很想寫(xiě)一些東西來(lái)總結總結自己的工作，可惜工作太忙一直也沒(méi)顧得上來(lái)寫(xiě)。最近閑來(lái)想和大家討論討論關(guān)于創(chuàng )建用戶(hù)模型的事情。

一、用戶(hù)模型的建立與問(wèn)卷數據的采集

Persona：(Persona是用戶(hù)模型的的簡(jiǎn)稱(chēng))是虛構出的一個(gè)用戶(hù)用來(lái)代表一個(gè)用戶(hù)群。一個(gè)persona可以比任何一個(gè)真實(shí)的個(gè)體都更有代表性。

首先，用戶(hù)模型是對用戶(hù)的一種劃分，是將一個(gè)類(lèi)的概念轉化成為一個(gè)角色。這里舉一個(gè)簡(jiǎn)單的例子：電影里有很多角色，但是生活中有和電影中一模一樣的角色么?顯然是很少的，除非遇到極品。電影中人物的角色是集合了廣大角色的共性而產(chǎn)生的角色代表，代表的是一類(lèi)人或是一個(gè)群體。

用戶(hù)是大量混雜的，我們需要將用戶(hù)按照角色分開(kāi)來(lái)確定不同角色的偏好與場(chǎng)景的結合，這才是建立persona體系的主要目的。

下面具體講講建立Persona體系的步驟。

談起建立Persona體系高手頗多，我這個(gè)菜鳥(niǎo)可不敢班門(mén)弄斧，我個(gè)人比較推崇Dr.Lene Nielsen的10步建立Persona方法。

Finding the users 發(fā)現用戶(hù)

Building a hypothesis 建立假設

Verifications調研 Finding patterns 發(fā)現共同模式

Constructing personas 構造虛構角色 

Defining situations 定義場(chǎng)景目標 

Validation and buy-in 復核與買(mǎi)進(jìn) 

Dissemination of knowledge 知識的散布 

Creating scenarios 創(chuàng )建劇情 

On-going development 持續的發(fā)展

按照Dr.Lene Nielsen的方法可以建立起一套完整的用戶(hù)模型體系（雖然有幾條我也不是太會(huì )用），不過(guò)對于大多數產(chǎn)品這個(gè)方法還是有點(diǎn)高深莫測。我剛接觸這個(gè)玩意的時(shí)候看了一下午還是不太明白這玩意怎么用。所以只能基于這個(gè)高深玩意，自己總結了一套能夠切實(shí)可行的Persona模型構造方法準備在下面簡(jiǎn)單說(shuō)說(shuō)，我本屬菜鳥(niǎo)，大家多多提意見(jiàn)哦！

第一步：確定用戶(hù)，做出假設

首先，要明確用戶(hù)群體，這個(gè)在大多數應用開(kāi)發(fā)之前就應該明確了。連用戶(hù)群都不知道還開(kāi)發(fā)個(gè)毛產(chǎn)品。其次，做出用戶(hù)角色假設。這個(gè)時(shí)候大家就要問(wèn)了，我本來(lái)就是要確定用戶(hù)角色模型，這不是本末倒置了么？？我要說(shuō)明一點(diǎn)，在用戶(hù)角色分析之前，我們要有個(gè)對用戶(hù)劃分的方向。比如對于一個(gè)游戲，我們要劃分用戶(hù)模型，其實(shí)有很多種分的方法。用戶(hù)可以分為，初級玩家、中級玩家；還可以分為，戰略性玩具、視覺(jué)性玩家、裝備性玩家。任何一個(gè)用戶(hù)群體都有多種分類(lèi)方式，首先要確定我們到底怎么來(lái)分類(lèi)用戶(hù)。確定了分類(lèi)方式之后，再來(lái)一個(gè)一個(gè)分類(lèi)來(lái)研究。

下面以一個(gè)我從事的互聯(lián)網(wǎng)醫療產(chǎn)品作為一個(gè)簡(jiǎn)單的例子，來(lái)對這一點(diǎn)進(jìn)行說(shuō)明。這里只是簡(jiǎn)單舉例，真正的用戶(hù)模型假設分類(lèi)遠比例子復雜的多。

首先簡(jiǎn)單定義用戶(hù)群：身體出現非緊急病癥的人群。

如果是急癥或是嚴重的病癥一般會(huì )直接前往醫院，并不會(huì )打開(kāi)手機應用來(lái)咨詢(xún)醫生或者詢(xún)問(wèn)用藥指導。所以我們的適用人群是身體出現異樣且非緊急的人群。

做出假設，為了舉例方便，我們簡(jiǎn)單的把用戶(hù)角色分為：細心護理型、粗放型。細心護理型：主要是指非常注意自己的健康狀況，不放過(guò)一點(diǎn)一滴的問(wèn)題。粗放型：只需要知道個(gè)大概有事沒(méi)事，不太關(guān)心自己的健康狀態(tài)。我們先簡(jiǎn)單將用戶(hù)角色分為這兩種，繼續第二步發(fā)分析。

第二步：確定用戶(hù)興趣點(diǎn)（提取變量變量）

對于這一步，可以通過(guò)少量用戶(hù)訪(fǎng)談來(lái)完成，其實(shí)就是找到所有用戶(hù)關(guān)注的點(diǎn)，我們將這些用戶(hù)關(guān)注的點(diǎn)稱(chēng)為變量。

比如對于醫療產(chǎn)品，經(jīng)過(guò)對用戶(hù)的訪(fǎng)談，我們簡(jiǎn)略總結用戶(hù)關(guān)注度為：醫生的真實(shí)可靠性、醫生的負責程度、能否找本地醫生掛號、產(chǎn)品視覺(jué)、產(chǎn)品交互。為了舉例方便，我們簡(jiǎn)單總結用戶(hù)關(guān)注的這5個(gè)特點(diǎn)。從而可知，我們得到5個(gè)變量，下面將設計問(wèn)卷分析出對不同角色用戶(hù)對這5個(gè)變量的差異性。

第三步：設計問(wèn)卷（最關(guān)鍵的一步）

問(wèn)卷是針對我們產(chǎn)品真實(shí)用戶(hù)群的調查，所以題目的設計必須非常具有針對性，并且通過(guò)結果能夠達到我們預期的效果。

首先，要先將問(wèn)卷問(wèn)題分成三個(gè)區：甄別性問(wèn)題區、變量問(wèn)題區、建議性問(wèn)題區。估計有人要問(wèn)這都是些神馬？？？其實(shí)這些很簡(jiǎn)單。甄別性問(wèn)題，是用來(lái)甄別出用戶(hù)屬于哪個(gè)角色；比如我設置了10個(gè)問(wèn)題，符合1，3，5條問(wèn)題的用戶(hù)屬于角色A，符合2，4，6條問(wèn)題的用戶(hù)屬于角色B。

甄別性問(wèn)題：

以剛才的例子，我們簡(jiǎn)單設置3個(gè)甄別性問(wèn)題：

Z1.您一般在線(xiàn)咨詢(xún)病情的時(shí)間是多久？

A.<5min    B.5-10min    C.10-20min    D.>20min

Z2.您是否需要隨時(shí)的咨詢(xún)醫生？

A.需要     B.不需要     C.看情況

Z3.如果手上被劃了一個(gè)小口子，并不是非常嚴重，您會(huì )？

A.立刻消毒包扎     B.清洗干凈后該干嘛干嘛     C.壓根不管

我們定義甄別規則如下：

為了舉例方便，我們簡(jiǎn)單給甄別角色設置了上述規則。這里說(shuō)明幾點(diǎn)，第一，規則是人設定的，可以更改，只有更好的規則，規則沒(méi)有對錯；第二，問(wèn)題1、問(wèn)題2、問(wèn)題3之間是“與”的關(guān)系，問(wèn)題內選項是“或”的關(guān)系。

有個(gè)問(wèn)題，如果用戶(hù)的答案都不滿(mǎn)足于上面的規則，那如何分配用戶(hù)角色呢？？？答案很簡(jiǎn)單：要么真正研究規則并修改規則；要么作為數據清洗將用戶(hù)清洗掉（說(shuō)明該用戶(hù)沒(méi)有認真答題，或是用戶(hù)屬于極小類(lèi)群）。當然這個(gè)地方還有很多可以?xún)?yōu)化，具體參考數據挖掘資料。

變量性問(wèn)題：

變量性問(wèn)題其實(shí)是指針對用戶(hù)關(guān)注的點(diǎn)進(jìn)行問(wèn)題設置。我們剛才舉例總結出的關(guān)注點(diǎn)為：醫生的真實(shí)可靠性、醫生的負責程度、能否找本地醫生掛號、產(chǎn)品視覺(jué)、產(chǎn)品交互，5個(gè)方面，針對每個(gè)方面可以設置1-n問(wèn)題。(為了簡(jiǎn)便，每個(gè)變量?jì)H列出一個(gè)問(wèn)題)

下面在列舉出一個(gè)變量舉出多個(gè)問(wèn)題的例子：

產(chǎn)品交互：

您對頁(yè)面扭轉時(shí)的流暢性要求如何？

請用1-100分給出（1代表不在意，100代表非常在意） 

您對手機應用的操作頻率如何？

請用1-100分給出（1代表不經(jīng)常，100代表經(jīng)常操作） 

您喜愛(ài)扁平化的交互設計還是深度立體的交互設計？

請用1-100分給出（1代表喜歡扁平化的交互設計，100代表喜歡深度立體的交互設計）

…

總之，在設計變量性問(wèn)題的時(shí)候，最好得到可量化的數字，這樣方便于對以后的多元回歸統計工作。

建議性問(wèn)題：

建議性問(wèn)題是不用用戶(hù)角色給我們提出的要求，他們可能提出一些非全局的變量問(wèn)題。比如，對于老年用戶(hù)，可能會(huì )提出應用設計中存在放大鏡功能，但這個(gè)功能明顯不適合年輕人。建議性問(wèn)題的很多可以設置成開(kāi)放性問(wèn)題，不用角色的用戶(hù)可以將自己的想法寫(xiě)出來(lái)，如果大家都需要，那就變成了新需求，也就是產(chǎn)品功能的發(fā)展方向。

按照我們剛才的例子，給出2個(gè)建議性問(wèn)題：

J1. 您作為用戶(hù)還希望我們的應用添加什么樣的功能？

      語(yǔ)音服務(wù)功能

      24小時(shí)服務(wù)電話(huà) 

      中英文 其他_______

J2. 您希望我們用什么方式和您聯(lián)系？

      電話(huà) 

      email 

      寫(xiě)信（哈哈，這里來(lái)個(gè)復古的方式） 

      直接上門(mén) 

      其他_______

到這里，我們的一套問(wèn)卷就搭建完成了。

最后再說(shuō)一句，在問(wèn)卷的最后，要給出一個(gè)綜合評價(jià)性的問(wèn)題哦?。。?！

綜合滿(mǎn)意度：

您對我們的應用滿(mǎn)意度是什么？請用1-100分給出（1代表很不滿(mǎn)意求，100代表非常滿(mǎn)意）好啦，大功告成，這就是一套完整persona問(wèn)卷。

上圖描述了這一過(guò)程，其中每個(gè)顏色的小人，代表通過(guò)甄別問(wèn)題后，區分出的用戶(hù)角色。

最后用上面的問(wèn)卷對10個(gè)用戶(hù)進(jìn)行訪(fǎng)問(wèn)，得到數據如下:

說(shuō)明：

 P1、P2、P3…P10代表10個(gè)用戶(hù)；

 Z1、Z2、Z3代表3個(gè)甄別性問(wèn)題；

 B1、B2、B3…B5代表5個(gè)變量性問(wèn)題；

 J1、J2代表2個(gè)建議性問(wèn)題

甄別性問(wèn)題結果：

按甄別問(wèn)題對用戶(hù)分類(lèi)如下:

   細心護理型：P1、P2、P4、P5、P10 

   粗放型：P6、P7、P9 

   數據異常問(wèn)卷：P3、P8

異常數據的產(chǎn)生通常是由2個(gè)原因造成的，第一個(gè)是甄別邏輯設置不完善，比如我們這個(gè)例子甄別性問(wèn)題少，很多情況都沒(méi)有考慮清楚，所以在設計甄別問(wèn)題時(shí)，盡量將所有情況思考清楚，以免出現過(guò)多無(wú)效數據；第二個(gè)是被調查用戶(hù)填寫(xiě)不認真，這也是個(gè)很常見(jiàn)的問(wèn)題，在設置問(wèn)題時(shí)，盡量減少繁瑣問(wèn)題，使被調查用戶(hù)能夠比較準確的完成所有問(wèn)題。

變量性問(wèn)題結果：

用戶(hù)的調查結果以數表的形式展示出來(lái)，這樣有利于進(jìn)行多元回歸分析。

建議性問(wèn)題結果：

綜合滿(mǎn)意度：

二、數據處理 數據的常規處理

對于剛才得到的數據，可以進(jìn)行常規的處理。即求出平均值或者份額進(jìn)行相應比較分析，所得到的結果如下。

對于樣本量為10的上述調查結果經(jīng)計算，細心護理型占50%，粗放型30%，異常數據20%。

變量性問(wèn)題平均值：

對于各個(gè)角色均值數據如下：

從上述數據結論可知，對呀B1-B4問(wèn)題，兩個(gè)用戶(hù)角色觀(guān)點(diǎn)相差不大。但是對于B5（產(chǎn)品交互）問(wèn)題粗放型用戶(hù)比細心護理型用戶(hù)更為重視。

經(jīng)過(guò)對建議性問(wèn)題分析結果可以得到如下圖表：

由此可得出結論，細心護理型用戶(hù)對email的要去較為強烈；粗放型的用戶(hù)傾向與寫(xiě)信的方式。對于添加的服務(wù)項，這兩種角色均有需求。

綜上所述，我們只是舉了一個(gè)非常非常2b又簡(jiǎn)單的例子來(lái)說(shuō)明構建用戶(hù)模型的方法，實(shí)驗的樣本量也很小。這個(gè)簡(jiǎn)單的例子可以說(shuō)明基本方法，要真正應用到自己的case中，還需要認真研究分析。

多元回歸方法分析用戶(hù)模型

對于數學(xué)好的童鞋，可以給出一種多元回歸統計的方法來(lái)分析我們得到的數據。這里寫(xiě)的并不詳細，也沒(méi)聽(tīng)提供假設檢驗，望高手多多指點(diǎn)交流。我們僅用多元回歸方法來(lái)分析變量性問(wèn)題的結果。

我們的例子提出了5個(gè)變量性問(wèn)題，所以要回歸的線(xiàn)性方程具有5個(gè)變量，形式如下：

Y=b0+b1x1+b2x2+b3x3+b4x4+b5x5

我們的目的就是要對b0、b1、b2…b5計算出估計量。

寫(xiě)成矩陣的形式為Y=BX

其中Y為綜合滿(mǎn)意度數據

使用MATLAB中的regress(y,x)可以對B進(jìn)行多元回歸,結果如下：

(這里沒(méi)有進(jìn)行假設檢驗等，大家可以自行完善)

>> y=load('C:\Users\ydbj0017\Desktop\y.txt')

y =

90

85

77

81

70

78

89

91

90

80

>> x=load('C:\Users\ydbj0017\Desktop\x.txt')

x =

1    80    95    79    78    67

1    87    66    60    89    78

1    97    77    87    69    90

1    88    98    65    75    68

1    78    83    63    73    76

1    73    75    88    80    95

1    78    98    63    66    97

1    77    74    87    66    69

1    90    88    67    87    78

1    88    78    67    79    60

>> regress(y,x)

ans =            %這個(gè)就是估計矩陣B

51.4213       %b0

-0.0868        %b1

0.2210       %b2

0.1407       %b3

0.2041       %b4

-0.0671       %b5

b0為常數，對變量沒(méi)有影響，剩余對應相應的變量問(wèn)題。由此可見(jiàn)B2問(wèn)題是全部用戶(hù)對整體評價(jià)中權重最大的因素。