SlideShare a Scribd company logo
1 of 13
Download to read offline
第2部分
              创建人物角色
             第3章 创建人物角色的方法

 这是一本实用指南,重点讲解如何通过建立和使用人物角色来让网站更加成功。现
在是应该开始创建一些人物角色的时候了。
 首先需要了解的是:在创建人物角色的时候,没有所谓正确的方法。像您所做的大多
数事情一样,在您的头顶上总是悬挂着一片阴云,上面写着大大的“看具体情况”几个字。
 • 它取决于人物角色的观众都是哪些人,为什么他们要同意使用人物角色。
 • 它取决于您使用人物角色的方式,以及您希望用人物角色来做什么类型的决定。
 • 它也取决于您希望(或可以)花费多少时间和资金在这个“以用户为中心”的设计
  行为上。
 创建人物角色的流程可以根据具体情况而定,本书讨论了三种主要方法,它们是根
据用户研究的类型和分析方法来区分的:
 • 定性人物角色。
 • 经定量检验的定性人物角色。
 • 定量人物角色。
 鉴于创建人物角色的方法多半取决于您所采用的用户研究类型,让我们首先来看一
下您可以选择的用户研究方法。

用户研究纵览
 做用户研究是想更好地去理解您的用户,那么您真正想了解的内容都是什么呢?这
是您应该问自己的第一个问题,同时它的答案将会决定您应该使用哪种研究方法,因为
特定的方法是为发现特定类型的信息量身定做的。
 认识用户研究方法的一个角度是将它们分成定性和定量两种:
 • 定性研究是从小规模的样本量中发现新事物的方法。用户访谈和可用性测试都属于这一
  类,因为它们是通过与少数用户(10到20个)互动来得到新想法或揭露以前未知的问题。
我在可用性测试中多次见过这样的情形。很明显用户费了很大力气才完成一个任务,
              这里有一个关键点:人们说的和做的可能完全不一样。
                       去保证搜索结果页面有用和可用。
用户用什么方式来浏览搜索结果页面是一条非常有价值的信息,因为它能告诉您如何
显示他们在使用网站时的普遍倾向,这些会影响您如何设计您的网站。比如说,知道
关的信息。行为不仅仅显示他们在哪里可能会有问题(像在可用性测试时那样),也
• 人们做了什么同样重要,因为与他们所说的相比较,实际行为能显示出更多与人们有
                       们您能了解到用户的目标和观点。
经验丰富的。访谈和调查问卷是用来研究“人们说什么”的最常用的方法,通过它
己的认知会直接影响到您与她在网站上的交流方式,不管她认为自己是无知的还是
己和在线体验的感受,去理解这些感受也是同样的重要。初次购房者Francis对于自
否则您就不可能知道哪些需要改善或怎样去改善。另一方面,观点透露了人们对自
您可能在网站流量日志中看到一些问题点,但除非您已经真正了解了用户的目标,
的对话,所以您需要彻底理解他们来到这个网站的原因,包括他们想要完成的任务。
• 人们说了什么很重要,因为这揭示了他们的目标和观点。目标触发了用户和您之间
                            对于“实际上做了什么”的关系。
如果在一个轴线上探索用户研究方法的话,定性对于定量的关系就是“人们说了什么”
发展方向。定量研究帮助您检验这些直觉是否切合实际,同时提供可以向您的老板展示的证据。
                                         @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@? @@@@@@@@
                               @@@@@@@@? @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@? @@@@@@@@
                               @@@
                               @@?@@@@@?                                                                                                                                                                                                                             g@@
                               @@?                                                                                                                                                                                                                                   g@@
                               @@?                                                                                                                                                                                                                                   g@@
                               @@?                                                                                                                                                                                                                                   g@@
                               @@?                                                                                                                                                                                                                                   g@@
                               @@?                                                                                                                                                                                                                                   g@@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@




究是一种低成本的方法,用于得到全新的见解以及网站的一些
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@




                                     这样的事。
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@




正如您所想像的那样,这两种研究方法都很重要。定性研
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@




                                     究则告诉您为什么会发生
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@
                                                                                                                                                                                                                                                                           @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@




                                     正在发生的事,而定性研
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@




                  导航中使用的术语)。
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                          @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@
                               @@                                                                                                                                                                                                                                          @@
                               @@                                                                                                                                                                                                                                          @@
                                                                                                                                                                                                                                                                           @@
                               @@                                                                                                                                                                                                                                  ?h@@
                               @@                                                                                                                                                                                                                                  ?h@@




                                       定量研究用于告诉您
                               @@                                                                                                                                                                                                                                  ?h@@
                               @@                                                                                                                                                                                                                                  ?h@@
                               @@                                                                                                                                                                                                                                  ?h@@
                               @@                                                                                                                                                                                                                                  ?h@@
                               @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@?e@@@@@@@@
                               @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@?e@@@@@@@@




的事(比如,可用性测试显示一些用户不能理解您在站点
您35%的网站访问者从来没有到达过产品页面),定性研究适用于讲述为什么会发生这样
从另一个角度来看:定量研究适用于告诉您正在发生的事(比如,您的日志文件告诉
确地反映了全部用户的真实情况。定量研究能帮助您验证通过定性研究而发现的假说。
分析上百或上千条数据,您会找出具有统计学意义的趋势,然后更加确信您的发现精
(浏览您的日志文件以了解用户在网站上的活动情况)是很典型的定量研究方法。通过
• 定量研究是用大量的样本来测试和证明某些事情的方法。调查问卷和网站流量统计
   意义上来讲,定性研究的结果是开放式的,通常会揭示出您不知道的一些事情。
发掘全新见解方面非常有价值,您可以根据其结果来进行下一步的测试和验证。从这个
定性研究不会证明任何事情,因为您是跟有限数量范围内的人们在进行交流,不过它在
                            创建人物角色                                                                                                   第2部分                                                                                                24
第3章 创建人物角色的方法  25


然而他们会声称这个任务很容易。有时候用户希望自己看上去不要那么愚蠢(男性通常
属于这类用户),而有时候则是由于任务太艰难,用户认为他们无法向我描述清楚发生了
什么事。但是更多的时候,是因为他们意识不到自己行为的真相。事实表明大多数人不
太擅长分析或留意自己的行为。大部分情况中,我们对自己的想像都不是事实的真实反
映。这就是为什么观察人们的实际行为比简单听取他们的说法更为重要的原因。
  说到这个关键点,有一个在营销圈子里多少有点名气的故事,也是我个人比较喜欢
的一个故事。当Sony引入Boom Box概念的时候,他们召集了一些潜在的消费者,组成焦
点小组来讨论这个新产品应该是什么颜色的:黑色或黄色。经过这一组潜在购买者的讨
论之后,每个人都认为消费者应该更倾向于黄色。这次会议以后,组织者对小组成员表
示了感谢,并告诉他们在离开前每个人可以免费带走一个Boom Box作为回报。那里有两
堆Boom Box:黄色和黑色。(我敢打赌您知道发生了什么)每个人拿的都是黑色的。
  人们说的和做的可能完全不一样。
  您必须保证自己对这两方面都有清楚的认识,否则您就没有完全理解您的用户。
  当您认识到它们的二维性(定性、定量的研究和人们所说的、所做的)以后,这些
常用的用户研究方法是如何支持各种研究目标的,是如何相互补充的,就变得显而易见
了。(我知道我做咨询的时间太长了,因为我不由自主地想要创建一个二维矩阵,这就像
是Siren 在召唤我一样。)

                          定性
                         (了解)



                  用户访谈          可用性测试




              目标和观点                 行为
             (人们所说的)              (人们所做的)




                  调查问卷      网站流量/日志文件分析



                          定量
                         (验证)
            四种常用的研究方法描绘出一个完整的用户形象


    Siren,希腊神话中以声音来迷惑人类的海妖,传说没有人能够逃离她诱人美妙的歌声。
26      第2部分    创建人物角色


     用户访谈对用户目标和观点进行定性的观察和发掘,而调查问卷则用于测试和验证这
些发现。可用性测试对用户的行为进行定性的观察,而网站流量分析则是通过大量的数据
来确保这些行为模式具有统计意义上的真实性。
     我可以在这个框架中加入很多别的研究方法,不过很显然,在每个方法的应用范围上
就会有更多的交叉点。下面这个图表显示了这些常用方法在这个矩阵上的定位。下次您做
用户研究计划的时候,最好先停下来想清楚您到底想知道什么,再确定哪种方法最合适。

                                定性
                               (了解)


                       日记/笔记研究[1]
                              现场调查
                     用户访谈               可用性测试
                       参与式设计 [2]

                  焦点小组
                                            眼动实验
                         卡片分类法
                  目标和观点                     行为
                 (人们所说的)                  (人们所做的)
                          消费者支持
                          数据分析
                                    自动化可用性测试

                       调查问卷

                                      网站流量/日志文件分析
                                定量             A/B测试
                               (验证)
                 用户研究和测试技术的纵览

     [1] 日记/笔记研究(Diary/Journal Studies)指的是招募用户来记录他和系统之间的交互过程,以及在这个过程中发
      生的每一个具体活动或问题。
     [2] 参与式设计(Participatory Design)指的是把开发者、企业代表和用户组织到一起,共同来设计一个解决
      方案。

     现在让我们回到之前的既定计划:创建这三种不同人物角色的主要方法各自是什
么呢?

定性人物角色
     现在从最传统的方法入手。许多企业创建人物角色时都会遵从以下步骤:

     1. 进行定性研究
     用户访谈是最常用的定性研究形式,因为一对一地与10到20个用户谈话,对大多数的
公司而言比较容易。一些企业用现场调查(Field Studies)来代替用户访谈,而选择的地点
第3章 创建人物角色的方法  27


则是用户最熟悉的环境(办公室或家中) 这样当他们询问与目标和观点有关的问题的时候,
                  ,
可以同时观察用户的行为。另外,您也可以在进行可用性测试的时候来观察用户,虽然它
不是创建人物角色的常用方法。
  2. 在定性研究的基础上细分用户群
  用户细分技术都是从选取大量的数据开始,然后根据每个群体中描述的人们的共同
点来创建用户群组。对人物角色而言,细分用户的目标就是找出一些模式,使您可以把
相似的人群归集到某个用户类型中去。这种细分群体的基础通常是他们的目标、观点和
(或)行为。
  对于定性人物角色,用户细分显而易见是一个与性质有关的过程。它更多的是坐在
一个房间里回顾您的笔记、听取其中的内容。举例来说,对于一个房地产网站,您可能
先与用户交谈,然后基于总体目标将他们细分为:买房子、找公寓、卖房子、二次抵押
贷款等等。
  3. 为每一个细分群体创建一个人物角色
  当您为用户的目标、行为和观点加入更多细节后,每个类型的用户群就会发展成一个
人物角色。而当您再赋予他们名字、照片、人口统计特征的信息、场景以及更多资料以后,
每个人物角色就会变得栩栩如生。
  这些步骤代表了创建人物角色最常用的方法,而且很多企业已经成功地按照这个过程
完成了他们的工作。对企业而言,这是一个相对较快的可以尝试并提炼人物角色的过程,
同时也是一种很不错的方法。
  我刚开始使用人物角色时,有一次是与一个用网站来执行自动化用户体验分析的公司
合作(我对这类产品的有效性保持怀疑,不过也许我只是害怕被一台Hal 9000的电脑抢了
饭碗)。作为一个测试新产品想法的年轻公司,这个团队与终端用户保持着极好的沟通并且
已经有了适当的细分模型。我的团队和我主导了一次与现有和潜在的客户访谈,来作为他
们的网站改版和交付报告的一部分,结果我们发现了一个该公司完全没有考虑到的新型客
户的角色。这个全新的第5个细分用户群,很快就变成了第5个人物角色,导致了针对提高
整体客户满意度的报告和网站设计的重大变化。这就是快速的定性研究通过人物角色作出
可实施的决定,从而改善了商业计划的一个实例。
  不管怎样,创建人物角色的这种定性方法有它的不足之处;任何方法都是有利有弊的,
让我们来看看它的优点和缺点:
28    第2部分   创建人物角色


优点:

     • 只需要相对低廉的投入。最基础的流程如下:与15个用户访谈、细分的用户群和创建
     人物角色,这只需要花上3到4个星期。如果由一个内部团队来创建人物角色,那么花
     费是最小的,不过前提是您能找到用户做访谈。
     • 更为简单的人物角色故事增进了理解和接受程度。因为您的人物角色来自于访谈和
     您曾经听到过的故事,可能您的人物角色只是根据一两个属性来进行定义,所以他
     们比较容易,常常一看就能明白。简单使事情更加明了,这样决策者更容易掌握并
     付诸实施。
     • 需要的专业人员比其他方法要少。您仍然需要几个能胜任以下工作的专业人员:主持
     用户访谈、发现用户模式、基于访谈结果创建人物角色,但您不需要任何的统计分析
     人员,因为您没有做定量研究。

缺点:

     • 没有量化的证据。在创建人物角色时,最容易出现的危险是会有人问:“你是怎么确
     定我们所有的用户和你曾经访问过的少数人是一样的?”创建定性人物角色的依据,
     第一是您能访问到的少量用户的想法,其次就是您看到的适用于所有用户的模式。换
     句话说,与有较大样本量支持的时候相比,您犯错误的几率更大。如果您的管理层需
     要量化的证据来接受您的方法的话,他们将把您的人物角色当成一种富有创意但最后
     不可靠的工具而漠然视之。有些人仅仅是想要有确凿数据的“证明”,而且谁能责备
     他们呢?如果您想要靠这些人物角色来做出重要的商业决策,您最好尽可能地保证它
     们的准确程度,同时找到足够说服其他人的证据。
     • 已有的假设不会受到质疑。您了解您的业务,同时您已经假设了谁是您的用户以及他
     们需要什么。无论是谁,在与用户谈话时,他/她不可避免地会将这些假设带进访谈
     中。结果就是:他们总是发现正在寻找的东西。人们总是下意识地寻找支持自己假说
     的事实,结果就变成是验证已有的观点而不是发现意外的惊喜。最常见的情形是,最
     后得到细分用户群看上去与最早的假设完全一样,研究对这个结果不会产生任何影响。
     这种情况并不是会发生在所有的项目中,但是当您在做定性的用户细分的时候,这就
     是一个极大的风险。

使用这个方法,如果:

     • 您不能投入更多时间和金钱在人物角色上。
第3章 创建人物角色的方法  29


 • 您的管理层相信和使用您的人物角色,而不需要了解量化的数据。
 • 在您使用人物角色方面的风险不是太高,所以没有量化的证据也可以。
 • 您想在一个小项目上先试用一下人物角色,在将它们应用到更大的项目之前先了解它
  们工作情况。
                  目标和观点       行为




                   用户访谈   可用性测试

         定性研究
                       现场调查



                       细分用户群




                       人物角色
         创建定性人物角色的过程


经定量验证的定性人物角色
 如果您想要这些人物角色有更加量化的客观成分,同时又能投入再多一点点的时间的
话,值得考虑一下这个方法。下面是一些基础步骤。

 1. 进行定性研究
 与第一种方法相同,从进行定性研究开始,去揭示用户的目标、行为和与观点有关
的直观感受。

 2. 在定性研究的基础上细分用户群
 用同样的定性细分方法来做,最终得到基于特定用户的目标、行为和(或)观点的一
定数量的细分用户群。

 3. 通过定量研究来验证用户细分
 这是一个新步骤:通过一次调查问卷或其他形式的定量研究方式,用更大数量的样
本来验证您的细分用户模型,以进一步保证它所反映的事实的准确程度。这件事的目的
是核实这些被细分的用户群确实是各不相同的,并且能得到一些证据,用来向管理层证
30    第2部分   创建人物角色


明您所创建的人物角色的科学性。调查数据对于验证目标和观点是最好的,网站流量分
析(较少用于生成人物角色)给您关于用户行为的确凿数字。做这些分析您可以用简单
的交叉表,或者用复杂的统计分析技术。
      比如说,如果您想验证基于目标的房地产用户细分模型,最好进行一次调查问卷,
其中应该有一个问题是“为什么用户会访问网站? 。您可以用一个简单的交叉表在Excel
                      ”
中进行分析,研究用户对于这个问题的答案对其他答案的影响程度(举个例子来说,初
次购房者会把某种功能或内容看得很重要吗?)。如果您看到一些差异,支持您将这些细
分用户群发展成独立人物角色,那么这个细分模型就成功了。如果没有,您就得试试其
他细分用户的方法并验证它们。

      4. 为每一个细分群体创建一个人物角色
      当进行了定量研究来创建更接近真实情况的人物角色之后,您就能更加确信您的决
策已经具有统计学意义了。人物角色不再是简单的虚构作品,而是拥有证据支持的研究
结果的混合体。现在当您在说Francis想做这个或想做那个的时候,您有确凿的数字来支
持您的描述。量化的数据对于证明您的观点不是必要的,但是它减少了您犯错误的几率。
它在为某个特别议题的重要程度和重要性提供相关证据方面,具有很高的价值。
      用这个方法,您为您的人物角色增加了一些科学依据,减少了艺术创作的成分。这
些细分用户群的来源仍然是定性研究,但是您用定量的方法来获得支持您的决定的证据。
      在之前的章节中,您曾经看到有一个经营特殊商品的零售商店,希望更好地理解他
们的客户是如何使用不同的渠道来购物的。既然目标是渠道使用方式,我们从一开始就
知道这就是即将用于细分用户并得到人物角色的基础。于是我们最后划分出了四个群体:
商店型、网站型、组合型以及在组合基础上的产品目录型,我们进行了一个调查,然后
与现有的CRM(Customer Relationship Management,客户关系管理)数据结合起来,这
样我们就知道了每个被调查者都使用过哪些渠道。接下来我们分别查看了这四个群体对
于所有问题的答案,从而对这些细分数据做了详细的分析。通过这种方式,我们能一目
了然地看出购物渠道是如何与其他现象相关联的。他们对这个商店的看法、在购物中他
们喜欢或不喜欢的事情、对每个群体来讲某种因素(如样式)的重要程度等等。这个调
查数据核实了我们基于渠道的细分用户群是真实而且有用的,于是我们就在这四个群体
的基础上分别创建了不同的人物角色。
      下面是这个方法的优点和缺点。
第3章 创建人物角色的方法  31


优点:

 • 量化的证据可以保护人物角色。对于保持怀疑态度的管理层,您现在能回答:
 “不!”您有相当的理由确信这些人物角色精确地代表了用户群。更多的是,您现
  在可以不假思索地说出支持您的决策的数据,比如:注意!初次购房者占了网站访
  问者的27%,并且有这类用户中有82%认为多媒体指南重要或非常重要。
 • 更简单的人物角色故事增进了理解和接受程度。与定性研究一样,你可能只用一两
  个属性来定义他们,而不是高级的统计分析可能揭示的多种综合因素。简单的人物
  角色故事使人们更容易理解和使用它们。
 • 由于分析数据方法的不同,您所需要的专业人员也较少。您可以自己对这些调查结
  果进行简单的交叉表分析。您也可以挖掘得更深以确定数据的统计意义,不过这需
  要增加专业的统计分析人员。

缺点:

 • 需要做额外的工作。由于多出来的步骤,整个流程需要6到8周时间。调查总是增加
  时间,因为您需要设计并展开调查,留出足够的时间使之充分完成,然后分析这些
  数据。另外,如果您的用户细分基于多重因素(例如:购房者的目标加上焦虑的态
  度加上过度条理化的行为),一个简单的调查结果交叉表分析就变成不可能的任务,
  工作量(和专业技能要求)会急剧增加。
 • 已有的假设不会受到质疑。这种风险仍然存在,因为最初的细分群体依旧是根据您
  的个人经历和看法来划分的。换句话说,您还是可能在尝试证实您觉得已经了解到
  的事情,而不是发现新的可能性。
 • 要是这些数据推翻了您的推测会怎么样呢?如果调查结果或网站流量分析没有支持
  您的细分模型,那么您就得做更多的工作了。最好的结局是,您在某次使用其他细
  分模型时就能看到这些数据支持其中的一个。最差的结局是,由于您没有提出全部
  的问题,导致找不到其他的选择,所以您不得不重新做一次新的调查或更多的网站
  流量分析。这两者都意味着更多的时间和金钱。

使用这个方法,如果:

 • 您能投入较多的时间和金钱。
 • 您的管理层需要看到量化的数据才能相信和使用您的人物角色。
 • 您非常确定您的定性细分模型是正确的。
32     第2部分    创建人物角色

                        目标和观点     行为



                        用户访谈      可用性测试
              定性研究
                               现场调查

                            细分用户群


                定量研究             网站流
                        调查问卷
                                 量分析




                               人物角色
              创建经定量验证的定性人物角色过程


定量人物角色
     要是创建人物角色的过程没有一点可靠的科学依据怎么办呢?这里出现的第三种方法
是我相信将越来越适合于创建人物角色的方法。为了找到对创建人物角色最有用的用户细
分模型,您将使用统计分析的方法一次性地测试多个模型,而不是测试您关于某个细分模
型的定性假说。
     1. 进行定性研究
     再一次,定性研究揭示了对用户的目标、行为和观点的直观感觉。
     2. 形成关于细分选项的假说
     与立刻决定最终的细分模型不同的是,您用定性研究来得到各种有可能用于细分用户
的方式。这样做的目的是得到一个用于定量分析的、多个候选细分选项的列表。
     3. 通过定量研究收集细分选项的数据
     对于每个可能的候选细分选项,您需要在调查问卷中提出某些特定的问题,或需要用
网站流量统计结果来回答某些特定的问题。比如,如果您认为用户的上网经历有可能成为
细分的一种方式,那么在调查问卷中就应该有一个问题是关于用户使用网站的经验和频率
的。这种方法中的定量研究不是试着去证实什么,相反的是,它的目标是为下一个步骤收
集更多的数据。

     4. 基于统计聚类分析来细分用户
     在这种方法中,统计算法在帮助您得到细分模型上扮演了一个更加活跃的角色,而不
第3章 创建人物角色的方法  33


只是证实您已有的假设。这个过程,简单地说,就是您把一组变量放进机器里,它就会自
己去寻找基于一些共同特性而自然发生的一组聚类数据。它会试着用不同的方式来细分用
户,并且执行一个迭代的过程,寻找一个在数学意义上可描述的共同性和差异性的细分模
型。您最终可能获得的是数量不确定的聚类类别和属性,来作为这些数据之间关键差异。
这是一个有点复杂的迭代过程,同时很大程度上仍然受您的执行方式的影响。但它与其他
方法有了本质上的不同,因为这种细分方式是由人为和数据两方面来共同推动的。
 5. 为每一个细分群体创建一个人物角色
 当这些聚类分析产生出细分群体后,您通过与之前相同的程序提取数据并使其逼真可
信:加入人物角色的姓名、照片和故事,将这些电子表格变成真实可信的人物。
                   目标和观点   行为



       定性研究        用户访谈    可用性测试

                       现场调查
              假设


        定量研究               网站流
                    用户调查
                           量分析

                       用户细分




                       人物角色
        创建定量人物角色的过程

 当企业越来越多地依靠人物角色来决定整个战略决策和市场计划时,定量人物角色会
因为更科学、更严谨而变得更普遍。在众多的企业中,由于引入定量方法而增加了人物角
色的客观性,这使得人物角色的创建过程与数据驱动的决策可以更加紧密地结合起来。定
量人物角色的使用频率也将提高,因为随着研究技术的持续发展,企业能得到的与用户有
关的变量数目只会越来越多。在一次性处理许多变量方面,机器的确比人类做得更好。
 我的一个客户(R.H.Donnelley,一个黄页出版社)想建立一个社区型的网站,让消费
者可以对本地的商家给予等级评定和评论。我从一开始就知道,对于到这个网站来阅读和
发表评论的消费者,把他们划分为不同群体将会使用很多不同的属性。后来,在潜在用户
的范围中进行的一次调查问卷,让我们得到了一个长长的潜在细分选项的列表,为收集数
据又依次进行了更大范围的调查。在调查问卷基础上迭代进行的聚类分析表明,最好的细
分方法是根据属性的综合指标来进行,这其中包括这些用户使用某种类型网站的频率,他
34    第2部分   创建人物角色


们对于专家、消费者的等级评定和评论的信赖程度,以及他们以前是否参与过类似的讨论
等等。在量化数据的支持下,我基于这些细分用户群创建了人物角色,它们使用户变得栩
栩如生。角色和支持它们的量化数据显示了许多真知灼见,可用于指导整体战略决策,确
定功能优先权,以及制定营销计划。
     以下是这个方法的优点和缺点:

优点:

     • 定量技术与人的智慧相结合产生人物角色。与其他方法相比较,人为的因素对这种方
     法的影响最少,因为量化数据不仅仅保护了您所创建的人物角色,它更多的是在第一
     时间验证了多个细分模型。对于“把人物角色当成做决策的一个有效工具”持有怀疑
     态度的管理层而言,这个精密又复杂的过程赶走了他/她的所有疑虑。
     • 迭代的方式能发现最好的方案。在其他方法中只是测试某个细分选项,本方法则是在
     数量众多的可能性中通过迭代找到一个您能用于创建人物角色的最好模型(您仍然拥
     有关于最终使用哪个细分模型的决定权,但是现在有了更多数据和选项来支持您的决
     定)。这有可能在数据中揭露出用其他方法没法考虑到的令人惊奇的模型,同时它还
     可能带来更好的对于用户的认识,和令这些用户更加满意的行为。它有助于团队从一
     个新的角度来思考问题。
     • 可以检查更多的变量。机器更擅长同时与大量不同的因素打交道和寻找人类肉眼无法
     发现的模式和差异。聚类分析能显示出您甚至都不知道要去发现的事情。

缺点:

     • 这个方法需要做大量的工作。这类统计分析需要时间同时又是一个反复的过程,所以
     总体项目耗时从7到10个星期不等。跟所有的方法一样,这通常是一个连续的过程,
     每一步会使用上一步的输入(访谈、假设、调查问卷、聚类分析)。
     • 您需要配备更多专业人员。您为了这种方法很可能需要增加一个统计分析员—能将各
     种分析技术应用于数据的人。这是一个将会使您越来越赞赏的、先进的专业团队配置。
     • 分析结果可能会引入一个新的、对企业的管理层来说会更加错综复杂和不适应的思考
     方式。通过聚类分析揭示出来的细分模型也许不是每个人都期望的那个。它们可能与
     很多因素的综合作用有关,并且很难一概而论。如果这个新的细分群体与现有的假设
     和商业方向相悖,那会是一个棘手的推销过程,但是至少您将有证据来支持您提议的
     重大变化。
第3章 创建人物角色的方法  35


使用这个方法,如果:

 • 您能投入时间和金钱。
 • 您的管理层需要看到量化的数据才能相信和使用您的人物角色。
 • 您希望通过探测多个细分模型来找到最合适的那个。
 • 您认为您的人物角色将由多个变量来确定,但是您不确定哪个是最重要的。
 您接下来要读哪几章,将完全取决于您选择的创建人物角色的方法。这有点类似于一
本自己选择,大胆尝试那一类的书。下一章我们将潜心钻研定性研究技术,主要的关注点
集中在用户访谈上,也将讨论如何把访谈结果应用到本章讨论到的这三种方法中。第5章讲
的是定量研究,重点探讨调查问卷和与之相关的第二种方法(验证您的细分用户群)和第
三种方法(产生您的细分用户群)。第6章是与三种方法都有关的用户细分方法,包括如何
进行定性和定量的用户细分。最后,不管您选择哪种方法来创建人物角色,剩下的章节您
都不应该错过。
 下面这一个速查表能帮助您选择接下来如何阅读。
 如何阅读下面的章节

 方法                阅读顺序和章节

 定性人物角色            第4章:进行定性的用户研究
                   第6章:生成细分的人物角色(定性的)

 经定量验证的定性人物角色      第4章:进行定性的用户研究
                   第6章:生成细分的人物角色(定性部分)
                   第5章:进行定量的用户研究

 定量人物角色            第4章:进行定性的用户研究
                   第5章:进行定量的用户研究
                   第6章:生成细分的人物角色(定量部分)

More Related Content

Featured

How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 

Featured (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

赢在用户03

  • 1. 第2部分 创建人物角色 第3章 创建人物角色的方法 这是一本实用指南,重点讲解如何通过建立和使用人物角色来让网站更加成功。现 在是应该开始创建一些人物角色的时候了。 首先需要了解的是:在创建人物角色的时候,没有所谓正确的方法。像您所做的大多 数事情一样,在您的头顶上总是悬挂着一片阴云,上面写着大大的“看具体情况”几个字。 • 它取决于人物角色的观众都是哪些人,为什么他们要同意使用人物角色。 • 它取决于您使用人物角色的方式,以及您希望用人物角色来做什么类型的决定。 • 它也取决于您希望(或可以)花费多少时间和资金在这个“以用户为中心”的设计 行为上。 创建人物角色的流程可以根据具体情况而定,本书讨论了三种主要方法,它们是根 据用户研究的类型和分析方法来区分的: • 定性人物角色。 • 经定量检验的定性人物角色。 • 定量人物角色。 鉴于创建人物角色的方法多半取决于您所采用的用户研究类型,让我们首先来看一 下您可以选择的用户研究方法。 用户研究纵览 做用户研究是想更好地去理解您的用户,那么您真正想了解的内容都是什么呢?这 是您应该问自己的第一个问题,同时它的答案将会决定您应该使用哪种研究方法,因为 特定的方法是为发现特定类型的信息量身定做的。 认识用户研究方法的一个角度是将它们分成定性和定量两种: • 定性研究是从小规模的样本量中发现新事物的方法。用户访谈和可用性测试都属于这一 类,因为它们是通过与少数用户(10到20个)互动来得到新想法或揭露以前未知的问题。
  • 2. 我在可用性测试中多次见过这样的情形。很明显用户费了很大力气才完成一个任务, 这里有一个关键点:人们说的和做的可能完全不一样。 去保证搜索结果页面有用和可用。 用户用什么方式来浏览搜索结果页面是一条非常有价值的信息,因为它能告诉您如何 显示他们在使用网站时的普遍倾向,这些会影响您如何设计您的网站。比如说,知道 关的信息。行为不仅仅显示他们在哪里可能会有问题(像在可用性测试时那样),也 • 人们做了什么同样重要,因为与他们所说的相比较,实际行为能显示出更多与人们有 们您能了解到用户的目标和观点。 经验丰富的。访谈和调查问卷是用来研究“人们说什么”的最常用的方法,通过它 己的认知会直接影响到您与她在网站上的交流方式,不管她认为自己是无知的还是 己和在线体验的感受,去理解这些感受也是同样的重要。初次购房者Francis对于自 否则您就不可能知道哪些需要改善或怎样去改善。另一方面,观点透露了人们对自 您可能在网站流量日志中看到一些问题点,但除非您已经真正了解了用户的目标, 的对话,所以您需要彻底理解他们来到这个网站的原因,包括他们想要完成的任务。 • 人们说了什么很重要,因为这揭示了他们的目标和观点。目标触发了用户和您之间 对于“实际上做了什么”的关系。 如果在一个轴线上探索用户研究方法的话,定性对于定量的关系就是“人们说了什么” 发展方向。定量研究帮助您检验这些直觉是否切合实际,同时提供可以向您的老板展示的证据。 @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@? @@@@@@@@ @@@@@@@@? @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@? @@@@@@@@ @@@ @@?@@@@@? g@@ @@? g@@ @@? g@@ @@? g@@ @@? g@@ @@? g@@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ 究是一种低成本的方法,用于得到全新的见解以及网站的一些 @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ 这样的事。 @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ 正如您所想像的那样,这两种研究方法都很重要。定性研 @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ 究则告诉您为什么会发生 @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ 正在发生的事,而定性研 @@ @@ @@ @@ 导航中使用的术语)。 @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ @@ ?h@@ @@ ?h@@ 定量研究用于告诉您 @@ ?h@@ @@ ?h@@ @@ ?h@@ @@ ?h@@ @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@?e@@@@@@@@ @@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@e?@@@@@@@@?e@@@@@@@@?e@@@@@@@@ 的事(比如,可用性测试显示一些用户不能理解您在站点 您35%的网站访问者从来没有到达过产品页面),定性研究适用于讲述为什么会发生这样 从另一个角度来看:定量研究适用于告诉您正在发生的事(比如,您的日志文件告诉 确地反映了全部用户的真实情况。定量研究能帮助您验证通过定性研究而发现的假说。 分析上百或上千条数据,您会找出具有统计学意义的趋势,然后更加确信您的发现精 (浏览您的日志文件以了解用户在网站上的活动情况)是很典型的定量研究方法。通过 • 定量研究是用大量的样本来测试和证明某些事情的方法。调查问卷和网站流量统计 意义上来讲,定性研究的结果是开放式的,通常会揭示出您不知道的一些事情。 发掘全新见解方面非常有价值,您可以根据其结果来进行下一步的测试和验证。从这个 定性研究不会证明任何事情,因为您是跟有限数量范围内的人们在进行交流,不过它在 创建人物角色 第2部分 24
  • 3. 第3章 创建人物角色的方法  25 然而他们会声称这个任务很容易。有时候用户希望自己看上去不要那么愚蠢(男性通常 属于这类用户),而有时候则是由于任务太艰难,用户认为他们无法向我描述清楚发生了 什么事。但是更多的时候,是因为他们意识不到自己行为的真相。事实表明大多数人不 太擅长分析或留意自己的行为。大部分情况中,我们对自己的想像都不是事实的真实反 映。这就是为什么观察人们的实际行为比简单听取他们的说法更为重要的原因。 说到这个关键点,有一个在营销圈子里多少有点名气的故事,也是我个人比较喜欢 的一个故事。当Sony引入Boom Box概念的时候,他们召集了一些潜在的消费者,组成焦 点小组来讨论这个新产品应该是什么颜色的:黑色或黄色。经过这一组潜在购买者的讨 论之后,每个人都认为消费者应该更倾向于黄色。这次会议以后,组织者对小组成员表 示了感谢,并告诉他们在离开前每个人可以免费带走一个Boom Box作为回报。那里有两 堆Boom Box:黄色和黑色。(我敢打赌您知道发生了什么)每个人拿的都是黑色的。 人们说的和做的可能完全不一样。 您必须保证自己对这两方面都有清楚的认识,否则您就没有完全理解您的用户。 当您认识到它们的二维性(定性、定量的研究和人们所说的、所做的)以后,这些 常用的用户研究方法是如何支持各种研究目标的,是如何相互补充的,就变得显而易见 了。(我知道我做咨询的时间太长了,因为我不由自主地想要创建一个二维矩阵,这就像 是Siren 在召唤我一样。) 定性 (了解) 用户访谈 可用性测试 目标和观点 行为 (人们所说的) (人们所做的) 调查问卷 网站流量/日志文件分析 定量 (验证) 四种常用的研究方法描绘出一个完整的用户形象 Siren,希腊神话中以声音来迷惑人类的海妖,传说没有人能够逃离她诱人美妙的歌声。
  • 4. 26 第2部分 创建人物角色 用户访谈对用户目标和观点进行定性的观察和发掘,而调查问卷则用于测试和验证这 些发现。可用性测试对用户的行为进行定性的观察,而网站流量分析则是通过大量的数据 来确保这些行为模式具有统计意义上的真实性。 我可以在这个框架中加入很多别的研究方法,不过很显然,在每个方法的应用范围上 就会有更多的交叉点。下面这个图表显示了这些常用方法在这个矩阵上的定位。下次您做 用户研究计划的时候,最好先停下来想清楚您到底想知道什么,再确定哪种方法最合适。 定性 (了解) 日记/笔记研究[1] 现场调查 用户访谈 可用性测试 参与式设计 [2] 焦点小组 眼动实验 卡片分类法 目标和观点 行为 (人们所说的) (人们所做的) 消费者支持 数据分析 自动化可用性测试 调查问卷 网站流量/日志文件分析 定量 A/B测试 (验证) 用户研究和测试技术的纵览 [1] 日记/笔记研究(Diary/Journal Studies)指的是招募用户来记录他和系统之间的交互过程,以及在这个过程中发 生的每一个具体活动或问题。 [2] 参与式设计(Participatory Design)指的是把开发者、企业代表和用户组织到一起,共同来设计一个解决 方案。 现在让我们回到之前的既定计划:创建这三种不同人物角色的主要方法各自是什 么呢? 定性人物角色 现在从最传统的方法入手。许多企业创建人物角色时都会遵从以下步骤: 1. 进行定性研究 用户访谈是最常用的定性研究形式,因为一对一地与10到20个用户谈话,对大多数的 公司而言比较容易。一些企业用现场调查(Field Studies)来代替用户访谈,而选择的地点
  • 5. 第3章 创建人物角色的方法  27 则是用户最熟悉的环境(办公室或家中) 这样当他们询问与目标和观点有关的问题的时候, , 可以同时观察用户的行为。另外,您也可以在进行可用性测试的时候来观察用户,虽然它 不是创建人物角色的常用方法。 2. 在定性研究的基础上细分用户群 用户细分技术都是从选取大量的数据开始,然后根据每个群体中描述的人们的共同 点来创建用户群组。对人物角色而言,细分用户的目标就是找出一些模式,使您可以把 相似的人群归集到某个用户类型中去。这种细分群体的基础通常是他们的目标、观点和 (或)行为。 对于定性人物角色,用户细分显而易见是一个与性质有关的过程。它更多的是坐在 一个房间里回顾您的笔记、听取其中的内容。举例来说,对于一个房地产网站,您可能 先与用户交谈,然后基于总体目标将他们细分为:买房子、找公寓、卖房子、二次抵押 贷款等等。 3. 为每一个细分群体创建一个人物角色 当您为用户的目标、行为和观点加入更多细节后,每个类型的用户群就会发展成一个 人物角色。而当您再赋予他们名字、照片、人口统计特征的信息、场景以及更多资料以后, 每个人物角色就会变得栩栩如生。 这些步骤代表了创建人物角色最常用的方法,而且很多企业已经成功地按照这个过程 完成了他们的工作。对企业而言,这是一个相对较快的可以尝试并提炼人物角色的过程, 同时也是一种很不错的方法。 我刚开始使用人物角色时,有一次是与一个用网站来执行自动化用户体验分析的公司 合作(我对这类产品的有效性保持怀疑,不过也许我只是害怕被一台Hal 9000的电脑抢了 饭碗)。作为一个测试新产品想法的年轻公司,这个团队与终端用户保持着极好的沟通并且 已经有了适当的细分模型。我的团队和我主导了一次与现有和潜在的客户访谈,来作为他 们的网站改版和交付报告的一部分,结果我们发现了一个该公司完全没有考虑到的新型客 户的角色。这个全新的第5个细分用户群,很快就变成了第5个人物角色,导致了针对提高 整体客户满意度的报告和网站设计的重大变化。这就是快速的定性研究通过人物角色作出 可实施的决定,从而改善了商业计划的一个实例。 不管怎样,创建人物角色的这种定性方法有它的不足之处;任何方法都是有利有弊的, 让我们来看看它的优点和缺点:
  • 6. 28 第2部分 创建人物角色 优点: • 只需要相对低廉的投入。最基础的流程如下:与15个用户访谈、细分的用户群和创建 人物角色,这只需要花上3到4个星期。如果由一个内部团队来创建人物角色,那么花 费是最小的,不过前提是您能找到用户做访谈。 • 更为简单的人物角色故事增进了理解和接受程度。因为您的人物角色来自于访谈和 您曾经听到过的故事,可能您的人物角色只是根据一两个属性来进行定义,所以他 们比较容易,常常一看就能明白。简单使事情更加明了,这样决策者更容易掌握并 付诸实施。 • 需要的专业人员比其他方法要少。您仍然需要几个能胜任以下工作的专业人员:主持 用户访谈、发现用户模式、基于访谈结果创建人物角色,但您不需要任何的统计分析 人员,因为您没有做定量研究。 缺点: • 没有量化的证据。在创建人物角色时,最容易出现的危险是会有人问:“你是怎么确 定我们所有的用户和你曾经访问过的少数人是一样的?”创建定性人物角色的依据, 第一是您能访问到的少量用户的想法,其次就是您看到的适用于所有用户的模式。换 句话说,与有较大样本量支持的时候相比,您犯错误的几率更大。如果您的管理层需 要量化的证据来接受您的方法的话,他们将把您的人物角色当成一种富有创意但最后 不可靠的工具而漠然视之。有些人仅仅是想要有确凿数据的“证明”,而且谁能责备 他们呢?如果您想要靠这些人物角色来做出重要的商业决策,您最好尽可能地保证它 们的准确程度,同时找到足够说服其他人的证据。 • 已有的假设不会受到质疑。您了解您的业务,同时您已经假设了谁是您的用户以及他 们需要什么。无论是谁,在与用户谈话时,他/她不可避免地会将这些假设带进访谈 中。结果就是:他们总是发现正在寻找的东西。人们总是下意识地寻找支持自己假说 的事实,结果就变成是验证已有的观点而不是发现意外的惊喜。最常见的情形是,最 后得到细分用户群看上去与最早的假设完全一样,研究对这个结果不会产生任何影响。 这种情况并不是会发生在所有的项目中,但是当您在做定性的用户细分的时候,这就 是一个极大的风险。 使用这个方法,如果: • 您不能投入更多时间和金钱在人物角色上。
  • 7. 第3章 创建人物角色的方法  29 • 您的管理层相信和使用您的人物角色,而不需要了解量化的数据。 • 在您使用人物角色方面的风险不是太高,所以没有量化的证据也可以。 • 您想在一个小项目上先试用一下人物角色,在将它们应用到更大的项目之前先了解它 们工作情况。 目标和观点 行为 用户访谈 可用性测试 定性研究 现场调查 细分用户群 人物角色 创建定性人物角色的过程 经定量验证的定性人物角色 如果您想要这些人物角色有更加量化的客观成分,同时又能投入再多一点点的时间的 话,值得考虑一下这个方法。下面是一些基础步骤。 1. 进行定性研究 与第一种方法相同,从进行定性研究开始,去揭示用户的目标、行为和与观点有关 的直观感受。 2. 在定性研究的基础上细分用户群 用同样的定性细分方法来做,最终得到基于特定用户的目标、行为和(或)观点的一 定数量的细分用户群。 3. 通过定量研究来验证用户细分 这是一个新步骤:通过一次调查问卷或其他形式的定量研究方式,用更大数量的样 本来验证您的细分用户模型,以进一步保证它所反映的事实的准确程度。这件事的目的 是核实这些被细分的用户群确实是各不相同的,并且能得到一些证据,用来向管理层证
  • 8. 30 第2部分 创建人物角色 明您所创建的人物角色的科学性。调查数据对于验证目标和观点是最好的,网站流量分 析(较少用于生成人物角色)给您关于用户行为的确凿数字。做这些分析您可以用简单 的交叉表,或者用复杂的统计分析技术。 比如说,如果您想验证基于目标的房地产用户细分模型,最好进行一次调查问卷, 其中应该有一个问题是“为什么用户会访问网站? 。您可以用一个简单的交叉表在Excel ” 中进行分析,研究用户对于这个问题的答案对其他答案的影响程度(举个例子来说,初 次购房者会把某种功能或内容看得很重要吗?)。如果您看到一些差异,支持您将这些细 分用户群发展成独立人物角色,那么这个细分模型就成功了。如果没有,您就得试试其 他细分用户的方法并验证它们。 4. 为每一个细分群体创建一个人物角色 当进行了定量研究来创建更接近真实情况的人物角色之后,您就能更加确信您的决 策已经具有统计学意义了。人物角色不再是简单的虚构作品,而是拥有证据支持的研究 结果的混合体。现在当您在说Francis想做这个或想做那个的时候,您有确凿的数字来支 持您的描述。量化的数据对于证明您的观点不是必要的,但是它减少了您犯错误的几率。 它在为某个特别议题的重要程度和重要性提供相关证据方面,具有很高的价值。 用这个方法,您为您的人物角色增加了一些科学依据,减少了艺术创作的成分。这 些细分用户群的来源仍然是定性研究,但是您用定量的方法来获得支持您的决定的证据。 在之前的章节中,您曾经看到有一个经营特殊商品的零售商店,希望更好地理解他 们的客户是如何使用不同的渠道来购物的。既然目标是渠道使用方式,我们从一开始就 知道这就是即将用于细分用户并得到人物角色的基础。于是我们最后划分出了四个群体: 商店型、网站型、组合型以及在组合基础上的产品目录型,我们进行了一个调查,然后 与现有的CRM(Customer Relationship Management,客户关系管理)数据结合起来,这 样我们就知道了每个被调查者都使用过哪些渠道。接下来我们分别查看了这四个群体对 于所有问题的答案,从而对这些细分数据做了详细的分析。通过这种方式,我们能一目 了然地看出购物渠道是如何与其他现象相关联的。他们对这个商店的看法、在购物中他 们喜欢或不喜欢的事情、对每个群体来讲某种因素(如样式)的重要程度等等。这个调 查数据核实了我们基于渠道的细分用户群是真实而且有用的,于是我们就在这四个群体 的基础上分别创建了不同的人物角色。 下面是这个方法的优点和缺点。
  • 9. 第3章 创建人物角色的方法  31 优点: • 量化的证据可以保护人物角色。对于保持怀疑态度的管理层,您现在能回答: “不!”您有相当的理由确信这些人物角色精确地代表了用户群。更多的是,您现 在可以不假思索地说出支持您的决策的数据,比如:注意!初次购房者占了网站访 问者的27%,并且有这类用户中有82%认为多媒体指南重要或非常重要。 • 更简单的人物角色故事增进了理解和接受程度。与定性研究一样,你可能只用一两 个属性来定义他们,而不是高级的统计分析可能揭示的多种综合因素。简单的人物 角色故事使人们更容易理解和使用它们。 • 由于分析数据方法的不同,您所需要的专业人员也较少。您可以自己对这些调查结 果进行简单的交叉表分析。您也可以挖掘得更深以确定数据的统计意义,不过这需 要增加专业的统计分析人员。 缺点: • 需要做额外的工作。由于多出来的步骤,整个流程需要6到8周时间。调查总是增加 时间,因为您需要设计并展开调查,留出足够的时间使之充分完成,然后分析这些 数据。另外,如果您的用户细分基于多重因素(例如:购房者的目标加上焦虑的态 度加上过度条理化的行为),一个简单的调查结果交叉表分析就变成不可能的任务, 工作量(和专业技能要求)会急剧增加。 • 已有的假设不会受到质疑。这种风险仍然存在,因为最初的细分群体依旧是根据您 的个人经历和看法来划分的。换句话说,您还是可能在尝试证实您觉得已经了解到 的事情,而不是发现新的可能性。 • 要是这些数据推翻了您的推测会怎么样呢?如果调查结果或网站流量分析没有支持 您的细分模型,那么您就得做更多的工作了。最好的结局是,您在某次使用其他细 分模型时就能看到这些数据支持其中的一个。最差的结局是,由于您没有提出全部 的问题,导致找不到其他的选择,所以您不得不重新做一次新的调查或更多的网站 流量分析。这两者都意味着更多的时间和金钱。 使用这个方法,如果: • 您能投入较多的时间和金钱。 • 您的管理层需要看到量化的数据才能相信和使用您的人物角色。 • 您非常确定您的定性细分模型是正确的。
  • 10. 32 第2部分 创建人物角色 目标和观点 行为 用户访谈 可用性测试 定性研究 现场调查 细分用户群 定量研究 网站流 调查问卷 量分析 人物角色 创建经定量验证的定性人物角色过程 定量人物角色 要是创建人物角色的过程没有一点可靠的科学依据怎么办呢?这里出现的第三种方法 是我相信将越来越适合于创建人物角色的方法。为了找到对创建人物角色最有用的用户细 分模型,您将使用统计分析的方法一次性地测试多个模型,而不是测试您关于某个细分模 型的定性假说。 1. 进行定性研究 再一次,定性研究揭示了对用户的目标、行为和观点的直观感觉。 2. 形成关于细分选项的假说 与立刻决定最终的细分模型不同的是,您用定性研究来得到各种有可能用于细分用户 的方式。这样做的目的是得到一个用于定量分析的、多个候选细分选项的列表。 3. 通过定量研究收集细分选项的数据 对于每个可能的候选细分选项,您需要在调查问卷中提出某些特定的问题,或需要用 网站流量统计结果来回答某些特定的问题。比如,如果您认为用户的上网经历有可能成为 细分的一种方式,那么在调查问卷中就应该有一个问题是关于用户使用网站的经验和频率 的。这种方法中的定量研究不是试着去证实什么,相反的是,它的目标是为下一个步骤收 集更多的数据。 4. 基于统计聚类分析来细分用户 在这种方法中,统计算法在帮助您得到细分模型上扮演了一个更加活跃的角色,而不
  • 11. 第3章 创建人物角色的方法  33 只是证实您已有的假设。这个过程,简单地说,就是您把一组变量放进机器里,它就会自 己去寻找基于一些共同特性而自然发生的一组聚类数据。它会试着用不同的方式来细分用 户,并且执行一个迭代的过程,寻找一个在数学意义上可描述的共同性和差异性的细分模 型。您最终可能获得的是数量不确定的聚类类别和属性,来作为这些数据之间关键差异。 这是一个有点复杂的迭代过程,同时很大程度上仍然受您的执行方式的影响。但它与其他 方法有了本质上的不同,因为这种细分方式是由人为和数据两方面来共同推动的。 5. 为每一个细分群体创建一个人物角色 当这些聚类分析产生出细分群体后,您通过与之前相同的程序提取数据并使其逼真可 信:加入人物角色的姓名、照片和故事,将这些电子表格变成真实可信的人物。 目标和观点 行为 定性研究 用户访谈 可用性测试 现场调查 假设 定量研究 网站流 用户调查 量分析 用户细分 人物角色 创建定量人物角色的过程 当企业越来越多地依靠人物角色来决定整个战略决策和市场计划时,定量人物角色会 因为更科学、更严谨而变得更普遍。在众多的企业中,由于引入定量方法而增加了人物角 色的客观性,这使得人物角色的创建过程与数据驱动的决策可以更加紧密地结合起来。定 量人物角色的使用频率也将提高,因为随着研究技术的持续发展,企业能得到的与用户有 关的变量数目只会越来越多。在一次性处理许多变量方面,机器的确比人类做得更好。 我的一个客户(R.H.Donnelley,一个黄页出版社)想建立一个社区型的网站,让消费 者可以对本地的商家给予等级评定和评论。我从一开始就知道,对于到这个网站来阅读和 发表评论的消费者,把他们划分为不同群体将会使用很多不同的属性。后来,在潜在用户 的范围中进行的一次调查问卷,让我们得到了一个长长的潜在细分选项的列表,为收集数 据又依次进行了更大范围的调查。在调查问卷基础上迭代进行的聚类分析表明,最好的细 分方法是根据属性的综合指标来进行,这其中包括这些用户使用某种类型网站的频率,他
  • 12. 34 第2部分 创建人物角色 们对于专家、消费者的等级评定和评论的信赖程度,以及他们以前是否参与过类似的讨论 等等。在量化数据的支持下,我基于这些细分用户群创建了人物角色,它们使用户变得栩 栩如生。角色和支持它们的量化数据显示了许多真知灼见,可用于指导整体战略决策,确 定功能优先权,以及制定营销计划。 以下是这个方法的优点和缺点: 优点: • 定量技术与人的智慧相结合产生人物角色。与其他方法相比较,人为的因素对这种方 法的影响最少,因为量化数据不仅仅保护了您所创建的人物角色,它更多的是在第一 时间验证了多个细分模型。对于“把人物角色当成做决策的一个有效工具”持有怀疑 态度的管理层而言,这个精密又复杂的过程赶走了他/她的所有疑虑。 • 迭代的方式能发现最好的方案。在其他方法中只是测试某个细分选项,本方法则是在 数量众多的可能性中通过迭代找到一个您能用于创建人物角色的最好模型(您仍然拥 有关于最终使用哪个细分模型的决定权,但是现在有了更多数据和选项来支持您的决 定)。这有可能在数据中揭露出用其他方法没法考虑到的令人惊奇的模型,同时它还 可能带来更好的对于用户的认识,和令这些用户更加满意的行为。它有助于团队从一 个新的角度来思考问题。 • 可以检查更多的变量。机器更擅长同时与大量不同的因素打交道和寻找人类肉眼无法 发现的模式和差异。聚类分析能显示出您甚至都不知道要去发现的事情。 缺点: • 这个方法需要做大量的工作。这类统计分析需要时间同时又是一个反复的过程,所以 总体项目耗时从7到10个星期不等。跟所有的方法一样,这通常是一个连续的过程, 每一步会使用上一步的输入(访谈、假设、调查问卷、聚类分析)。 • 您需要配备更多专业人员。您为了这种方法很可能需要增加一个统计分析员—能将各 种分析技术应用于数据的人。这是一个将会使您越来越赞赏的、先进的专业团队配置。 • 分析结果可能会引入一个新的、对企业的管理层来说会更加错综复杂和不适应的思考 方式。通过聚类分析揭示出来的细分模型也许不是每个人都期望的那个。它们可能与 很多因素的综合作用有关,并且很难一概而论。如果这个新的细分群体与现有的假设 和商业方向相悖,那会是一个棘手的推销过程,但是至少您将有证据来支持您提议的 重大变化。
  • 13. 第3章 创建人物角色的方法  35 使用这个方法,如果: • 您能投入时间和金钱。 • 您的管理层需要看到量化的数据才能相信和使用您的人物角色。 • 您希望通过探测多个细分模型来找到最合适的那个。 • 您认为您的人物角色将由多个变量来确定,但是您不确定哪个是最重要的。 您接下来要读哪几章,将完全取决于您选择的创建人物角色的方法。这有点类似于一 本自己选择,大胆尝试那一类的书。下一章我们将潜心钻研定性研究技术,主要的关注点 集中在用户访谈上,也将讨论如何把访谈结果应用到本章讨论到的这三种方法中。第5章讲 的是定量研究,重点探讨调查问卷和与之相关的第二种方法(验证您的细分用户群)和第 三种方法(产生您的细分用户群)。第6章是与三种方法都有关的用户细分方法,包括如何 进行定性和定量的用户细分。最后,不管您选择哪种方法来创建人物角色,剩下的章节您 都不应该错过。 下面这一个速查表能帮助您选择接下来如何阅读。 如何阅读下面的章节 方法 阅读顺序和章节 定性人物角色 第4章:进行定性的用户研究 第6章:生成细分的人物角色(定性的) 经定量验证的定性人物角色 第4章:进行定性的用户研究 第6章:生成细分的人物角色(定性部分) 第5章:进行定量的用户研究 定量人物角色 第4章:进行定性的用户研究 第5章:进行定量的用户研究 第6章:生成细分的人物角色(定量部分)