如何创建用户模型:问卷调查与数据分析

很想写一些东西来总结总结自己的工作,可惜工作太忙一直也没顾得上来写。最近闲来想和大家讨论讨论关于创建用户模型的事情。

一、用户模型的建立与问卷数据的采集

Persona:(Persona是用户模型的的简称)是虚构出的一个用户用来代表一个用户群。一个persona可以比任何一个真实的个体都更有代表性。

首先,用户模型是对用户的一种划分,是将一个类的概念转化成为一个角色。这里举一个简单的例子:电影里有很多角色,但是生活中有和电影中一模一样的角色么?显然是很少的,除非遇到极品。电影中人物的角色是集合了广大角色的共性而产生的角色代表,代表的是一类人或是一个群体。

用户是大量混杂的,我们需要将用户按照角色分开来确定不同角色的偏好与场景的结合,这才是建立persona体系的主要目的。

下面具体讲讲建立Persona体系的步骤。

谈起建立Persona体系高手颇多,我这个菜鸟可不敢班门弄斧,我个人比较推崇Dr.Lene Nielsen的10步建立Persona方法。

  1. Finding the users 发现用户
  2. Building a hypothesis建立假设
  3. Verifications调研
  4. Finding patterns发现共同模式
  5. Constructing personas构造虚构角色
  6. Defining situations定义场景目标
  7. Validation and buy-in复核与买进
  8. Dissemination of knowledge知识的散布
  9. Creating scenarios创建剧情
  10. On-going development持续的发展

按照Dr.Lene Nielsen的方法可以建立起一套完整的用户模型体系(虽然有几条我也不是太会用),不过对于大多数产品这个方法还是有点高深莫测。我刚接触这个玩意的时候看了一下午还是不太明白这玩意怎么用。所以只能基于这个高深玩意,自己总结了一套能够切实可行的Persona模型构造方法准备在下面简单说说,我本属菜鸟,大家多多提意见哦!

第一步:确定用户,做出假设

首先,要明确用户群体,这个在大多数应用开发之前就应该明确了。连用户群都不知道还开发个毛产品。其次,做出用户角色假设。这个时候大家就要问了,我本来就是要确定用户角色模型,这不是本末倒置了么??我要说明一点,在用户角色分析之前,我们要有个对用户划分的方向。比如对于一个游戏,我们要划分用户模型,其实有很多种分的方法。用户可以分为,初级玩家、中级玩家;还可以分为,战略性玩家、视觉性玩家、装备性玩家。任何一个用户群体都有多种分类方式,首先要确定我们到底怎么来分类用户。确定了分类方式之后,再来一个一个分类来研究。

下面以一个我从事的互联网医疗产品作为一个简单的例子,来对这一点进行说明。这里只是简单举例,真正的用户模型假设分类远比例子复杂的多。

首先简单定义用户群:身体出现非紧急病症的人群。

如果是急症或是严重的病症一般会直接前往医院,并不会打开手机应用来咨询医生或者询问用药指导。所以我们的适用人群是身体出现异样且非紧急的人群。

做出假设,为了举例方便,我们简单的把用户角色分为:细心护理型、粗放型。细心护理型:主要是指非常注意自己的健康状况,不放过一点一滴的问题。粗放型:只需要知道个大概有事没事,不太关心自己的健康状态。我们先简单将用户角色分为这两种,继续第二步发分析。

第二步:确定用户兴趣点(提取变量)

对于这一步,可以通过少量用户访谈来完成,其实就是找到所有用户关注的点,我们将这些用户关注的点称为变量。

比如对于医疗产品,经过对用户的访谈,我们简略总结用户关注度为:医生的真实可靠性、医生的负责程度、能否找本地医生挂号、产品视觉、产品交互。为了举例方便,我们简单总结用户关注的这5个特点。从而可知,我们得到5个变量,下面将设计问卷分析出对不同角色用户对这5个变量的差异性。

第三步:设计问卷(最关键的一步)

问卷是针对我们产品真实用户群的调查,所以题目的设计必须非常具有针对性,并且通过结果能够达到我们预期的效果。

首先,要先将问卷问题分成三个区:甄别性问题区、变量问题区、建议性问题区。估计有人要问这都是些神马???其实这些很简单。甄别性问题,是用来甄别出用户属于哪个角色;比如我设置了10个问题,符合1,3,5条问题的用户属于角色A,符合2,4,6条问题的用户属于角色B。

甄别性问题:

以刚才的例子,我们简单设置3个甄别性问题:

Z1.您一般在线咨询病情的时间是多久?

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

Z2.您是否需要随时的咨询医生?

A.需要 B.不需要 C.看情况

Z3.如果手上被划了一个小口子,并不是非常严重,您会?

A.立刻消毒包扎 B.清洗干净后该干嘛干嘛 C.压根不管

我们定义甄别规则如下:

为了举例方便,我们简单给甄别角色设置了上述规则。这里说明几点,第一,规则是人设定的,可以更改,只有更好的规则,规则没有对错;第二,问题1、问题2、问题3之间是“与”的关系,问题内选项是“或”的关系。

有个问题,如果用户的答案都不满足于上面的规则,那如何分配用户角色呢???答案很简单:要么真正研究规则并修改规则;要么作为数据清洗将用户清洗掉(说明该用户没有认真答题,或是用户属于极小类群)。当然这个地方还有很多可以优化,具体参考数据挖掘资料。

变量性问题:

变量性问题其实是指针对用户关注的点进行问题设置。我们刚才举例总结出的关注点为:医生的真实可靠性、医生的负责程度、能否找本地医生挂号、产品视觉、产品交互,5个方面,针对每个方面可以设置1-n问题。(为了简便,每个变量仅列出一个问题)

下面在列举出一个变量举出多个问题的例子:

产品交互:

  1. 您对页面扭转时的流畅性要求如何?请用1-100分给出(1代表不在意,100代表非常在意)
  2. 您对手机应用的操作频率如何?请用1-100分给出(1代表不经常,100代表经常操作)
  3. 您喜爱扁平化的交互设计还是深度立体的交互设计?请用1-100分给出(1代表喜欢扁平化的交互设计,100代表喜欢深度立体的交互设计)

总之,在设计变量性问题的时候,最好得到可量化的数字,这样方便于对以后的多元回归统计工作。

建议性问题:

建议性问题是不用用户角色给我们提出的要求,他们可能提出一些非全局的变量问题。比如,对于老年用户,可能会提出应用设计中存在放大镜功能,但这个功能明显不适合年轻人。建议性问题的很多可以设置成开放性问题,不用角色的用户可以将自己的想法写出来,如果大家都需要,那就变成了新需求,也就是产品功能的发展方向。

按照我们刚才的例子,给出2个建议性问题:

J1. 您作为用户还希望我们的应用添加什么样的功能?

  • 语音服务功能
  • 24小时服务电话
  • 中英文
  • 其他_______

J2. 您希望我们用什么方式和您联系?

  • 电话
  • email
  • 写信(哈哈,这里来个复古的方式)
  • 直接上门
  • 其他_______

到这里,我们的一套问卷就搭建完成了。

最后再说一句,在问卷的最后,要给出一个综合评价性的问题哦!!!!

综合满意度:

您对我们的应用满意度是什么?请用1-100分给出(1代表很不满意求,100代表非常满意)好啦,大功告成,这就是一套完整persona问卷。

上图描述了这一过程,其中每个颜色的小人,代表通过甄别问题后,区分出的用户角色。

最后用上面的问卷对10个用户进行访问,得到数据如下:

说明:

  • P1、P2、P3…P10代表10个用户;
  • Z1、Z2、Z3代表3个甄别性问题;
  • B1、B2、B3…B5代表5个变量性问题;
  • J1、J2代表2个建议性问题

甄别性问题结果:

按甄别问题对用户分类如下:

  • 细心护理型:P1、P2、P4、P5、P10
  • 粗放型:P6、P7、P9
  • 数据异常问卷:P3、P8

异常数据的产生通常是由2个原因造成的,第一个是甄别逻辑设置不完善,比如我们这个例子甄别性问题少,很多情况都没有考虑清楚,所以在设计甄别问题时,尽量将所有情况思考清楚,以免出现过多无效数据;第二个是被调查用户填写不认真,这也是个很常见的问题,在设置问题时,尽量减少繁琐问题,使被调查用户能够比较准确的完成所有问题。

变量性问题结果:

用户的调查结果以数表的形式展示出来,这样有利于进行多元回归分析。

建议性问题结果:

综合满意度:

二、数据处理

数据的常规处理

对于刚才得到的数据,可以进行常规的处理。即求出平均值或者份额进行相应比较分析,所得到的结果如下。

对于样本量为10的上述调查结果经计算,细心护理型占50%,粗放型30%,异常数据20%。

变量性问题平均值:

对于各个角色均值数据如下:

从上述数据结论可知,对呀B1-B4问题,两个用户角色观点相差不大。但是对于B5(产品交互)问题粗放型用户比细心护理型用户更为重视。

经过对建议性问题分析结果可以得到如下图表:

由此可得出结论,细心护理型用户对email的要求较为强烈;粗放型的用户倾向于写信的方式。对于添加的服务项,这两种角色均有需求。

综上所述,我们只是举了一个非常非常2b又简单的例子来说明构建用户模型的方法,实验的样本量也很小。这个简单的例子可以说明基本方法,要真正应用到自己的case中,还需要认真研究分析。

多元回归方法分析用户模型

对于数学好的童鞋,可以给出一种多元回归统计的方法来分析我们得到的数据。这里写的并不详细,也没听提供假设检验,望高手多多指点交流。我们仅用多元回归方法来分析变量性问题的结果。

我们的例子提出了5个变量性问题,所以要回归的线性方程具有5个变量,形式如下:

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

我们的目的就是要对b0、b1、b2…b5计算出估计量。

写成矩阵的形式为Y=BX

其中Y为综合满意度数据

使用MATLAB中的regress(y,x)可以对B进行多元回归,结果如下:

(这里没有进行假设检验等,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 = %这个就是估计矩阵B

51.4213 %b0

-0.0868 %b1

0.2210 %b2

0.1407 %b3

0.2041 %b4

-0.0671 %b5

b0为常数,对变量没有影响,剩余对应相应的变量问题。由此可见B2问题是全部用户对整体评价中权重最大的因素。

来源:人人都是产品经理 作者:Gery

1、回复“数据分析师”查看数据分析师系列文章

2、回复“案例”查看大数据案例系列文章

3、回复“征信”查看相关征信的系列文章

4、回复“可视化”查看可视化专题系列文章

5、回复“SPPS”查看SPSS系列文章

6、回复“答案”查看hadoop面试题题目及答案

7、回复“爱情”查看大数据与爱情的故事

8、回复“笑话”查看大数据系列笑话

9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载

PPV课大数据ID: ppvke123 (长按可复制)

大数据人才的摇篮!专注大数据行业人才的培养。每日一课,大数据(EXCEL、SAS、SPSS、Hadoop、CDA)视频课程。大数据资讯,每日分享!数据咖—PPV课数据爱好者俱乐部!

原文发布于微信公众号 - PPV课数据科学社区(ppvke123)

原文发表时间:2015-09-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【重磅】潘建伟团队实现城际量子传输,全球量子网络走进现实

【新智元导读】中国科技大学的潘建伟团队和加拿大卡尔加里大学的 Tittel 团队,本周在 Nature Photonics 刊文,使用独立开发的反馈和同步机制,...

3139
来自专栏生信技能树

【好书共享】《R for Data Science》的中译版

这本书将教我们如何用R来做数据科学:学习如何将自己的数据导入R中,把它变成最有用的结构,转换,可视化并对数据进行建模。在这本书中,我们会学习数据科学需要实用技能...

3492
来自专栏互联网数据官iCDO

排名到底和谁相关?---论域名权威与品牌搜索量

两周前,我很高兴有机会在Search Love San Diego的活动上演讲。那次演讲的主题围绕“谷歌是否还重视链接?”该演讲着眼于谷歌在2017年会如何以及...

1394
来自专栏新智元

机器学习项目实践:30+ 必备数据库(预测模型、图像分类、文本分类)

【新智元导读】有了好的数据,机器学习项目也就成功了一半。希望这份资源清单有助于那些寻找机器学习项目实践的人。对于初学者来说,这绝对是一个金矿。确保你在业余时间选...

3776
来自专栏IT派

资源 | 5月Python好文TOP 10新鲜出炉,精选自1000篇文章,你都看了吗?

【导读】在过去的一个月中,我们对近 1000 篇 Python 文章进行了排名,挑选了其中最重要的 10 篇文章。

1243
来自专栏about云

大数据术语入门整理

问题导读 我们在学习的过程中经常听到一些术语,那么这些都是什么含义? 1.什么是大数据? 2.什么是数据分析? 3.什么是数据挖掘? 4.什么是数据可视化? 这...

4097
来自专栏新智元

【干货】4月Python 热门推荐Top 10

1704
来自专栏PPV课数据科学社区

【学习】大数据相关术语500例解释及中英文对照①

本文由36大数据编辑“陌上花”收集整理,转载必须标明来源36大数据和作者。 一、大数据 英文:big data,mega data 大数据,或称巨量资料,指的是...

4038
来自专栏大数据文摘

LEVAN:首款全自动视觉概念的机器学习程序

1468
来自专栏BestSDK

Cloudsight推出图像识别API,免费开放给教育机构

如果自己研发做图像识别的成本比较高,尤其是在没有一个很好的硬件设施(GPU)的情况下,还是通过API比较合适。 ? 计算机科学学位的技术往往要落后于现实。许多学...

4253

扫码关注云+社区

领取腾讯云代金券