元旦前，腾讯微博开放新版测试，试用后颇多感慨。因懒惰拖了一个半月，才来写这篇文章。 整个2011年，一直有人说“新浪微博不行了”“新浪微博滑坡了”。狼来了喊了一整年，到年末似乎声音越来越大，这倒不是什么大灾变，有可能仅仅是轻微的触顶回弹，甚至只是上升速度放缓而已。 对淡出新浪微博的用户做了几个小样本访谈，原因很雷同，都对公共话题感到麻木，又厌倦了大路货转发。看上去，似乎正印证了“社交才是微博的出路”“腾讯微博才是最后的赢家”，我可不这么想。我访谈的用户在新浪微博也有自己的社交关系，同事/同学/家人等等，小圈子里经常发一些生活类的话题。尤其在淡出新浪之后，他们并没有回归原本常泡的人人、豆瓣，或转战腾讯微博，而是处于一种“什么都玩腻了”的飘忽状态，像是被重口味“吃伤到了”…… 对于社交之于微博，我有几个观点： ★国内用户分享生活的频度并不高，主打社交牌的话，无法维持微博的热度与速度，因此还需要引入公共话题来调和信息生态。加入媒体的基因，会让微博这盘菜的口味更香更丰富。 ★公共话题与社交网络并不是对立面，被公共话题吸引来的普通用户，他也会自然而然地分享生活并扩大社交图谱。精英的互动来自其话语权，草根的互动来自其社交关系，各行各路便是。 ★有人说公共话题与精英体系压制了草根的话语权，这是没谱的事儿。相对来说，微博的公开属性对个人分享带来干扰更大，隐私问题不会因为“目前都是朋友们关注我”就变得无足轻重。 ★信息的高速流动既是微博最大的魅力，同时也稀释了最有价值的信息，单单靠关注分组、悄悄关注并不能根治。从“稀释”的角度来看，相对于公共话题，大量转发“廉价娱乐推”对社交的祸害会更严重一些。 ★援引Twitter创始人Jack Dorsey的观点：“Twitter一直在为公共对话提供服务。社交于我们不是唯一被用户使用的的部分，我们看到Twitter更多是一个信息工具。”这也正是我对微博客的理解。 归根结底，微博的社交化，生活化，都是顺水推舟的生态发育过程，产品设计或运营无法强行加速，更不可能华丽逆转。不论腾讯喊出“心声”口号，还是新浪加强对生活推的引导，都得在漫长的时间里见效。 从急功近利的角度，我更建议新浪在运营上强化“有时效性的本地生活信息”。如果用户能够以微博的形态，便捷查询同城最新的电影/场次、最近的展览/演出、名牌打折消息、数码新品上架、附近的餐馆特价、酒吧优惠……会不会有吸引力？发布消息的认证商家只需要按格式发一条推而已，即便对网络无知也能轻松应对。 再说说腾讯微博。对于腾讯微博、腾讯开放平台我一直很好奇，这么大的一个生态圈，没法走马观花就得出什么结论。但既然玩不进去腾讯微博，熟悉的人又都在新浪微博，找个人访谈都没辙。只好雾里看花。 恰逢腾讯微博新版测试，跟去围观之后，对产品设计赞不绝口。体验版借鉴了Twitter的Phoenix界面风格，又有不少创新细节，如微群与主界面的结合，轻巧的消息浮窗提示，人见人爱的清爽UI，干净流畅到让人欢喜。这些交互层面的改进都还是毛毛雨，真正打动我的是“实验室”，相当于用插件的方式来添加新功能，丰俭由人，拿到足够的实测数据后再考虑全面发布。 这一击，恰好打在了新浪微博的软肋之上。新浪微博最大的问题不是有人厌倦了，离开了，而是产品越来越臃肿，像个三四百斤的胖妇人。新浪的想法太多，目标太多，试错也太多。每一项新功能的推出都满足了一部分用户，也让另一部分人抱怨然后无视。不断的叠加与试错，堆积成山，产品重得喘不过气来，至少带来三条隐性伤害： 1、产品被塞得太满，新功能的插入不便，阻滞了更多试验进行 2、界面元素太多，分散了用户注意力，试验效果受到干扰 3、即便发现了什么潜在机会，受限于产品复杂度，也很难快速集中突击 我在12月底的一条微博对此评价道：腾讯微博的新架构能容忍更灵活，更敏捷的尝试，并在一击而中后更迅猛地发力。它现在还不能打败新浪微博，但制造了“未来有可能”打败新浪微博的机会——在以前，连这个机会都是完全没有的。腾讯借改版轻装上阵，勇敢探索和新浪微博不一样的打法，产品架构强有力地支持了冒险精神。给出一年，两年时间，未尝没有翻盘的可能……俗话说一命二运三架构嘛。 反观新浪微博，作为市场领先者，作为和Twitter差异越来越大，独一无二的中国式微博产品，“高处不胜寒”正是最迷惘之处。我本人是新浪微博的铁粉，但在两年多的使用中，并未发现它有着鲜明的产品理念、产品价值观、产品原则性；或者说“有求必应”就是新浪的风格。用户要什么，运营要什么，政府要什么，领导要什么，新浪就加什么。最后做出来的产品虽能满足“各方面需求”，却是个气味混乱的大拼盘。值此触顶之际，正当是新浪锐意探索之时，产品的笨重却拖得跨不开步子。 说白了，这还是基因在骨子里作祟。谁在台前代表新浪微博？陈彤？曹国伟？又有哪个产品大牛手掌微博实权？对比清一色产品出身的腾讯高管，新浪微博虽遥遥领先，却过早患上三高。即便无视竞争对手，“产品三高”对急于靠微博营收提振股价，分拆上市的新浪来说，亦是极大拖累，人胖体虚打不动拳。 坊间盛传，新浪微博今年会开放个性化的显示广告业务，又有流言说，广告公司摩拳擦掌兴奋得很哟。对于微博广告能赚钱，我不怀疑，追随Facebook的辉煌则无可能。微博的信息焦点过于集中，页面结构过于简洁，用户行为过于单一，显示广告的天花板不算太高。即便照着Twitter的另类销售套路来，国内客户又无此觉悟。 算了，赚钱的事情我是外行，多说容易漏底。曾考虑买新浪的股票，被i美股的老同事打击了一番，深刻认识到自己对理财完全白痴，悻悻抛下贪念，在下岗岁月，在通货膨胀中流着泪坐吃山空。 —————————— 转载随意，但请带上我的微博地址…… http://weibo.com/cicada 源地址：http://firecacada.blog.163.com/blog/static/707437620121711730599

问：为什么想做用户研究？ 答：对用户研究感兴趣. 问：用户研究常用的方法你知道那些？ 答：我不是学相关专业的，不是特别了解 问：你有看过相关的书籍和资料么？ 答：没有 问：（汗~！）…… 来面试用户研究的有些同学非常有意思，对于用户研究的了解，多半是看了一些讲座或者博文，脑袋一热就来面试了，甚至还没弄清楚一些基础知识;甚至连可用性测试都没有听说过，就敢来投简历面试。 这些同学面试之后总要问看什么书？怎么提高？或者是在学校要补哪些课程？ 说实话这真是因人而异，如果是刚参加工作的毕业生，根据不同的背景，要补的课不一样。比如，统计学背景的同学定量调研基础强，但是做用户访谈就略差；心理学背景的同学，定性定量调研掌握方法都不错，但是动手能力（比如做原型）或者产品感都需要加强。技术背景的同学实现能力很强（直接编程了），但对于调研方法的掌握就不足了。工业设计的同学技能非常综合，动手能力和调研方法的掌握都不错，但是统计学的知识还需要加强一下。 补课只是一方面，最终要的还是要搭建合理的知识体系，谈到互联网用户研究人员知识体系，包括但不限于：基础理论，工具使用，逻辑思维，口头表达，报告撰写，互联网行业常识等。 基础理论 对于用研来说基础理论，是如UCD的各种方法可用性测试，卡片分类等等之类的知识。当然其中最重要的还是调研方法的部分（这里不多说，许多书都可以买到）。 逻辑思维 逻辑思维是用研思考的重要工具，用研常常要从支离破碎的数据或者现象中，抽丝拨茧，发现现象的本质，因此需要有思维没有条理，常常误读数据或者现象。逻辑思维也是用研沟通的重要工具，因为用研的主要需求方，产品经理的逻辑思维都很强，如果没有好的逻辑思维，很难和产品在一个层面上沟通。 口头表达 嘴皮子非常重要，用研在沟通调研需求和调研结果宣讲上，经常要面对别人的质疑，如果不能反映灵敏，表达清晰，以理服人，调研成果的接受度会大打折扣。 报告撰写 我发现很多同学在做调研的时候非常辛苦，兢兢业业，到了些报告的时候，就有些敷衍，认为反正结论都和需求方沟通过了，报告就是走个过场。其实不然，报告是你的一张名片，让别人一看就能记着你。而且报告一般都会存档备案，其他人不用你讲就了解整个实验的目的、背景、主要发现和结论。另外，报告不是数据结果的堆砌，结构、数据的展现方式、图表的样式配色、结论的描述等也要做适当地考虑。 工具使用 工具和工作容非常相关。浏览任务为主的页面做实验会使用眼动仪测试。分析问卷数据可能会用到spss。做实验的物料，如果测试原型的话，可能需要用axure。分析日志数据可能要用到数据库和Python。没有一种工具可以解决所有问题。开始不会没关系，边干边学就是了。 互联网行业常识 做互联网用户研究起码要对互联网的新产品感兴趣，而且在各种产品的使用和理解上要比一般的用户更深。如果平常上网只聊天、玩游戏，连微博也没有，也没在网上买过东西，显然对于互联网的理解也不会有什么高见。 源地址：http://xdc.baidu.com/?p=1025

说在前面：以下说的“调研”主要指用户调研。用户调研的方法有很多种，下文所提到的并非只是“问卷”和“数据分析”，还包括访谈、焦点小组、可用性测试、等等。（推荐UCDChina上一个很早的话题：用户研究的一些方法）。ps，以下观点基本仅指“互联网”领域，请勿拿“我们挖煤的时候这么干就不行”来说它是胡扯。 — 乔帮主虽然走了，但他的故事在被更广泛的流传，他利用媒体的能力依然在影响着这个世界。 曾经和曾经，在媒体问及苹果产品的调研时他分别说过这样的话： 1、人们不知道想要什么，直到你把它摆在他们面前。 2、贝尔在发明电话之前有做过任何调研吗？ 于是，越来越多的懒人们终于有了”神”的庇护，堂而皇之的开始“不调研，只拍脑袋”；越来越多的“果粉”也开始了对“不做调研”的盲目崇拜。他们还在不断的嘲笑和鄙视那些去做“调研”的人，鼓吹“创新不需要调研”。 上周苹果对部分iPad用户发送了调研问卷，很多人在微博上嘲笑说：乔帮主走了他们不得不做调研了… 每当看到有同事转发这些言论信息，我都得很谨慎自己的跟他们谈一谈“看法”： 1、乔布斯说这话有两个语境。一个是在MAC刚刚发布的早早期，一个是在他玩弄媒体的时候。离开了这样的语境这话大多数时候并不能适用。 2、在反问完“发明电话之前有做过任何调研吗？”的两三年后，乔布斯离开苹果创建了NeXT，初期的简单定位是给高校研究室提供电脑。他的团队去做了很多的反复的调研，他自己也非常喜欢和主动的去做这些事情。（读过《乔布斯传》的果粉们可以温习一下NeXT那一章，里面有写） 3、通常苹果公司在他产品的第二代开始就会对用户发放问卷进行相关调研（第一代产品的调研往往只能通过第三方去做，或者自己通过现有产品的调研去做，所以我们感觉不到；而且那个时候也并没有可靠的样本群）。据说他们每年对于市场数据的研究和外部市场的用户调研都非常重视也非常频繁，而且他们对于苹果的品牌调研也是相当的频繁和认真。忘记在哪里看到过苹果找尼尔森做第三方调研的相关资料；有兴趣的果粉也可以自己去搜索一下苹果N年来的相关调研问卷，很多。 4、说了这么多，但我其实并不是一个对“调研”的依赖者和迷信者。虽然我非常相信“真实有效的”数据调研的作用，但“真实有效”这三个字往往意味着“高成本”和“耗时长”。 特别是对于互联网产品，虽然他比较容易找到数据，但也更容易因为数据的过多也被垃圾数据干扰和迷惑，分析过程出现偏差和出现“为了证明自己的观点而拼凑数据”的情况非常正常，多数人都难以避免，包括那么经验丰富的家伙们。而且，对我们眼前的这样一个环境，往往你能轻松拿到的数据都是不会是真实的… 5、往往在产品的早早期，我更愿意相信在一定数据支持下的“领导人的嗅觉”。因为，多数互联网产品很难等得了严谨的漫长的调研过程，而且往往要想通过调研去得到“真实有效”的结果，比让“领导人拍对脑袋”的可能性更小。所以，我经常会说：“信你们这帮人随便捞来几个数据而推算的结论，还不如信我或者信咱们其中某人个人的嗅觉”。 总之，在产品的早早期，我的观点是：一帮人看假数据或者假装看数据来“拍脑袋”，还不如让一个平时更懂用户的人（在一定的数据支持下）去拍脑袋。其他人靠直觉选择“信他”就够了。 6、到了早期，一定的用户调研是完全有必要的，因为这个时候可以比较明确的知道要什么信息，“垃圾数据”也就少了，推断结论也就相对靠谱一下了。不过，这时我更相信“测试”的结果，还是那个观点：“怎么做都是错的，只有是面对用户的时候才可能不会错。而且还得是一定量的真实用户”。早期的互联网产品，拳头轻轻过去，听到叫疼了再猛踹一脚比较好。因为“需求预测”错误的可能性是99%，所以控制早期的试错成本是必须的。 总之，在产品的早期，我认为最有效的方法是：用最低成本，尽可能的真空环境（雷军的说法），最快的速度去做用户需求测试，需求有就发力，没有就得掉头重找。 7、到了产品的发展期和优化期，用户群已经培养出来，需求方向已经明确。该做的就是：让用户推着产品走。这个时候，没有比“用户调研”更管用的方法了。（所以，往往我们会习惯性的在早期圈好“种子用户群”，让他们给提供更直接有效的帮助和意见） 其实，没有一个科学的方法是错误的。其实，也没有一个方法是万能的。我更相信：不否定一切也不肯定一切，灵活应用，适时而变。更更相信：搞清楚了谁是我的用户，是一切调研、创新、设计、拍脑袋的前提。 源地址：http://uicom.net/blog/?p=912

数据在很多网站都被看作是衡量一个产品或者一个设计好坏的基本指标之一。数据指标也曾经压的我很长一段时间喘不过气来。但是现在想想确实有时候数据能告诉你很多很多。它未必是衡量产品好坏的唯一标准，但是它也确实能告知你很多。 那么数据究竟能告知我们些什么呢？ –     你的流量有效吗？ –     如何发现漏水的窟窿？ –     真的了解访问者？ –     页面，构架是否合理？ –     投放的广告有用吗？ –     改版带来了什么？…… 我们先来看看数据的简称 在之后的例子中会针对这些简称做一些分析。 –     PV （即Page View，综合页面浏览量） 比如：当我点击了一个banner，那么从点击后出现的页面开始，后面所有点击出现的页面的浏览量就是PV。 –     CLICK（页面点击量） –     DISPLAY（单个页面浏览量） –     UV（即Unique Visitor，独立访问者） 访问您网站的一台电脑客户端为一个访客。24小时之内，同一IP，多次访问，只算一次。 –     BUYER（购买者） 访问您网站的一台电脑客户端为一个访客。24小时之内，同一IP，多次购买，只算一次。 –     CTR（点击转化率，也就是Click/Display） –     广告位转化率（也就是PV/Click） 实例来了 l       Banner篇 –     案例一 A 广告位转化率:1.9 B 广告位转化率:10.8★ 该数据告知我们，在一个页面中不明显的位置的广告位，如果做成文字形式会很容易被很多其他信息干扰的看不到，这个时候如果放上吸引人目光的图片，很可能效果会非常的好。 –     案例二 测试目的是：在该banner尺寸中商品数量和大小的最优表现。  该数据告知我们，作为banner块的商品数量并不是越多越好，它会有一个最合适的大小和数量的比配，如图所示，4个商品虽然图片大，但是由于选择相对狭小，数据表现果然比较差，但是8个商品相对同尺寸的banner来说图片会比较小，给予用户的吸引力也会受一定影响，因此6个商品就在商品数量和大小上为最优化。当然该测试也有一定的弊端，当6个或者8个商品的图片中有一个特别受用户欢迎也会影响数据的表现。因此针对该测试只能多次尝试才能看出最优的组合。 –     案例三 测试目的是：banner改版过程中各个类别的表现对比。 该测试是基于同一个页面的三次改版过程中，Center banner数据表现来实现的。因此它不是通过同个时间条件和同个商品条件来测试的，我们拿了很多个数据来比对，尽量避免了不同商品造成的banner数据的误差。 [...]

近期，聚划算在各类媒体上投放了大量广告，迅速传播了聚划算的品牌形象，在非淘宝用户中培养了品牌认知，同时也在淘宝用户中巩固了品牌理解，从而对聚划算提升品牌价值起到积极作用。 在投放广告前，用研团队Q3时曾对聚划算的品牌影响力进行了考察，着重于六个主要指标： ——熟悉度：用户知道并且了解该品牌的程度，反映市场的表现和地位 ——流行度：流行的/大众接受的品牌，反映市场的表现和地位 ——相关性：品牌以及产品是否适合目标人群，是品牌资产的基础 ——独特性：该品牌区别于其他品牌，反映品牌超越竞争对手的能力和品牌的前景 ——高质性：用户感知的质量，是品牌长存最基本的要素 ——信任度：用户是否信任，反映品牌带给用户利益和权益的能力 这六个指标在市场调研行业，普遍应用于品牌研究，且每个指标用一句话表述，形成量表，用户填答成本不大。本次移植到互联网创新产品的研究中，基本能达到预期的研究目的。本文不对聚划算的品牌影响力作深入分析，而侧重于分析方法的探讨。   指标降维 本例中通过六个指标评估聚划算的品牌影响力，但可以发现这六个指标之间存在很强的相关性（相关系数均超过0.5，且非常显著正相关），进行综合评估时，需要考虑简化指标。 一般而言，采用主成分分析法或因子分析法。大多数情况下，主成分分析得到的主成分不易解释，而通过因子旋转都可以减少主成分中常有的含糊性，可以使因子负荷的结构更简单，从而更有利于因子的解释。另外，常用软件可以直接输出因子得分的值，而主成分的值需要重新手动计算。 首先对六个指标做因子分析，得到的KMO值为0.891，Bartlett球形检验的值为2747210.409（df=15）达到显著，非常适宜进行因子分析。最终萃取出2个公因子，累积方差贡献率为84.6%（详见下表），解释效果很强；变量原始矩阵与重构矩阵之间的残差>0.05的个数比例为26%，拟合效果较好。 通过因子载荷矩阵能够发现，第一公因子更侧重使用了聚划算之后的心理认知，而第二公因子则更体现事实和现象的感知，因此将第一公因子命名为深层特征，第二公因子命名为表层特征。 另外，相关性指标在两个公因子上的载荷均比较大，一般在考虑建构效度的时候，会把在不同公因子载荷都较大的指标删掉，但本例并不追求建构效度，而是希望尽可能保留指标体系中的指标，达到降维的目的作进一步分析，因此没有删除相关性指标。   计算品牌影响力综合得分 有了两个公因子得分，仍然不能做综合评估。为了更加简化，最终使用一个数据体现品牌综合影响力，需要进一步计算。 因子分析的综合得分需要利用各因子的特征根与因子得分，本例的计算方程如下： 单个样本的综合得分=（特征根1）/（特征根1+特征根2）*公因子1得分+（特征根2）/（特征根1+特征根2）*公因子2得分 由于因子得分是标准化分数，计算得到的综合得分也是标准化分数，需要转化成0-100的数，以便直观体现品牌综合影响力。需要作如下处理： 单个样本品牌综合影响力得分=（单个样本的综合得分—所有样本的综合得分最小值）/（所有样本综合得分的最大值—最小值）*100 如此，就能得到每个样本对聚划算的品牌综合影响力分数，进行不同群体间的对比分析。   对比群体间品牌影响力差异 首先，对男女群体做差异性检验。经独立样本T检验分析可知，男女对聚划算的品牌影响力存在显著差异，男性对聚划算的综合评估更高； 其次，对不同城市级别的群体做差异性检验。经卡方检验（两两比较）可知，不同城市级别用户对聚划算的品牌影响力存在非常显著差异，三线城市用户对聚划算的品牌影响力综合评估最高，而一线城市则综合评估偏低。   经过聚划算业务的调整以及品牌广告传播，相信品牌影响力得分会有较大幅度的提升，有待后续研究验证。   小结 品牌影响力的评估方法，基本操作流程如下： 1、确定评估的分项指标； 2、通过因子分析（或主成分分析），给分项指标降维，并计算公因子得分； 3、计算公因子的综合得分，并转化成0-100的直观分数； 4、对比不同群体的品牌影响力综合得分。 当对比不同品牌，或同一品牌不同阶段的影响力时，需要把数据整合在一起，进行上述计算过程。只有这样，才能保持在同一水平下进行对比。 源地址：http://ued.taobao.com/blog/2011/12/31/brand_influence_method/

事发突然： 今年8月份，发神经般的在微博上点开了一个广告链接，发现某美妆品牌的东西性价比很高，于是成功购买。这是我在SNS的网站上达成的第一笔交易，拿到钟爱的护肤品，突然发现：我居然没有在“我的淘宝”的“好友动态”里点击过别人分享的东西，更别提购买了。于是，有了这次的研究。 一、立项： 基于以上想法，本打算研究SNS用户习惯及动机（没有限定在淘宝网），希望能通过照片日志（Photo Dairy）的方法，从定性的角度研究活跃在各大SNS网站用户的特征，从而帮助淘宝网来定位自己的目标人群。但是，后来发现：在淘宝网购物的人群本身就是有自己特点的，而我的研究更多的价值点应该是放在【如何让这些网购用户成为淘宝网的SNS用户】。 带着这个目标，了解了SNS下半年的业务规划，为了能够更好的让业务方得到启发和指导，更多的提升研究价值，将产品定位在【淘宝网分享】，研究使用淘宝分享的使用习惯及驱动因素。 二、研究思路的确定：   一个严谨、完整的研究，我认为，定性与定量的结合是必不可少的。所以，这个项目采取了先定量、再定性、最后定量的研究过程。见图1。 图1 1、定量——确定目标用户： 确定了要研究的产品，最重要的就是要确定目标用户了。 为了让我的目标用户更“目标”，我选择了与BI（商业智能部门）同事的合作。希望BI的同事能将全网使用过SNS分享用户（当时是8月份，我们的‘分享’产品6月份上线）的特征数据进行提取、分析，帮助我们选择定性研究的样本。 在这个过程中，我们发现，7月使用大分享1-2次的用户、8、9月份GMV­­­①>=3笔以上，但8、9月份没有再进行分享的用户占所有SNS大分享用户的76.2%，我们认为，这部分用户为什么不再使用SNS分享是一个很有价值的挖掘点。根据这一思路，我们将用户分为三层：见图2 图2 新用户：8月1日至8月17日之间，第一次进行过分享，且至少绑定了一个外网SNS网站的用户。 活跃用户：6月份，7月份，8月份均进行过分享，且至少绑定了一个外网SNS网站的用户。 流失用户：6月份分享过，但是7月，8月均未分享的用户，且至少绑定了一个外网SNS网站。（BI建议：调研时候可以选择分享天数>=2的用户，因为分享天数为1的用户大部分可能只是尝试下。） 注：这里并未用分享次数来定义流失。因为一个用户如果一天内分享了10次，第二天不再分享，也算作流失用户。 但是，问题出来了。如果我们三个层面的用户都来做研究，可能会出现每类用户研究的都不透彻，所以，经过讨论，排出了优先级：流失用户>新用户>活跃用户。   所以，最后，目标用户确定为：使用淘宝网SNS分享的流失用户。   2、定性——以研究目的为导向，深入挖掘定性问题 用户分层结束，确定了目标用户——流失用户。接下来，就是对用户的星级、在淘宝成交情况、人口特征等因素做出分析，然后进行定性研究前的抽样。具体的抽样方法不做赘述，这属于另外一个方面的问题。 接下来，根据提纲，电话深访了16名买家，其中有10名流失用户和6名活跃用户，得到了诸多的定性问题，经过整理，要进行定量验证了。 为什么要对活跃用户进行深访呢？在接下来的定量阶段，我会做出具体的解释。   3、定量——定性结果的量化 从BI提取的数据中，流失用户最后的样本仅有3万多用户，据我们平时的问卷回收情况估算，样本量过低，这样得到的结果误差会比较大。为了保证最后实验结果的可靠性和丰富性，添加了【非流失用户】，即7、8、9月份GMV>=3笔以上的淘宝纯买家（除去流失用户）。因为这部分有效样本可以保证，而且涵盖了新用户和活跃用户，可以和流失用户在人口特征、习惯、动机、使用驱动因素上做以对比。 也是因为这个原因，我们在电话调研的过程中，添加了6名活跃用户的电访。 在问卷设计的过程中，面临最大的挑战就是关于驱动因素的题目。因为建立驱动因素的模型是需要很多传统的、经过诸多验证的题目来建立模型。但是SNS领域的驱动因素建模少之又少，为了保证模型的完整性和科学性，项目期间，还做了许多的桌面研究。   整个项目主要分为这三个阶段进行的。最后得到的非流失用户及流失用户的相关模型如下图：（结论仅供大家参考，由于实验设计和目标用户的不同，最后的结果可能是会有不同）   图3：有过分享经历的非流失用户做分享的原因模型 圆圈越大，代表相关度越高（下同）。图中蓝色代表与购物相关的因素，红色代表用户心理层面的因素。    图4：流失用户做分享的原因模型    图5：有过分享经历的非流失用户不分享的因素模型    图6：未分享过的非流失用户不分享的因素模型    图7：非流失用户刺激因素的模型    图8：流失用户刺激因素的模型   以上结论是我在专业同事的帮助下完成的，也是我们对SNS领域的初步探索。期待与大家更深入的探讨与交流。 源地址：http://ued.taobao.com/blog/2011/12/28/%e7%94%a8%e6%88%b7%e7%a0%94%e7%a9%b6%e6%80%9d%e8%b7%af%e6%a6%82%e8%bf%b0%ef%bc%9a%e4%bb%a5%e6%b7%98%e5%ae%9d%e7%bd%91sns%e2%80%99%e5%88%86%e4%ba%ab%e2%80%99%e4%b8%ba%e4%be%8b/

我们会发现很多网站都具备了内容推荐的功能，不仅是像B2C电子商务类的卓越的图书推荐，也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求，促进商品购买和服务应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？其实跟网站数据分析不无相关，我们可以来简单看一下它的原理和实现。 关联推荐在营销上被分为两类： 向上营销(Up Marketing)：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。 交叉营销(Cross Marketing)：从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务。 向上营销是基于同类产品线的升级或优化产品的推荐，而交叉营销是基于相似但不同类的产品的推荐。举个简单的例子，可以看一下苹果的产品线： 当你购买一个ipod nano3的时候，向你推荐升级产品nano4、nano5或者功能类似的itouch就叫做“向上营销”；而推荐Iphone、Mac或ipad的时候就是“交叉营销”了。   而关联推荐在实现方式上也可以分为两种：以产品分析为基础的关联推荐和以用户分析为基础的关联推荐。产品分析的关联推荐指的是通过分析产品的特征发现它们之间的共同点，比如《Web Analytics》和《Web Analytics 2.0》的作者都是Avinash Kaushik，而且书名都包含Web Analytics，都是网站分析类的书籍，同时也可能是同一个出版社……那么基于产品的关联就可以向购买了《Web Analytics》的用户推荐《Web Analytics 2.0》。而基于用户分析的推荐是通过分析用户的历史行为数据，可能会发现购买了《Web Analytics》的很多用户也买了《The Elements of User Experience》这本书，那么就可以基于这个发现进行推荐，这种方法就是数据挖掘中的关联规则（Association Rules）挖掘，其中最经典的案例就是沃尔玛的啤酒和尿布的故事。   目前很多的关联推荐还是基于产品层面的，因为实现上更为简单（对于网站而言，产品数据明显少于用户行为数据，而且可能相差好几个数量级，所以分析工作就会轻很多），基于产品的推荐更多地以上面所述的两种营销手段来实现，更偏向于传统的“推式”营销（个人对这种营销方式比较没有好感，尤其“捆绑销售”之类）。   基于用户行为分析的关联推荐   所以个人更偏向于基于用户分析的实现方式，这样更有利于发现用户的潜在需求，帮助用户更好的选择它们需要的产品，并由用户决定是否购买，也就是所谓的“拉式”营销。通过向用户推荐产品或服务，激发用户的潜在需求，促使用户消费，更加符合“以用户为中心”的理念。所以下面主要简单描述下以用户行为分析为基础的关联推荐，无论你是电子商务网站或是其他任何类型的网站，其实都可以实现这个功能，只要你具备以下前提：   1、 能够有效地识别网站用户；   2、保留了用户的历史行为数据（点击流数据（clickstream）或运营数据（outcomes））；   3、当然还需要一个不错的网站数据分析师。   这里以电子商务网站为例来说明一下关联规则的具体实现。目前大部分电子商务网站都提供用户注册的功能，而购物的用户一般都是基于登录的条件下完成的，所以这里为用户识别提供了最为有效的标示符——用户ID（关于用户识别的方法，请参考这篇文章——网站用户的识别）；同时网站会把所有用户的购物数据储存在自己的运营数据库里面，这个为用户行为分析提供了数据基础——用户历史购物数据。所以满足了上述的前两个条件，我们就可以着手进行分析了。   关联规则的实现原理是从所有的用户购物数据中（如果数据量过大，可以选取一定的时间区间，如一年、一个季度等），寻找当用户购买了A商品的基础上，又购买了B商品的人数所占的比例，当这个比例达到了预设的一个目标水平的时候，我们就认为这两个商品是存在一定关联的，所以当用户购买了A商品但还未购买B商品时，我们就可以向该类用户推荐B商品。如下图： 从上图可以看到其中牵涉3个集合：所有购买过商品的用户全集U、购买了A商品的用户集合A以及在购买了A商品之后又购买了B商品的用户集合G。基于这3个集合可以计算关联规则挖掘中的2个关键指标——支持度（Support）和置信度（Confidence）：   支持度=购买了A和B商品（集合G）的人数/所有购买过商品（集合U）的人数   置信度=购买了A和B商品（集合G）的人数/购买了A商品（集合A）的人数   得到这两个指标之后，需要为这两个指标设立一个最低门槛，即最小支持度和最小置信度。因为在用户的购买行为中，购买A商品的用户可能不仅购买B商品，还购买了C、D、E……等一系列商品，所以我们需要分别算出所有这些组合的支持度和置信度，只有满足比如支持度>0.2，置信度>0.6的这些商品组合才可以认为是有关联的，值得推荐的。   当然，如果你的网站不是电子商务网站，你同样可以用用户浏览网站的点击流数据实现关联推荐的功能。同样是基于用户历史行为，比如浏览了A页面的用户也浏览的B页面、观看了A视频的用户也观看了B视频、下载了A文件的用户也下载了B文件……   数据挖掘中的关联规则挖掘一般采用基于频繁集的Apriori算法，是一个较为简单有效的算法，这里就不具体介绍了，有兴趣的朋友可以去查下资料。   在进行关联规则分析时需要注意的一些问题 [...]

前面我们分享了游戏新手引导的设计经验，这次我想和大家分享一下新手引导的检查方法。说起检查方法，就要从检查标准谈起。 一、             评价新手引导的标准 游戏新手引导的设计目的是通过帮助用户掌握游戏玩法，从而提高留存率。由于留存率一直以来都是一个包含众多因素，剪不断理还乱的事情，因此想用它去检查新手引导确实有些难度。既然新手引导实现提升留存的手段是帮助用户掌握游戏玩法，所以只要用户掌握了游戏玩法，也可以说是实现了新手引导的设计目的。基于这种理念，我们可以将用户对游戏玩法的掌握程度作为新手引导的检查标准。 具体到实际检查活动中，多采用小规模用户的可用性测试，不用太多的时间，不耗费用研、市场调研资源也可以收到很好的效果。 二、             新手引导的可用性测试 可用性测试主要包含六项内容：寻找目标用户、制作调查问卷、观察用户发现问题、确定问题范围、解决问题、检验。 1、寻找目标用户：通过了解用户的游戏经历，游戏年限，游戏类型偏好以及经济收入等情况，选择5-7名目标用户，这些用户中会有3-4人与游戏的用户模型非常贴近，而其余的用户则可能会与目标用户类型有一定差别。这样做的目的是帮助我们发现潜在的用户。在如何寻找差别用户的方法上目前我还没有发现什么好办法，但是有一点可以肯定的是，对于不同产品而言，选择差别用户的前提是要对产品非常了解。以游戏为例，游戏的文化背景、游戏的类型这些基础的东西至少要有一项能够符合差别用户的需求。以大型FPS游戏为例，如果我们找来一些玩休闲游戏的玩家作为差别用户，很有可能会一无所获，但是如果寻找一些玩第一人称美式RPG的玩家很有可能会发现新的用户，因为这两种游戏在视觉感受和操作上有相同的地方。 2、制作调查问卷：在观察用户游戏的过程中，我们不可能发现每一个问题点，因此调查问卷可以帮助我们发现遗漏的问题。当发现遗漏的问题时，仍然需要与用户进行沟通，了解用户当时的感受，而不是盲目的记录问题。 3、观察用户发现问题：观察目标用户在游戏中的表现，记录用户遇到的问题，并且结合问卷的内容对用户进行访谈。访谈中要了解玩家对游戏玩法的掌握程度，判断引导的内容是否能够被玩家所掌握，是否有些没有引导的内容需要补充进去。同时，还要了解引导过程中的使命感传达是否到位。例如有些玩家会认为游戏的背景故事无法激起他的游戏兴趣，而这样的设计很有可能造成玩家流失。所有的问题最后可以汇总为使命感缺失，引导内容不理解和引导内容缺失。下面是一个可用性问题汇总的表格： 序号 问题类型 问题 用 户 A 用 户 B 用 户 C 用 户 D 用 户 E 玩家反应 1 使命感缺失 任务形式单一，总是重复打怪 ●         玩家流失 2 引导内容不理解 不会移动 ●     ●   使用键盘移动没有反应后，注意到移动提示 3 不会释放技能     ●     [...]

注：本文是我在淘宝的内网中发现的一片文章，作者来自于测试团队的霜波同学，她是我淘宝讲师团队的同事，爱好广泛，去年一年都在研究心理学。哈哈，让我甚是佩服。这篇文章写的是互联网用户的心理学特征，我觉得分析的很到位，感觉这些行为就是每天发生在自己身上一样。我想，这对设计师来说，了解这些用户行为背后的原因是非常重要的。故转发此文，与大家一同分享。 近半年持续关注了一些用户反馈和客服电话，从一些常见问题中总结出了八点互联网用户常见心理特征，在此共享，希望能共同努力提高用户体验。 1：惯性 用户：“你们的排序按钮为什么没有了？” 客服：“亲，我们把它放在右边了，这样更加的明显哦。” 用户：“你们很闲吗？没事弄这个按钮做什么！” 有一个故事，说的是将奶酪放在了迷宫的第三个格子，然后放一只老鼠进入迷宫，第一次的时候，老鼠先找第一个，再找第二个，最后在第三个格子中找到了，很高兴。第二次的时候，先找第一个，再找第二个，又再第三次的格子中找到了，很高兴。第三次的时候，老鼠直接去了第三个格子，找到奶酪。第四次，第五次，奶酪没有动。第六次的时候，奶酪被移入了第一个格子，老鼠看不到奶酪，于是生气，郁闷，焦躁，原地打转，却放弃了继续寻找。 人和老鼠一样，甚至比老鼠更加的具有惯性，更加的善于总结规律，更加的容易感觉生气和不爽。一旦他学会了用一个按钮，第二次一定会去原地按照原来的方法使用。如果位置或者方法和以前不一样，他会很不习惯，并且认为这是一个非常不爽的改变。所以如果产品经理要改变原有的规律一定要三思再三思，即使你知道你是在让原来的过程更加的美观，更加方便，更加的绚丽，也请考虑到原有老用户的习惯。在吸引新用户的同时如果让老用户少去学习是产品经理需要综合考虑的问题。  2：我就是全部 用户：“你们的平台真烂，我商品的显示全部错了。” 客服：“亲，别人的都是好的。是不是你设置错了？” 用户：“别人和我有什么关系，我的商品显示出来就是错的！” 看上去蛮不讲理，但是每个人都是自己世界的国王，他对他自己全部的负责，所以当我们很轻易的说少数人的时候，也应该去体会这少数人的全部世界，他和我们关心自己的kpi，关心自己的晋升一样关心着自己的小店铺，对我们来说的沧海一粟，对他们来说也许是他们最珍惜的珍珠。承认彼此的平等，也正是这些微不足道给出反馈的用户帮助淘宝一而再再而三用户体验的改进，他们是我们最优秀的不取工资还不断帮我们提交bug的用户测试工程师，对于如此无私的行为，我们是应该感谢了？还是感谢呢？还是感谢呢？  3：第一印象很重要 用户：“你们应该提供一个**的功能。” 客服：“亲，我们有了。在**的链接上可以链接进去。” 用户：“我之前用过，一点都不好用。” 客服：“我们改进了，你再试试。” 用户（一段时间之后）：“我就说过不好用，你看看，还有***都不是我想要的。” 第一印象一旦形成，接下来所有的关注力都是为了证明自己的第一印象是正确的。所以，不要责怪你的用户不够宽容，不够拥抱变化，不能理解你持续的努力，是你在之前没有竭尽全力去给他一个好的体验，一个满意的结果。所有单身的同学注意了，别随便糟蹋自己的形象，很可能在某一个你没有准备好的时刻，你的Mr right就出现了，然后你需要很长很长得时间去重塑你的新形象。 4：相信熟人 用户：“我朋友说你们的这件商品很好，我也要一件。” 这是买一件东西最肯定的理由，经常在人多的地方听到一堆的女生在说这样的对话：“你的衣服很漂亮，在哪儿买的？”“在淘宝。”“快把链接发给我。”每次听到这样的言语都忍住不的微笑，因为成为这家有意义公司的一员而骄傲。感谢这些八卦的女生们，她们用言语证明了淘宝的价值，她们是淘宝最佳的代言人。  5：简单 用户：“能不能不要让我回答这么多问题，填这么多信息。我只是想买一件衣服。” 刚开始的时候我们曾经想做成最简单的产品，随着时间的发展，随着需求的深入，随着问题的展开，我们经常看到的是一个复杂不堪的产品。然后用户望而却步：“知道吗，我对你每一步的迈出和深入都需要勇气和热情。但是在得到真相之前，我不确定的我的这种付出是否值得。”所以，别让潜力用户在漫漫长途中放弃。是我们的重重关卡将他们拒之门外。  6：文字图片结合 用户：“能不能在文字上直接给张图片？看着直观漂亮。” 用户：“能不能在图片旁边写上文字，否则不知道是在卖什么，干什么。” 人的头脑分左脑右脑，右脑喜欢图片、直接感觉；左脑喜欢文字，思考。有人喜欢右脑思维，有人喜欢左脑思维，作为产品的设计者，不用纠结，不用分类，让用户的2块头脑都得到充分的享受和利用吧。图片文字合理完美的结合是对不同用户最好的尊重。  7：金钱安全 用户：“我把钱放在你们这儿安全吗？你确定吗？” 用户：“你确定我的退款能成功吗？我把货退还给他了，钱能拿回来吗？” 金钱永远是让人担心的东西，金钱的安全一定是用户的第一考虑，如果我们不能给他们金钱的安全感，我们就无法留住用户，比金钱更加重要的应该是用户的信任和信心，所以在金钱的安全和保障上付出任何的努力应该都值得。 8：搜索准确 用户：“你们的搜索真差，我找不到我想要得商品。” 客服：“能告诉我你想找什么吗？” 用户：“我就想要自己喜欢的东西。” 客服：“。。。”冷汗直冒中 也许我不知道自己想要什么，但是你们应该知道我想要什么。这是很多用户的心理，我也是。永远不要指责用户的无理取闹，就像不要指责女生的善变。如果你足够把她放在心上，你应该会知道她喜欢什么，想要什么，会买什么。她的每一次浏览，每次点击，每次购买都在告诉你她喜欢什么，想要什么，这些都是她给你的机会，不要浪费。  9：保护私隐 用户：“你们太过分了，你们把充气娃娃让我爸爸接收了，然后，然后。。。他还当场打开了。” 每个人都有自己的私隐和不想让人知道的信息，不可以想当然的将这些信息透露出去，信任的建立很困难，需要很长的时间，信任的失去也许只是一瞬间，一个不小心的安全漏洞，一个不合适的需求，一次不小心的透露，我们就可能摧毁我们和用户之前长时间建立的信任关系。珍惜用户包括珍惜他提供给你的一切信息。 我常想，作为产品我们应该把用户放第一，作为员工我们应该把公司放第一，作为主管我们应该把员工放第一，可是这么多第一，谁是真正的第一？问问自己的良心吧，你能坦然面对你所有的客户、员工、团队成员问心无愧，能堂堂正正说出自己所做所为所思所想，应该就是真正的成功了。 源地址：http://ued.taobao.com/blog/2011/12/20/psychological-characteristics-of-internet-users/

在产品研发过程中，确定明确的目标用户至关重要。不同类型的用户往往有不同甚至相冲突的需求，我们不可能做出一个满足所有用户的产品。   为了让团队成员在研发过程中能够抛开个人喜好，将焦点关注在目标用户的动机和行为上，Alan Cooper提出了Persona这一概念。“赢在用户”这本书将其翻译为“人物角色”，在腾讯我们习惯了使用“用户画像”这个术语。表达的意思一样，是真实用户的虚拟代表，是在深刻理解真实数据的基础上得出的一个的虚拟用户。我们通过调研去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予一个名字、一张照片、一些人口统计学要素、场景等描述，就形成了一个用户画像。 Cooper同时也指出，不能为超过3个以上的用户画像设计产品，否则相互冲突的需求就会让我们难以决断。当我们有多个用户画像时，我们需要考虑用户画像的优先级，在产品设计时，首先考虑满足首要用户画像的需求，然后在不冲突的情况下尽量满足次要用户画像的需求。当然，当一个产品非常复杂时，我们可能需要针对不同的模块来考虑其用户画像的优先级，比如，一个综合购物网站中，某个女性角色在女装版块是首要用户画像，但是在男装版块上就成了次要用户画像了。 最佳做法是在产品研发的初期就进行细致的调研并创建产品的用户画像，然而，在实际操作中，很多时候大家可能会觉得某个产品可以做就去做了，产品推出之后发现实际的用户与先前设想的用户存在比较大的偏差，而基于先前设想的用户所设计的产品架构却很难承载实际用户的需求。此时首要工作仍然是定义好产品的目标用户。 如何创建用户画像呢？下面以我所负责的一款企业产品为例，来讲述用户画像的创建过程，希望和大家一起交流经验。在这个项目中我们通过定性研究创建了用户画像。当然如果必要，大家也可以在后期再通过定量研究对得到的用户画像进行验证。然而，即使要创建定量用户画像，前期充分的定性调研也非常重要，在对聚类分析结果的解读或参数的调整中，对用户的充分理解可以帮助我们创建出有意义的用户画像。 用户画像的创建可分为以下几个步骤： 研究准备与数据收集 和所有研究一样，首先我们要确定被访用户类型、设计研究方案和调研提纲。 首先出现的问题是：我们要找谁进行调研。由于调研的目的是创建用户画像，所以，我们应该尽可能的调研最大范围的不同用户。通过与不同部门的同事进行脑暴找出可能的各种用户类型，我们可能会得到一个条件列表，或者一个如下的用户矩阵，然后就可以根据这些条件去邀约用户了，每种类型调研3个。不过用户的选择应该灵活一点，如果我们在调研过程中发现遗漏了某种类型的用户，那么增加这种类型；又或者我们在调研了20家企业之后，发现没有什么新的信息出现，那么可以取消剩下的调研。 此外，在选择调研对象的时候，除了产品实际的使用者之外，我们不要遗忘掉其他的一些利益相关者。比如，购买家用清新剂的是妻子，但是丈夫和孩子对气味的喜好也会影响妻子的购买决策；企业老板可能不使用或很少使用某个产品，他却是最终购买决策的关键人物之一。所以这些人都应该纳入到我们的调研范围。对于企业产品来说，经销商也是我们非常重要的调研对象。   采用何种研究方法，主要根据研究目的、项目时间和经费等进行综合考量。比如，我们的团队对企业用户的商业模式、使用场景等都不太了解，所以我们尽可能进行实地走访收集一手资料，而由于项目时间的限制，对上海地区以外的企业，我们用电话调研的形式代替。   区分不同用户类型的关键点在于用户使用产品的目标和动机、过去/现在/未来的行为，而不是性别、年龄、地区等人口统计学特征。调研提纲是根据不同产品的实际情况来设计的，在我们这个项目中，主要包括以下四个方面的内容： 数据收集是一个技术性很强的工作，主持人的技巧和经验会影响到收集到信息的数量和质量，有很多介绍研究技巧的文章和书籍，在这里就不再赘述了。   亲和图 亲和图（Affinity Diagram），把大量收集到的事实、意见或构思等定性资料，按其相近性进行归纳整理的一种方法。 通过前面阶段的数据收集，我们收集到了大量数据，如何在数据分析的过程中让多人参与，同时又不会遗漏掉数据呢，亲和图此时就非常合适，该方法的优势在于让大量定性信息的分析过程可视化，便于大家协同工作和统一认识，同时，产出的亲和图可以方便地作为下阶段讨论的数据依据。 首先用户研究工程师将收集到的关键信息做成卡片，然后邀请相关同事一起来参与亲和图的制作和讨论过程。我的经验是参与亲和图制作的人最好参与了之前的数据收集过程，同时人数控制在3人以内。一开始我们有5个人参与，其中2人对前期调研并不了解，所以当他们面对这些卡片的时候会无从下手，人数过多，也会在达成一致意见时耗费过多时间。一张卡片上只写一条信息，内容包括人+目标/行为/遇到的问题。比如下面这个例子，C06 U01是对被访企业和用户的编号，方便我们查阅原始记录。为了方便记忆，也可以将企业名字直接写在卡片上。 在开始进行卡片整理之前，我们可以先凭借印象，假设几种用户类型和他们的特点，然后，在墙上将类似或相关的卡片贴在一起，然后对每组卡片进行描述，描述写在不同颜色的便利贴上。接下来继续进行更高层次的汇总，同时移动或重新组织，直到形成最终的亲和图。这里有一个经验可以分享，企业或个人的基本信息不用做成卡片，可以打印出来人手一份，在讨论和分组的时候作为参考即可。最后形成的亲和图如下： 用户画像框架 通过亲和图，我们已经确定了几种企业类型，以及企业中的个人用户类型。接下来我们可以将这些企业和个人的重要特征描述出来，形成用户画像的框架。在这个步骤，我们不需要加入描述性的细节，只需要将重点内容罗列出来；基本信息可以用范围来描述，比如员工数可以写成“20人以下”，具体人数可以在下一步用户画像中进行定义。 这个步骤的目的主要是在最终用户画像输出之前，可以迅速地和团队其他人进行讨论，并收集反馈。 优先级排列 接下来要做的，就是和产品、市场、以及各组leader一起来完成用户画像的优先级排序工作。确定用户画像优先级时，我们可以主要从以下几个方面来考虑： （1） 使用频率 （2）市场大小 （3）收益的潜力 （4）竞争优势/策略等 用户画像 最后一步，完善用户画像。我们需要做的事情主要是： （1）结合真实的数据，选择典型特征加入到用户画像中 （2）加入描述性的元素和场景描述，让用户画像更加丰满和真实 （3）将用户画像框架中的范围和抽象的描述具体化，比如，将员工数“20人以下”改成“15人” （4）让用户画像容易记忆，比如用名字、标志性语言、几条简单的关键特征描述，都可以减轻读者的记忆负担 经验和可改进之处 由于是企业产品，为了便于大家在宏观上确定什么样的企业是我们主要的目标用户。当时的做法是按企业类型定义了三个企业用户画像，然后每个企业中再定义典型的个人用户画像。但是在进入到细节的设计阶段时，我们更多需要考虑的是具体使用者对这个功能的需求，我们可能发现不同企业用户中的个人用户画像可能会存在相似性，比如我们有企业A和企业B这两个企业用户，企业A中有A1和A2两个个人用户，企业B中有B1、B2和B3三个个人用户，可能A2和B2很相似，这时我们可以对这些个人用户画像进行再整理，根据企业用户画像的优先级，来定义所有个人用户画像的优先级。 仅仅把用户画像创建出来，而没有让其参与到产品设计开发、推广运营等决策中去，是没有意义的。用户画像在团队中的推广至关重要，项目中我们主要是通过前期加大团队成员的参与，中期邀请团队成员一起参与用户画像的创建，以及后期组织大的分享和讨论会来将让大家认识并认同用户画像。项目结束时，取得了很好的反响。不过，随着产品开发紧锣密鼓的进行、人员的变动、新人加入，时间一长，大家对于目标用户的认识和想法又会产生差异。所以，我们目前在团队中开展定期走访用户的活动，鼓励大家持续地走进用户，并将他们的所见所闻进行分享，这样来不断强化和统一团队对于目标用户的认识，同时可以及时感知市场和用户的变化，保持用户画像的更新和生命力。 相关话题：人物角色(Personas) 源地址：http://cdc.tencent.com/?p=4898