编辑导语：对于产品经理来说，做用户调研是一项很重要的过程，能够有效地获取用户真正的需求，那么怎么去做用户调研呢？本篇文章作者将为你解答，感兴趣的一起来看一下吧。

用户调研，就是带着某些调查目的去直达用户，根据用户反馈，记录下当前的某些现象，并对此进行事后分析的行为。

大致的形式包括四种，有从定性角度去考虑的用户访谈，可用性测试；也有从定量角度去分析的问卷调查，数据分析。

对于产品侧而言，无论是哪种形式的用户调研，最终目的均是，在确保调研有效性的前提下，得出什么样的用户倾向于做出怎么样行为的结论。

切勿拿着误以为有效的调研结果做出看起来正确的分析，本质上讲，用户调研是统计学上的问题。

用户调研方法论系列的分享，将分为三个篇章进行，分别是用户画像篇（什么样的用户）、指标体系篇（怎么样的行为）以及调研时间篇（调研有效性）。

本期，主要分享的是，如何思考用户调研中的画像建立。

同时以工具类APP（美的美居）的社区话题（场景知乎）冷启动为例，进行案例分析。

一、画像

什么是用户画像？通俗来讲就是通过某些可收集的指标来对某个用户，或者某类群体进行介绍。

如，居住地为广州的男性群体。

又如，居住地为广州，月均收入≥5k，家庭购买智能家居设备数≥5的男性群体。

从上例子可看出，限制条件越多，某类用户被介绍的越详细，也即用户画像被刻画的越深刻。

特别地，当经过某些限制条件进行筛选后，符合条件的用户数只有1个，则某类群体退化为某个用户。

这就是所谓的互联网黑话——颗粒度，等同于限制条件数量，限制条件越少，颗粒度越大，描述现象越宽泛。

限制条件越多，颗粒度越小，目标现象越明确。

值得注意的是，对用户进行介绍的指标必须是可被收集的，对于产品侧而言这决定了某个画像是否具有分析的意义。

而对于某次用户调研，如何去刻画一个用户，或是某类用户群体，可从四个维度去进行思考，分别是事前画像、事后画像、静态划分以及动态行为。

1. 事前画像&事后画像

用户调研所刻画的画像，是事前还是事后，根据调研前，是否明确用户群类的特征而作区分。

若调研前，目标用户类型已经确认，则该画像为事前画像；若目标用户类型是根据调研后的数据进行反向筛选，则该画像为事后画像。

如，某次收集画像A如下。

• 性别：男性
• 地区：北京/上海/广州/深圳
• 年龄：25-30岁
• 设备持有：用户家庭所捆绑智能家居设备数≥5
• 操作行为：APP内，日均动态发布数≥2

当上述画像A，在某次用户调研之前已经明确，也即问卷的发放，或者是用户的邀请只在符合上述条件的用户中进行，则为事前画像。

若，符合上述条件的用户是根据某次调研数据结构筛选而来，则为事后画像。

可从如下角度进行两者间的差异比较。

①行为导向

事前画像需要在用户调研前明确调研的目的，知道具体的调研群体。

一般来说，这类画像的选取是APP内的高活跃或是高潜价值用户，产品侧而言对其比较熟悉。

事后画像则具备探索性质，根据某次问卷或平台收集的数据，进行限制条件的确认后，再明确该类群体。

事前画像强调，先知道了用户是什么样的人，再对其行为进行调查研究。

而事后画像则以行为导向，强调探索做出某些行为的用户是一类什么样的群体，是一个反向推导的未知过程。

如，经调研统计，APP内日均消费超过500的用户符合条件B：

• 性别：男
• 地区：深圳
• 设备持有：用户家庭所捆绑智能家居设备数≥12
• 操作行为：APP内，日均动态发布数≥4

B画像的出现，根据数据统计后，条件筛选再确认，是一事后画像。

②存在与否

对于产品侧而言，用户画像的建立是为了用户调研而服务的，它必须具备相应的实用性和价值性。

而这两者的前提是，用户画像是存在的，也即，对用户进行介绍的指标必须可被收集。

存在性的判断主要出现在事前画像，特别是依据数据库建立的画像问题。

如，产品侧想调研C群体：

该群体作为事前画像进行刻画，前提是在用户群体的选择之前，能判断某些用户为男性，哪些用户的月均收入＞5000。

这和产品的埋点体系设计相关，如果任意一个数据库均未储存用户的性别或收入信息，此人群无法被划分确认，该类型的画像仅存在于理论当中，无法在实操中存在。

唯一的解决办法是作为本期需求，对产品的埋点设计进行迭代，重新储存用户的相关信息，用户调研放到下期的需求进行评估。

而对于事后画像，由于其是根据某次调研后的具体数据进行反向筛选，筛选条件已经存在于最终结果当中，因此，事后画像必定存在。

③分类交叉

事前和事后画像的区分依赖于，调查目标的信息是否提前已知。

而后续介绍的静态划分和动态行为的区别，依赖的则是数据指标的变动频率，它们间是互不干扰的。

可理解为事前画像和事后画像、静态划分和动态行为是互补子集关系。而事前与否和动态与否，两者间互不相关。

即，可出现D是静态划分的事前画像，或静态划分的事后画像。

但不可能出现D，即属于静态划分的事前，也属于静态画像的事后，这是互斥的。

 

2. 静态划分&动态行为

某一类型的特征在某段时间内，被修改的频率，这作为静态划分和动态行为的判断依据。

①修改频率的相对性

静态和动态的区分，不应停留在动与不动，而应关注“动”的频率多少，“动”相对较多，即为动态行为，“动”相对较少，则判断为静态划分。

而这个频率界限不必是一明确的数值，可以是相对的经验判断。

②修改频率的时间性

修改频率的相对性，和时间相关。如，用户的性别，年龄，居住地等可理解为较长时间内不会发生变动，此为静态划分。

而对于，用户的动态发布数，点赞数，评论数等，每天均在变化的操作，即，修改频率较高，则判断为动态行为。

时间和频率是相对统一的。同样是用户的动态发布数，如果把此衡量指标变更为日均动态发布，当日均取的是上一周的情况，本次用户调研进行的是季度情况的调查，则仍可判断为动态行为。

原因在于，按每月四周的时间维度进行划分，一季度包含12个周期，用户的动态发布可理解为，在每个调研季度下发生12次的变动，频率相对较高。

而如果本次用户调研进行的是月度情况的调查，则用户的动态发布行为在统计周期内仅变动4次，相对较少，可进行静态的划分。

③目标行为关联

在01前言中提及，用户调研即是在确保调研有效性的前提下，得出什么样的用户倾向于做出怎么样行为的结论。

调研所得到的倾向性结论，为目标行为，它和用户画像所涉及的动态行为，两者间是强相关的关系。

一句话概括，用户群体E若作出行为α（动态行为），则他/她大概率会倾向于做出行为β（目标行为）的操作。

如，某次的调研目的是，确认在话题【场景知乎】活跃的用户日常喜欢进行哪些操作？

若，把在话题【场景知乎】活跃的用户，定义为发该话题相关的动态较多，则发动态为目标行为。

此时，若选择建立的用户画像为事前画像，则须先行判断所需收集的动态行为有哪些。

即，什么样操作的用户会有倾向性地多发和【场景知乎】相关的话题呢？

反推，这类型的用户，应该是某段时间内，家庭绑定一定基数的智能家居设备。

这类型的用户应该是某段时间内，创建一定基数的设备联动场景；这类型的用户应该是，一段时间内，有查看和场景创建相关的帖子或视频。

④核心操作路径

用户可能操作的行为路径数以百计，在进行筛选时，切不可不加思考地选取。

无论是调研的目标行为，亦或是画像的动态行为，均应是产品侧的核心行为，一般而言，会和APP的产品定位或所解决的用户需求相关。

如，对于一款直播类APP的用户调研，相关的行为选择应是进房频率，频道停留时长，主播关注，主播打赏。

而不应该是头像的设置，个性签名的修改，喜爱话题的添加，这应该是一个社交类APP调研中才关注的焦点。

 

二、案例

工具类APP社区话题【场景知乎】冷启动调研——用户群类定位。

1）分析选择：事后画像。

2）目标行为：【场景知乎】话题下，动态发布数≥3。

3）时间跨度：2022年3月-2022年4月

4）静态划分：

（1）存量指标：

• APP内用户家庭智能家居设备捆绑数≥3（0,1变量，1代表符合条件）；
• APP内用户家庭具备单品场景创建数（场景涉及的设备=1种类型）（整数型变量，≥1）；
• APP内用户家庭联动场景创建数（场景涉及的设备≥2种类型）≥3（0,1变量，1代表符合条件）。

（2）增量指标：

• 当月内，APP内用户家庭智能家居设备捆绑数，增量≥3（0,1变量，1代表符合条件）；
• 单月内，APP内用户家庭具备单品场景的新创建行为数（整数型变量，≥1）；
• 当月内，APP内用户家庭联动场景创建数，增量≥3（0,1变量，1代表符合条件）。

（3）用户价值（整数型变量）：

• 单月内，用户进入商城界面日均次数；；
• 单月内，用户查看商城内商品日均品类数；
• 单月内，用户购买商品人均件数。

5）分析：

静态指标的划分在于确定，【场景知乎】话题下，动态发布数≥3的用户大多数原本是怎么样的群体（存量指标），【场景知乎】话题对他的核心行为是否有影响（增量指标），以及【场景知乎】话题能否具备一定的经济效益（用户价值）。

6）动态行为：

（1）来源筛选：

• 当月内，用户是否关注【场景知乎】话题（0,1变量，1代表符合条件）；
• 当月内，用户是否点击【场景知乎】相关动态详情进行查看或收藏（0,1变量，1代表符合条件）；
• 当月内，用户浏览圈子类别（整数型变量，1代表直通IoT，2代表日常生活，3代表提问求助）；
• 单月内，户浏览非【场景知乎】的日均话题数（整数型变量）。

（2）行为转化（整数型变量）：

• 单月内，用户关于【场景知乎】相关动态的日均点赞数；
• 单月内，用户关于【场景知乎】相关动态的日均评论数；
• 单月内，用户关于【场景知乎】相关动态的日均分享数；
• 单月内，用户关于【场景知乎】话题的日均分享数。

（3）行为相关（整数型变量）：

• 单月内，用户日均浏览场景相关的内容帖子数；
• 单月内，用户日均浏览场景相关的视频播放数。

（4）社交关系：（整数型变量）：

• 单月内，用户通过【场景知乎】相关动态详情页，浏览up主个人主页次数；
• 单月内，用户通过【场景知乎】相关动态详情页，关注up主人数；
• 单月内，用户通过【场景知乎】相关动态详情页，收藏动态数。

7）分析：

动态行为的区分目的在于确认，做出什么样行为的用户，倾向于单月【场景知乎】话题下，动态发布数会≥3。

来源的筛选在于判断后续引流的渠道；行为的转化在于作为当前话题效果的衡量；行为的相关在于等价参与当前话题的路径；而社交关系的建立则在于预测话题裂变的速度。

上述的用户画像建立是一个框架的思考过程，仅提供想法上的借鉴，实际的操作过程，颗粒度理应更小。

同时，有关次数和人数的差异，本质上来说是pv和uv的区别，工具类APP社区话题冷启动-以美的美居APP-场景知乎为例（入口&漏斗篇）这篇文章有相关的描述。

三、总结

用户画像建立后的语言描述，是一个倾向性的百分比或行为集合。

如，对于上述案例，最终的总结报告可能是：在【场景知乎】话题下，动态发布数≥3的用户，70%在参与话题前家庭智能设备捆绑数≥3。

60%在话题参与后单月新增联动场景创建数≥3。

他/她日均进入商城次数达7次，通过【场景知乎】相关动态详情页，关注up主数日均为5人。

用户画像的建立也只是做用户调研的第一步，如上述倾向性的百分比或行为集合形成后该如何分析。

怎么样构建测量目标行为的指标体系，用户调研在确认调查的方式方法后该在什么时候进行，都需要相应的方法论去支撑。

高楼不是一天建成的，须先明确，做出某些行为的用户他/她应该是一类什么样的群体，切勿拿着错误的例子去论述误以为正确的行为，这会贻笑大方。

关于DuDuTalk： DuDuTalk是武汉赛思云科技有限公司打造的语音数据驱动的一站式智能销售赋能AI-SaaS平台。通过智能硬件（IOT）、AI引擎、机器学习、NLP、文本数据挖掘等技术，为企业提供覆盖移动通话、现场沟通等全场景语音采集、识别、质检、分析等服务。让销售与客户互动全过程数字化、可视化、智能化，用科学的方式实现对销售团队的个性化赋能，让每个人都成为“顶级销售”。