我們采取了問(wèn)卷+行為日志結(jié)合的方式。在發(fā)問(wèn)卷的同時(shí)，抓取了用戶的設(shè)備號(hào)和ID，以匹配后臺(tái)數(shù)據(jù)。

在保證問(wèn)卷效度的前提下，問(wèn)卷設(shè)計(jì)還需要注意結(jié)合用戶特征，以提高填答率以及數(shù)據(jù)準(zhǔn)確率。比如，針對(duì)二次元用戶，在用戶群年齡結(jié)構(gòu)偏小的前提下問(wèn)卷不能太長(zhǎng)，不能出現(xiàn)深?yuàn)W的專業(yè)術(shù)語(yǔ)；同時(shí)問(wèn)卷的語(yǔ)句表達(dá)以及頁(yè)面風(fēng)格也要相應(yīng)調(diào)整，使其沒(méi)有距離感。同時(shí)，注意篩除多次填答和注冊(cè)的馬甲賬號(hào)問(wèn)卷。此外還要注意新用戶的占比，需要評(píng)估填答問(wèn)卷中新注冊(cè)用戶的比例是否與投放期新用戶正常增量一致。用戶畫(huà)像是否需要包含新用戶取決于項(xiàng)目目的，也可以和產(chǎn)品方討論后決定。

4、嘗試與評(píng)估用戶聚類(lèi)

把用戶分成幾種類(lèi)型？

聚類(lèi)分析是探索性的研究，他根據(jù)指標(biāo)或者變量之間的距離判斷親疏關(guān)系，將相似性的聚為一類(lèi)，因此會(huì)出現(xiàn)多個(gè)可能的解，并不會(huì)給出一個(gè)最優(yōu)的解，最終選擇哪一種方案是取決于研究者的分析判斷。

把用戶分的類(lèi)型越少，顆粒度就越粗，每種類(lèi)型之間的特征就不會(huì)很分明；用戶類(lèi)型越多，顆粒度也就越細(xì)，但復(fù)雜的類(lèi)型劃分也會(huì)給產(chǎn)品定位和運(yùn)營(yíng)推廣帶來(lái)負(fù)擔(dān)。因此，細(xì)化顆粒度不僅需要定量的聚類(lèi)來(lái)調(diào)整，還需要結(jié)合產(chǎn)品經(jīng)驗(yàn)來(lái)驗(yàn)證。同時(shí)，因?yàn)椴捎玫氖情_(kāi)放性的指標(biāo)體系，我們不可能像區(qū)分“男性用戶、女性用戶”那樣清楚地知道用戶類(lèi)型的數(shù)量，因此，在用數(shù)據(jù)進(jìn)行用戶畫(huà)像時(shí)，最關(guān)鍵的一步就是確定把用戶分成幾種類(lèi)型。

我們將數(shù)據(jù)導(dǎo)入spss嘗試進(jìn)行聚類(lèi)分析。如果變量數(shù)據(jù)形式不統(tǒng)一（選擇的指標(biāo)有定序、有定類(lèi)），則需要首先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；其次，兩個(gè)強(qiáng)相關(guān)的變量和其他變量一起進(jìn)行聚類(lèi)會(huì)加大因子的權(quán)重，使聚類(lèi)效果不理想，所以我們還要使用因子分析對(duì)選擇的指標(biāo)提取公共因子，對(duì)因子共線性判斷，因子分析是選擇合適變量進(jìn)行聚類(lèi)的前提，如果因子之間共線性強(qiáng)，則提取公因子進(jìn)行聚類(lèi)，若共線性不強(qiáng)，則直接聚類(lèi)。

如何選擇合適的聚類(lèi)方法？

在確定因子之后需要選擇合適的聚類(lèi)方法。不同方法適用的情況不同，常用的是K均值聚類(lèi)以及層次聚類(lèi)。

K均值聚類(lèi)也稱快速聚類(lèi)，內(nèi)存少，復(fù)雜程度低，快速高效，適用大數(shù)據(jù)量。但是需要提前明確分類(lèi)數(shù)目，并對(duì)均值進(jìn)行定義。只能對(duì)樣本聚類(lèi)，不能對(duì)變量聚類(lèi)，樣本的變量需是連續(xù)性變量。

層次聚類(lèi)可以對(duì)變量聚類(lèi)，也可以對(duì)樣本聚類(lèi)，可以是連續(xù)變量也可以是分類(lèi)變量。能提供多種計(jì)算距離的方法，但是計(jì)算復(fù)雜度高，適用小數(shù)據(jù)量，我們需要結(jié)合項(xiàng)目的具體情況，包括項(xiàng)目周期、數(shù)據(jù)形式、數(shù)據(jù)量、聚類(lèi)特征等等來(lái)確定聚類(lèi)方法。

最后通過(guò)嘗試不同的聚類(lèi)數(shù)、距離算法和分類(lèi)方法，我們可以根據(jù)以下幾點(diǎn)來(lái)確定分類(lèi)的數(shù)量：

1. 依據(jù)產(chǎn)品經(jīng)驗(yàn)，不同產(chǎn)品的典型用戶不同
2. 根據(jù)已有的用戶研究以及相關(guān)研究結(jié)論
3. 根據(jù)具體的分類(lèi)效果確定
4. 根據(jù)層次聚類(lèi)“步數(shù)——距離”拐點(diǎn)

聚類(lèi)效果好壞的評(píng)估可以從聚類(lèi)中心之間的距離、組件與組內(nèi)的方差以及群組數(shù)量之間的比例是否符合產(chǎn)品特征、比例是否協(xié)調(diào)以及劃分的類(lèi)型對(duì)產(chǎn)品是否有意義等方面去評(píng)估。

5、把數(shù)據(jù)還原成用戶

在已經(jīng)得知了分類(lèi)結(jié)果并且分析得出了每一類(lèi)用戶在各項(xiàng)指標(biāo)上的特征之后，構(gòu)建用戶畫(huà)像的工作也就好比在一副骨架上填充血肉。一方面，我們可以直接利用獲取的數(shù)據(jù)，找到具有顯著特征的信息，賦予到用戶身上。比如第一類(lèi)用戶60%使用iOS系統(tǒng)，而其他三類(lèi)均不超過(guò)20%，我們就可以將第一類(lèi)用戶抽象為一個(gè)平時(shí)使用iPhone 的人。除了問(wèn)卷數(shù)據(jù)之外，想要使人物形象更加鮮明，可以對(duì)問(wèn)卷本文題進(jìn)行分析，或者根據(jù)產(chǎn)品經(jīng)驗(yàn)、用戶反饋或已有研究進(jìn)行畫(huà)像，這樣可以使用戶形象更加有血有肉。

但是，把數(shù)據(jù)還原成用戶本身用戶也需要遵循幾個(gè)原則，畫(huà)像（Persona）意味著一個(gè)令人信服的用戶角色要滿足七個(gè)條件：

通過(guò)定量化的調(diào)研可以快速對(duì)用戶建立一個(gè)精準(zhǔn)的認(rèn)識(shí)，對(duì)不同數(shù)量、不同特征的用戶進(jìn)行比較統(tǒng)計(jì)分析，在后期產(chǎn)品迭代改進(jìn)的過(guò)程中可以將用戶進(jìn)行優(yōu)先級(jí)排序，著重關(guān)注核心的、規(guī)模大的用戶。但是，依靠數(shù)據(jù)這種偏定量的方式建立的用戶畫(huà)像依然是粗線條的，難以描述典型用戶的生活情景、使用場(chǎng)景，難以挖掘用戶情感傾向和行為操作背后的原因和深層次動(dòng)機(jī)。因此，如果有足夠精力和時(shí)間，后續(xù)可以對(duì)每類(lèi)用戶進(jìn)行深入的訪談，將定量和定性的方法結(jié)合起來(lái)，建立的用戶畫(huà)像會(huì)更為精準(zhǔn)和生動(dòng)。