About Face 4 第三章(下)构造人物模型

构造人物模型

任务不是人物模型的核心,目标才是。

人物模型创建过程

1、根据角色访谈对象分组

toB端:工作角色/职责

toC端:家庭角色/态度/相关活动的方法/兴趣/选择生活方式的能力...

2、找出行为变量

进行分组后,将每组角色身上观察到的显著行为列成不同的几组行为变量。一般关注如下类型的变量,容易找到不同分组中最重要的差别:

动机:用户涉足产品领域的原因

态度:用户如何看待产品所在领域及采用的技术

活动:用户做什么/频率和工作量

能力:用户所受教育程度、是否参加过培训、学习能力如何

技能:用户是否有产品领域/技术相关的技能

3、将访谈主体与行为变量对应

挖掘出重要的行为变量后,需要将每个受访者和行为变量联系起来,形成映射(如下图)。

受访者位置是否精确并不重要,重要的是相对位置。受访者在多个轴上的聚集情况表明了显著的行为模式。

4、找出重要行为模型

映射结束后,寻找变量的主要用户群体,若有一组用户群体聚集在6-8个不同的变量上,很有可能代表一种显著的行为模式,这个模式就是人我模型的基础。

如果寻找的行为模式有效,那么这些行为模式之间一定有逻辑/因果关系。如经常购买CD的人也经常下载MP3文件。

5、综合各种特征,阐明目标

1、对于找出的重要行为模型,需要记录下数据里的细节,包括:

·行为本身(活动&动机)

·使用环境

·使用时遇到的挫折/痛苦

·行为相关联的人口统计学

·行为相关的技巧/能力

·行为相关的态度/情感(用户体验地图)

·同其他人/产品/服务的相关交互

·做同样事情的替代方案

(此时列出描述行为特征的简短要点即可,尽量贴近观察到的行为。)

2、定义目标

通过分析每个人物模型的行为,确定组内受访者行为之间的逻辑关系,推断出行为背后的目标。

此时目标必须直接与产品相关,通常大部分用用的目标是“最终目标”。

一般一个人物模型需要3-5个最终目标,0-2个体验目标(见上章)。

3、人物模型和社会关系

有时某个产品的一组人物模型是同一个家庭/同一个公司的一部分,他们之前存在人际关系和社会关系,此时需要创建多样化的人物模型。

6、检查完整性和冗余

检查建立的映射、人物模型的特征与目标,以确定是否存在重要的漏洞需要弥补。

1、行为轴上有缺漏:额外的研究工作,找到特定的行为(完整性)

2、是否需要针对同一目标加上政治人物模型(完整性)

3、两个人物模型仅在人口统计数据方面有差别:去掉其中一个重复的人物模型

7、指定人物模型

所有的设计都需要有一个目标受众,此时经过前面的步骤应该已经构建出了3-4个人物模型了,接下来就是将人物模型进行优先级排序,目的是找到一个人物模型,其需求和目标能用一个界面就满足,同时不会剥夺其他人物模型的权利。

人物模型分为6种,通常按照以下顺序选定:

主要人物模型:

设计的主要标的,一个产品的一个界面只能有一个主要人物模型,当产品有多个界面时,每个界面都针对不同的人物模型。

针对集合中任何其他人物模型的设计都不能满足主要人物模型的需求。不过若目标是主要人物模型,至少能部分满足其他人物模型的需求。

通过比较人物模型的目标来测试每个人物模型,从而进行主要人物模型的选择,若未发现明显的主要人物模型:1、产品需要多个界面  2、产品范围过宽。

次要人物模型:

存在一些额外的特定需求,能在不削弱产品能力&服务主要人物模型的前提下得到满足。

补充人物模型

客户人物模型

接受服务的人物模型

负面人物模型

8、进一步描述特征和行为

人物模型的叙述应该综合了研究阶段所观察到的人物模型相关的最重要的细节,长度不超过2张ppt(第5步中的特征用一段描述,不必包含每个观察到的细节)。

最好的叙述方式是快速介绍人物模型的职业/生活方式,简略地描绘他一天的生活,包括抱怨、关切和兴趣等与产品直接相关的信息。此时用总结的方式表达人物模型对产品的需求。

·务必包括所有重要行为模型的总结

·不要包含过多虚构描述,细节描述要恰到好处

·不能将为观察到的细节加入行为描述中

·不引入解决方案,而是突出痛点

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AI研习社

利用好奇心做稀疏反馈任务的学习

AI 研习社按:近期,Unity 发布了版本 0.4 的机器学习智能体工具包(ML-Agent toolkit v0.4),其中最为突出的新功能是通过额外的基于...

10320
来自专栏AI研习社

Andrej Karpathy谈神经网络:这不仅仅是分类器,这是一种新的软件开发思想

有越来越多的传统编程语言(C、C++、Java)等程序员开始学习机器学习/深度学习,而对机器学习/深度学习的研究人员来说,编程也是必备技巧。那么传统程序员和深度...

33640
来自专栏AI派

一文告诉你什么是用户画像

做推荐系统的时,我们需要了解我们的用户,也就是说需要对用户的基本情况、基本喜好有个了解。

49850
来自专栏AI科技评论

利用好奇心做稀疏反馈任务的学习

AI 科技评论按:近期,Unity 发布了版本 0.4 的机器学习智能体工具包(ML-Agent toolkit v0.4),其中最为突出的新功能是通过额外的基...

10120
来自专栏PPV课数据科学社区

入行AI最需要的五大技能

摘要: 作为一名软件工程师,我们应该活到老学到老,时刻与不断发展的框架、标准和范式保持同步。同时,还要能活学活用,在工作中使用最合适的工具,以提高工作效率。随着...

45270
来自专栏机器之心

学界 | 让好奇心驱动人工智能:UC Berkeley提出自监督预测算法

选自arXiv 作者:Deepak Pathak等 机器之心编译 参与:李泽南 无监督学习一直被认为是让人工智能在真实世界中有效工作的研究方向,此前大多数研究都...

371110
来自专栏AI科技评论

动态 | DeepMind 开源TRFL,又一个强化学习复现、创新好帮手

AI 科技评论按:继今年 8 月谷歌开源发布了专为学术研究人员设计的简单但鲁棒的强化学习框架「多巴胺」(Dopamine)之后,早已被谷歌母公司收购但保持独立运...

10830
来自专栏PaddlePaddle

零基础上手深度学习的捷径,居然真的有?

EasyDL全称为Easy DeepLearning,是一款定制模型训练和服务的技术平台。使用时,根据页面文字提示进行四步简单操作,最快10分钟小伙伴们即可训练...

10210
来自专栏达观数据

达观数据推荐系统实践—实时演算用户动态数据 提升运营效率

本文曾在infoq大数据微信群和数据猿直播平台上进行过分享,是对分享内容最直观的表达,同时对推荐系统架构和算法解释的也很详尽。 随着移动互联网技术的迅猛发展、互...

63470
来自专栏AI研习社

博客 | DeepMind 开源TRFL,又一个强化学习复现、创新好帮手

雷锋网 AI 科技评论按:继今年 8 月谷歌开源发布了专为学术研究人员设计的简单但鲁棒的强化学习框架「多巴胺」(Dopamine)之后,早已被谷歌母公司收购但保...

12040

扫码关注云+社区

领取腾讯云代金券