編輯導讀：用户畫像能夠幫助我們專注於對用户最重要的事情，有針對性地設計和決策。本文將圍繞用户畫像的三種類型展開分析，希望對你有幫助。
對於大多數團隊來説，用定性的方法創建用户畫像是工作量與成果之間的正確平衡，但是無論規模大小，任何組織都可能從中受益。
用户體驗工作中使用的用户畫像是針對用户背景、動機、需求和產品使用説明的一種快速的，引起共鳴的速記。這些幫助我們專注於對用户最重要的事情，並在制定設計決策時全神貫注。因此，這些方法必須始終紮根於對用户的定性理解，並反映出驅動他們的原因和原因，它們不應基於不同人口統計或分析變量之間的（通常是可疑的）相關性。
用户畫像並不是要事無鉅細地記載每種可能的用户類型。而科學意義上的分類法，是根據大量的心理、人口統計學和行為變量進行整齊的分類，在考慮數十或數百種角色類型時做出設計決策將很快變得笨拙。用户畫像的全部意義在於它們令人難忘，可操作且彼此不同 – 在這裏它們是總結我們不同受眾羣體的主要需求，這樣我們就可以很容易地回憶和理解他們。
團隊可根據其所依據的研究數據，通過三種不同的方式來創建用户畫像：
- 初級用户畫像，意在快速調整團隊關於用户的假設，而不是基於（新）研究。
- 定性用户畫像，基於小樣本定性研究，例如訪談，可用性測試或現場調研。
- 統計性用户畫像，即最初的定性研究通知用於收集大樣本的調查工具，角色從統計分析中產生。
初級用户畫像，一般是在沒有任何研究的背景下建立的。是通過團隊的經驗（或是合理的猜想）並建立在已有的用户數據基礎上，來判斷產品的用户應該是怎樣的。但實際上，大部分用户畫像都僅僅是基於團隊對用户的猜想。
1. 如何創建初級用户畫像一般初級用户畫像通常是在包含團隊以及主要利益相關者或客户的研討會中創建的。，研討會通常需要2到4個小時；每個參與者（使用一個簡單的模板）創建自己的2–5個初級用户畫像，然後與組共享。 小組討論所有角色，並將各種屬性組合，最終重新混合和編輯為3–6個原型性用户畫像。
初級用户畫像是在研討會的情景下創建的，包含了簡短的人口學描述，目標，痛點以及解決方案。
2. 初級用户畫像的優勢由於初級用户畫像不需要調研得到，所以初級用户畫像比較適合精益化的流程或是低成熟度的產品，或者可能不需要用到用户畫像。
初級用户畫像第二個重要的價值在於讓團隊對用户有一個大概的假想。一般來説，每個團隊成員都對主用户有不同的設想，缺乏對主用户畫像的對齊。這些雜亂無章的假設經常會使團隊觀點無法達成一致，所以將這些假想分類至少會確定一些共同的方向，即使結果並不能精確的適用於真實用户。
初級用户畫像可以作為未來連續性研究的啓蒙，後續可以繼續通過其他研究驗證（或者是修正原來的用户畫像方向）。
3. 初級用户畫像的劣勢很明顯，初級用户畫像沒有研究支撐，他們一般不能精確的代表用户。可能會導致團隊的設想反覆出現差錯。除此之外，如果團隊發現用户畫像的價值很低，通常就會出現消極的光環效應，轉向其他交互協作活動。
二、定性用户畫像：最適合大多數團隊對於大多數團隊來説，創建人物角色的最佳方法是使用小到中等規模的樣本進行可靠的探索性定性研究（比如採訪用户），然後根據共享的態度、目標、痛點和期望對用户進行細分。
1. 如何創建定性用户畫像從採訪5 – 30個用户開始（作為一個滾動樣本，每組5個用户，直到你在每次新的採訪中發現一些新的見解）。這些訪談可以是完全獨立的部分，也可以標記在可用性測試或實地研究中。
這項研究將揭示你的用户關心的主要事情：他們的痛點，他們對你的產品的特性和行為的期望，他們來描述用你的產品完成任務，他們如何處理關鍵的工作流程，以及他們試圖實現什麼。拿着你的成績單，把數據分成主要的主題（稱為數據編碼）。
然後分析部分包括尋找模式：你正在尋找的受訪者在這些關鍵主題中的大部分（但不一定是全部）與其他受訪者有重大重疊。與其簡單地在你面試過的人之間尋找完美的匹配，不如尋找更廣泛的模式。在你做這項工作的時候，向同事解釋一下兩者之間的聯繫是值得的。
例如，你可能會注意到（對於一個電子商務網站），多個受訪者描述了在做決定之前查看了許多產品頁面，而且這些受訪者中的大多數還説他們將購物車用作比較候選產品的等待區。而受訪者當中可能有許多不同的受訪者怎麼去回答其他問題：如使用不同的設備，他們買什麼，他們的預算是什麼等等。他們的相似之處可能會對您的團隊有更重要的影響，所以你可能會創建一個角色，關注他們的相似之處（例如研究員購物者）
定性分析過程細緻而詳細，完整的操作方法超出了本文的範圍。我們在“用户畫像研討會”中深入討論了這個過程。
2. 定性用户畫像的優勢定性衍生的用户畫像適合大多數團隊，當考慮到創建角色所涉及的工作與其價值的關係時——它們需要很少的時間投入，UX團隊可以在收集必要數據的同時進行其他工作。因為定性用户畫像是基於用户數據的，所以它們是準確的，並且提供了關於用户動機、期望和需求的關鍵洞察，而這些洞察是無法從分析數據、人口統計信息或假設中獲得的。
3. 定性用户畫像的劣勢定性用户畫像的最大缺點是：
因為它們不是基於大樣本的，所以沒有辦法確定每個角色所代表的用户羣體的比例（例如，您不能説Sandra這個認真的消費者是您用户基礎的60%)。
也有可能是由於樣本量較小，您無意中忽略了一些具有獨特特徵的用户，或者過多地表示了具有不尋常觀點的異常值。
特別是在用户體驗成熟度較低的組織中（對定性數據方法論沒有很好的理解），您可能需要不斷反駁定性角色“不科學”的説法。
三、統計性用户畫像：定性和定量研究的綜合工作量最大的用户畫像創建是通過大量用户調查收集數據後再用統計分析的方法來找到相似回答的用户組。儘管我形容這些過程為統計性用户畫像，但它們實際上是混合性用户畫像，因為這是建立在定性和定量兩種研究方式上的工作。
這種類型的用户畫像事先需要一些探索性的定性研究來確定調查中應包含那些問題。因為並不存在普遍適用且同時能產出對你團隊有效結果的用户調查問題，所以你必須對你的用户期望有足夠的瞭解並且需要創建一個調查表來顯示有用的內容。
儘管許多團隊不用定性研究方法而是完全依靠人口統計和數據分析來創建用户畫像，但我們仍不推薦這種做法，因為這將使得用户畫像在用户體驗決策中只能發揮有限的作用，即使分析數據能在較為宏觀的層面上顯示用户行為，可你仍然無法得知用户要完成的操作、原因、位置以及他們的感受。如果你不知道一個人做一件事的原因，那麼你往往會對此做出錯誤的假設。
用户畫像的本質意義是將你自己代入用户的角色從而能理解他們想要什麼以及為什麼，情景內容在這裏是非常關鍵的，而人口統計和分析數據缺少這個。
對於定性用户畫像，你可以根據定性研究中出現的主要主題再創建給許多人的調查，而不是根據他們的答案手動對相似用户進行聚類。 然後，你對調查數據進行統計分析，以將用户分為相似的組（因為他們傾向於對大多數問題提供相似的回答）。
它有效地消除了聚類過程中的人為偏見。但是，通過減少偏見而獲得的收益可能會使你在批判性思考用户之間的相似性是否有意義方面失去了，而這正是統計性用户畫像與它最大的不同。
1. 如何創建統計性用户畫像創建統計性用户畫像的第一步與定性用户畫像相同：進行探索性定性研究以識別用户中反覆出現的主要主題。之後基於此定性數據創建一個調查，使你可以大規模收集有關主要感興趣主題的定量數據。至少對100名（理想情況下為500名或更多）受訪者進行調查-統計分析技術在大樣本量時效果更好。
然後使用統計聚類技術，例如潛在類分析（在這些調查通常收集的分類數據上效果很好，並且還可以很好地處理不完整的數據）、因子分析或K均值聚類，以便在調查數據中找到模式。
注意：這種分析中經常出現的模式對於設計人員而言可能並不是特別有意義，並且可能很難用這些分析來將用於對用户進行分類的標準説出來。
2. 統計性用户畫像的優勢統計角色比其他方法具有優勢的三個主要原因：
- 如果有大量樣本，你可以確保離羣值不會在您的角色中被過多地代表（即一個具有許多其他人無法分享的異常心態的人並不會顯着影響結果）。
- 你可以知道每個角色代表您的總用户羣的百分比，這有助於權衡決策，使一個角色受益於另一個角色。
- 你可以對用户角色聚類進行逆向運用（使用判別分析），以找出哪些調查問題最能預測某人被聚類為哪個角色。 然後，你可以使用這些問題來招募未來的研究用户，從而確保所有角色都可以很好地代表你的所有研究。
進行統計性用户畫像的分工非常昂貴，耗時，並且需要統計分析方面的專業知識。 除非您可以聯繫統計學家或數據科學家，否則此方法不太可能取得成果，因此不建議使用。
此外，即使正確完成統計性用户畫像後，還需要運行整個定性角色研究並進行所有統計分析。 此外，團隊在完成所有統計工作並最終得出基於相同定性研究數據的與純定性用户畫像非常相似的結果並不少見。
在許多方面，這項技術就像使用液壓機將核桃打碎一樣。是的，你可以確定核桃的殼會被徹底打碎，但是在大多數情況下，這種方式的殺傷力很大，如果不小心操作，可能會造成混亂。
四、總結對於大多數團隊而言，用定性方法創建用户畫像是合適的，因為它提供了基於數據的紮實瞭解，瞭解用户是誰，他們想要什麼，具有成本效益且相對較快。
原型性用户畫像是極度精幹的團隊的一種選擇，它們可以使團隊成員對用户的假設一致。 它們非常適合那些根本不使用角色（或用户研究）的團隊，並且可以作為進一步研究的門户。
統計性用户畫像是擁有大量資源的團隊的一種選擇，但他們需要時間，精力，統計專業知識，並且要求團隊無論如何都要從定性研究入手，從而有效地重複了工作。
本文由 @喵吉斯蒂 翻譯發佈於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於CC0協議