欧美日韩一卡2卡三卡4卡 乱码欧美孕交-国产男小鲜肉同志免费-国产ww久久久久久久久久-久久久久久久性潮

很想寫一些東西來總結總結自己的工作，可惜工作太忙一直也沒顧得上來寫。最近閑來想和大家討論討論關于創(chuàng)建用戶模型的事情。

一、用戶模型的建立與問卷數據的采集

Persona：(Persona是用戶模型的的簡稱)是虛構出的一個用戶用來代表一個用戶群。一個persona可以比任何一個真實的個體都更有代表性。

首先，用戶模型是對用戶的一種劃分，是將一個類的概念轉化成為一個角色。這里舉一個簡單的例子：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生的角色代表，代表的是一類人或是一個群體。

用戶是大量混雜的，我們需要將用戶按照角色分開來確定不同角色的偏好與場景的結合，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，我這個菜鳥可不敢班門弄斧，我個人比較推崇Dr.Lene Nielsen的10步建立Persona方法。

Finding the users 發(fā)現用戶

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 定義場景目標 

Validation and buy-in 復核與買進 

Dissemination of knowledge 知識的散布 

Creating scenarios 創(chuàng)建劇情 

On-going development 持續(xù)的發(fā)展

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

第一步：確定用戶，做出假設

首先，要明確用戶群體，這個在大多數應用開發(fā)之前就應該明確了。連用戶群都不知道還開發(fā)個毛產品。其次，做出用戶角色假設。這個時候大家就要問了，我本來就是要確定用戶角色模型，這不是本末倒置了么？？我要說明一點，在用戶角色分析之前，我們要有個對用戶劃分的方向。比如對于一個游戲，我們要劃分用戶模型，其實有很多種分的方法。用戶可以分為，初級玩家、中級玩家；還可以分為，戰(zhàn)略性玩具、視覺性玩家、裝備性玩家。任何一個用戶群體都有多種分類方式，首先要確定我們到底怎么來分類用戶。確定了分類方式之后，再來一個一個分類來研究。

下面以一個我從事的互聯網醫(yī)療產品作為一個簡單的例子，來對這一點進行說明。這里只是簡單舉例，真正的用戶模型假設分類遠比例子復雜的多。

首先簡單定義用戶群：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直接前往醫(yī)院，并不會打開手機應用來咨詢醫(yī)生或者詢問用藥指導。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，我們簡單的把用戶角色分為：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，不放過一點一滴的問題。粗放型：只需要知道個大概有事沒事，不太關心自己的健康狀態(tài)。我們先簡單將用戶角色分為這兩種，繼續(xù)第二步發(fā)分析。

第二步：確定用戶興趣點（提取變量變量）

對于這一步，可以通過少量用戶訪談來完成，其實就是找到所有用戶關注的點，我們將這些用戶關注的點稱為變量。

比如對于醫(yī)療產品，經過對用戶的訪談，我們簡略總結用戶關注度為：醫(yī)生的真實可靠性、醫(yī)生的負責程度、能否找本地醫(yī)生掛號、產品視覺、產品交互。為了舉例方便，我們簡單總結用戶關注的這5個特點。從而可知，我們得到5個變量，下面將設計問卷分析出對不同角色用戶對這5個變量的差異性。

第三步：設計問卷（最關鍵的一步）

問卷是針對我們產品真實用戶群的調查，所以題目的設計必須非常具有針對性，并且通過結果能夠達到我們預期的效果。

首先，要先將問卷問題分成三個區(qū)：甄別性問題區(qū)、變量問題區(qū)、建議性問題區(qū)。估計有人要問這都是些神馬？？？其實這些很簡單。甄別性問題，是用來甄別出用戶屬于哪個角色；比如我設置了10個問題，符合1，3，5條問題的用戶屬于角色A，符合2，4，6條問題的用戶屬于角色B。

甄別性問題：

以剛才的例子，我們簡單設置3個甄別性問題：

Z1.您一般在線咨詢病情的時間是多久？

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

Z2.您是否需要隨時的咨詢醫(yī)生？

A.需要     B.不需要     C.看情況

Z3.如果手上被劃了一個小口子，并不是非常嚴重，您會？

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(guī)則如下：

為了舉例方便，我們簡單給甄別角色設置了上述規(guī)則。這里說明幾點，第一，規(guī)則是人設定的，可以更改，只有更好的規(guī)則，規(guī)則沒有對錯；第二，問題1、問題2、問題3之間是“與”的關系，問題內選項是“或”的關系。

有個問題，如果用戶的答案都不滿足于上面的規(guī)則，那如何分配用戶角色呢？？？答案很簡單：要么真正研究規(guī)則并修改規(guī)則；要么作為數據清洗將用戶清洗掉（說明該用戶沒有認真答題，或是用戶屬于極小類群）。當然這個地方還有很多可以優(yōu)化，具體參考數據挖掘資料。

變量性問題：

變量性問題其實是指針對用戶關注的點進行問題設置。我們剛才舉例總結出的關注點為：醫(yī)生的真實可靠性、醫(yī)生的負責程度、能否找本地醫(yī)生掛號、產品視覺、產品交互，5個方面，針對每個方面可以設置1-n問題。(為了簡便，每個變量僅列出一個問題)

下面在列舉出一個變量舉出多個問題的例子：

產品交互：

您對頁面扭轉時的流暢性要求如何？

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代表不經常，100代表經常操作） 

您喜愛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，在設計變量性問題的時候，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。

建議性問題：

建議性問題是不用用戶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題。比如，對于老年用戶，可能會提出應用設計中存在放大鏡功能，但這個功能明顯不適合年輕人。建議性問題的很多可以設置成開放性問題，不用角色的用戶可以將自己的想法寫出來，如果大家都需要，那就變成了新需求，也就是產品功能的發(fā)展方向。

按照我們剛才的例子，給出2個建議性問題：

J1. 您作為用戶還希望我們的應用添加什么樣的功能？

      語音服務功能

      24小時服務電話 

      中英文 其他_______

J2. 您希望我們用什么方式和您聯系？

      電話 

      email 

      寫信（哈哈，這里來個復古的方式） 

      直接上門 

      其他_______

到這里，我們的一套問卷就搭建完成了。

最后再說一句，在問卷的最后，要給出一個綜合評價性的問題哦?。。?！

綜合滿意度：

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

上圖描述了這一過程，其中每個顏色的小人，代表通過甄別問題后，區(qū)分出的用戶角色。

最后用上面的問卷對10個用戶進行訪問，得到數據如下:

說明：

 P1、P2、P3…P10代表10個用戶；

 Z1、Z2、Z3代表3個甄別性問題；

 B1、B2、B3…B5代表5個變量性問題；

 J1、J2代表2個建議性問題

甄別性問題結果：

按甄別問題對用戶分類如下:

   細心護理型：P1、P2、P4、P5、P10 

   粗放型：P6、P7、P9 

   數據異常問卷：P3、P8

異常數據的產生通常是由2個原因造成的，第一個是甄別邏輯設置不完善，比如我們這個例子甄別性問題少，很多情況都沒有考慮清楚，所以在設計甄別問題時，盡量將所有情況思考清楚，以免出現過多無效數據；第二個是被調查用戶填寫不認真，這也是個很常見的問題，在設置問題時，盡量減少繁瑣問題，使被調查用戶能夠比較準確的完成所有問題。

變量性問題結果：

用戶的調查結果以數表的形式展示出來，這樣有利于進行多元回歸分析。

建議性問題結果：

綜合滿意度：

二、數據處理 數據的常規(guī)處理

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

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

變量性問題平均值：

對于各個角色均值數據如下：

從上述數據結論可知，對呀B1-B4問題，兩個用戶角色觀點相差不大。但是對于B5（產品交互）問題粗放型用戶比細心護理型用戶更為重視。

經過對建議性問題分析結果可以得到如下圖表：

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

綜上所述，我們只是舉了一個非常非常2b又簡單的例子來說明構建用戶模型的方法，實驗的樣本量也很小。這個簡單的例子可以說明基本方法，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模型

對于數學好的童鞋，可以給出一種多元回歸統計的方法來分析我們得到的數據。這里寫的并不詳細，也沒聽提供假設檢驗，望高手多多指點交流。我們僅用多元回歸方法來分析變量性問題的結果。

我們的例子提出了5個變量性問題，所以要回歸的線性方程具有5個變量，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。

寫成矩陣的形式為Y=BX

其中Y為綜合滿意度數據

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

(這里沒有進行假設檢驗等，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，對變量沒有影響，剩余對應相應的變量問題。由此可見B2問題是全部用戶對整體評價中權重最大的因素。