用户画像方法与案例从具象到抽象

　　还在腾讯的时候，我对＂用户画像＂产生浓厚兴趣，开始海量的用户群中开始探索和实践，后来在腾讯学院开发了一门课程《用户数据分析方法与案例》，其中有一部分是用户画像。
　　个人对用户画像的理解是三个层次，可以说是三个步骤吧，从群体用户的问卷调研、数据分析到具象的个性描述，再到抽象应用，如下图所示：
　　简单的说下对这三个层次的认知与实践。
　　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：http://open.qq.com/
　　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://plus.google.com/101097598357299353681/about
　　他的个人简介是：I’m a software guy. I invented personas. They call me ＂The 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RTS：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
　　Fm.qq.com，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：《The origin of personas》，Alan Cooper
　　链接地址：http://www.cooper.com/journal/2008/05/the_origin_of_personas