由8月20日第六届人本设计大会组委会编撰发布。

在做产品设计时候经常用到用户模型Persona，Persona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。

一、用户模型的建立与问卷数据的采集

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，战略性玩具、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的要去较为强烈；粗放型的用户倾向与写信的方式。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：http://wj.qq.com/article/single-58.html

您也可以加微信号1025792036备注“设计”进入微信群讨论。

想系统的学习了解如何在项目中循序渐进的思考体验设计和体验创新。个人参与可以学习到如何成为合格的用户体验设计师，团队参与可以推动团队在用户体验思维角度的主动思考，以帮助建立跨团队的用户体验协作的意识和初步能力。我们提倡把用户体验作为思维方式在企业中跨角色推广。若要获得产品和服务体验的全面提升和突破创新，需要团队成员对用户体验的思维方式的共同理解、认同和深入人心的贯彻执行。你不但可以听到理念方法讲授、案例分享，还有现场的小组实践项目练习帮你吸收、应用。

点击“工作坊详情”或扫描下图中的二维码进入报名页。