實案分析:如何用一道多選題給用戶畫像?

本例僅僅是基於調研目的靈活處理的一個例子，適合短平快的項目；如果需要系統了解用戶，深入挖掘用戶需求，更大的樣本量和更紮實的定性研究依然是必不可少的。

現代商業離不開對用戶的理解，任何業務的決策者都不會希望在認識用戶上存在盲區，因此在用研的日常工作中，「做一個用戶畫像」是經常收到的需求。但同樣的需求背後，往往對應著不同的目標和問題，搞清楚了解用戶能幫助業務方解決什麼問題，才能更有效地制定研究方案。大而全的數據平臺，不一定可以和粒度很細的調研目標精確匹配；傳統市場調研或設計調研的方法又會增加周期和成本，不適合短平快的項目。那麼是否可以使用簡單的測量－統計方法，較敏捷地得到一個需求方期望的「用戶畫像」呢？本文來分享這樣一個案例。

（一）背景－為什麼想做一個「用戶畫像」

在接手話題版塊改版方向調研的過程中，其中一項調研目標比較有意思：運營同學發現，網易新聞客戶端話題版塊中，一些女性相關話題活躍度格外高，這與對目標用戶的預期有一些偏差。依照大家的印象，新聞客戶端中壯年男性比例偏高，典型用戶是一個體制內老劉的形象－時政、社會、歷史、軍事版塊的重度讀者－因此在話題運營上也更偏向了此類內容。然而偶爾為之的母嬰、情感類的話題，無論從參與熱度還是質量來考量，效果都不錯。運營同學陷入思考之中，懷疑話題版塊活躍著一些假的網易新聞用戶。

那麼話題社區的活躍用戶真的與客戶端整體不同嗎？運營同學由此提出了調研需求，希望了解話題活躍用戶的「性別、年齡、婚姻狀況。。」等等的一攬子人口學變量描述，簡言之－「做一個話題版塊的用戶畫像」。

不管如何做，先梳理一下需求，把目標拆解成回答以下兩個問題：

1. 網易新聞客戶端的用戶可以分為哪幾類？
2. 這幾類用戶中，哪些是話題版塊可以發力的核心用戶？

（二）以什麼標準區分用戶－一個簡單的題目設計

大家可能注意到，需求方在提需求的時候，順帶提了一下自己對用戶區分維度的界定「性別、年齡、婚姻狀況。。」。誠然，人口學變量用來區分用戶很經典，但並不適用於所有研究目標，比如在本例中的效果就未必好。原因有二。首先，人口學變量並不直接能落地到業務，還需要基於業務理解進行二次推演，不夠直觀；而好的分類標準應該能直接與現有資源結合來指導業務；二是完全無預設的情況下，事前很難確定各個人口學變量的影響權重，那麼如果需要進行探索性分析，需要在問題中納入足夠多的變量。這樣短短問卷難以承載，也會讓分析頭緒無端變多。

所以研究用了另一個解決方案，直接用內容偏好特徵來區分用戶。這樣做的好處是，作為內容分發平臺，直接以內容偏好為標籤的用戶畫像天然具有可落地的屬性，而不必再通過人口學特徵去推斷。另外，對內容的需求偏好往往反映了一個人當前的綜合狀態－社會經濟地位、文化傾向、人口學特徵－可以預期是一個很有效的探測點。

相關的問題設計很簡單，只是在問卷結尾處加一道內容偏好的多選，備選項參考了主流新聞app的版塊分類。

您平時使用網易新聞客戶端時，喜歡看哪些內容？（多選）

• 科技網際網路、數碼IT
• 體育賽事、運動健身
• 財經金融、投資理財
• 時事要聞
• 母嬰親子
• 情感兩性
• 時尚美妝
• 娛樂明星
• 動物萌圖
• 遊戲動漫、二次元
• 影視音樂、攝影旅行
• 健康醫療、營養養生
• 社會民生、房產資訊
• 汽車知識
• 國際政治局勢
• 歷史掌故、軍事動態
• 神跟貼、幽默段子
• 星座命理
• 其他（請註明）

這裡有個問題簡單說明一下－為什麼要把選項切到這麼碎，而不加以合併。這種處理方式實際是基於以下兩點考慮。

1. 希望基於用戶認知形成分類－當然可以根據對業務的理解，對選項內容進行合併和抽象，但預設的歸類方式與用戶會採用的未必吻合。如果希望降低預設對用戶選擇的影響，完全通過用戶反應情況來建立項目間的關聯，那不妨呈現具體細緻的選項。這好比景觀規劃時，直接在行人足跡最深的地方鋪路。
2. 準確性和易答性－抽象度越高的描述，包含的信息越多，不同人腦中的典型代表差異會越大，也越可能包括的矛盾案例。回答「是不是喜歡狗」時，更有可能陷入「我有點喜歡松獅但是又有點討厭泰迪到底選不選喜歡呢」的糾結中，而問「是不是喜歡泰迪」就會更加容易回答。另外，抽象度高的選項，往往需要詳細描述並給出具體例子，進一步增加閱讀難度；而答題者處理短而多的選項時，未必需要比長而少的選項花費更多認知資源。

因此，問題選項呈現採用了具體細分的列舉，而細分項的合併化簡，則將在問卷回收後，根據用戶的實際反應來處理。

（三）讓分析過程更簡明－數據降維

問卷投出去一段時間後，樣本池漸漸上漲，內容偏好的數據餅圖五彩斑斕地分布起來。這時就發現問卷選項細碎的不方便之處－同時考慮18個選項遠遠超出了人類工作記憶的負荷，讓分析過程頗有些尾大不掉。當然這是意料之中的。如前所述，之所以把選項粒度做得很小，是希望通過用戶的實際選擇模式來找到相關聯的內容。因此，首先要使用一下因子分析的方法，把數據進行濃縮。

岔開幾句簡單說說因子分析的用途。所謂因子分析，是處理多變量數據的一種常用的預處理方法，使用場景是當實際用於測量的變量較多且相關時，可以將比較瑣碎繁多的變量，用幾個易於解釋的因子表達出來，從而更清晰地展示數據的結構和規律。拿這個項目來說，我們得到的多選題數據是用多重二分法表示的－每一個選項作為一個單獨變量－題目反應數據共包括18個變量（如下圖）。顯然這些變量之間是存在相關關係的，存在歸納的可能，這正符合因子分析的使用場景。

因子分析使用SPSS完成，操作過程略去不表，分類結果如下圖所示，將18個選項濃縮為5類因子。根據每個選項在各因子上的載荷（也就是原始選項和因子之間的相關係數），可以看出該因子大概代表了哪一類內容。為了便於理解，分別給它們起了一個比較直觀的名字。如下圖所示。

5個因子作為新的變量保存下來（如下圖，注意保留下來的變量已經標準化為Z分數），留作後續進行用戶聚類的依據。每個用戶對某個因子分數越高，就意味著對該因子對應內容的偏好程度更強。例如第2個用戶，就明顯是「女性生活」因子相關內容的重度瀏覽者。

（四）為用戶打內容偏好標籤－聚類分析

完成了數據化簡，接下來根據用戶在五個內容偏哈因子上的得分，對用戶進行聚類分析。由於因子本身為Z分數，不用再進行標準化處理，直接分析即可。

這裡再岔開幾句簡單說說聚類分析的原理。聚類算法的原理是通過計算各個案例點在變量空間中的距離遠近（SPSS中計算距離的方法有30多種，大多數情況只選擇默認設置的歐式距離就好），來把它們分簇處理的。變量空間名字聽起來挺厲害，其實就是把n個變量當作n個坐標軸，參照三個維度構成三維「空間」的說法，將n個變量的情境稱為n維空間。每個case在這n個變量上的取值，構成了一個n維坐標，根據坐標可以計算case間的距離，根據距離遠近形成不同的分類簇。例如，上圖表格中每一行都是一個五維坐標向量，描述了該行對應用戶在「內容偏好空間」的位置，不同用戶位置間的距離越近，就越可能被歸為一類。

聚類分析仍使用SPSS完成，結果如下表所示。表格中數字代表每類用戶對特定內容的偏好程度，數字越大偏好程度越高。根據幾類用戶的內容偏好模式分別起一個鮮明易記的名字，例如，給更偏好「女性生活」與「宅文化」內容的用戶打上「時尚麗人」的標籤。

現在每一位樣本中的用戶都有了一個內容偏好標籤，這個標籤也保存為一個新的變量（如下圖），留待與其它題目進行交叉分析。

 

首先就可以用內容標籤與人口學變量來交叉分析一下，驗證一下偏好某類內容的用戶是否具有比較特殊的人口學屬性。結果如下圖所示（具體數據略）。可以看到，儘管由於樣本中男性比例偏大造成一些bias，相對趨勢的比較還是驗證了很多印象：例如「時尚麗人」中年輕女性的比例顯著偏高，「財經科技控」高學歷高收入比例顯著高等等。

納入與人口學變量的交叉分析結果，最終得到的用戶分類如下表所示。從樣本佔比推斷，「隨意用戶」和「時政歷史迷」最有可能是客戶端主流人群，這與業務經驗得到的印象是一致的。

（五）哪類用戶是話題版塊的核心用戶

現在關鍵的問題來了，畫像的幾類人群，哪類是話題版塊的核心用戶、需要重點發力運營呢？

首先看看活躍用戶中各類用戶的佔比（活躍度根據問卷中覺知情況和使用頻次的問題答案來判斷）。由下圖可以看到，活躍用戶的類別分布和整體差異並不大－「隨意用戶」和「時政歷史迷」佔了最大的部分。這也符合預期，畢竟話題版塊的流量從客戶端整體滲透過來，各類用戶體量上不應該有太大的差異

那麼哪種用戶的增量潛力比較大呢？這個問題反過來看比較清晰－我們可以這樣假設，如果某類人群中活躍用戶比例越大，滿意度越高，那麼這類用戶更可能是話題版塊的目標用戶。

首先將活躍度與內容偏好進行交叉分析。可以看到，「時尚麗人」中話題使用活躍者佔比最高（42％），無覺知者佔比則最低（29%）－年輕女性用戶看起來天然對話題討論很敏感。

再看一下滿意度的差異。年輕女性用戶對話題社區各方面的滿意度都高於其他用戶，她們在話題社區玩得更開心。

所以，給出結論&建議－年輕女性用戶雖然在話題版塊的體量不大，但她們的活躍度和滿意度更高，討論質量更好，對促進話題社區良性發展有很大幫助，可以從相關內容版塊進行重點引流。而反過來，如果話題社區這種形式對「時尚麗人」獨具吸引力，也可以將話題版塊與時尚、母嬰、情感等垂直頻道打通，通過話題運營進行流量反哺。

最後，本例僅僅是基於調研目的靈活處理的一個例子，適合短平快的項目；如果需要系統了解用戶，深入挖掘用戶需求，更大的樣本量和更紮實的定性研究依然是必不可少的。不過在日常工作中，有意識地以經濟敏捷的方式擴展關於用戶的基礎知識，也不失為一種很好的積累沉澱吧。

（本案例數據和結論僅作為例子展示，不涉及真實情況）

 

作者：驢爺

來源：公眾號：ME網易移動設計

版權：人人都是產品經理遵循行業規範，任何轉載的稿件都會明確標註作者和來源，若標註有誤，請聯繫主編QQ：419297645

收藏已收藏 | {{ postmeta.bookmark }} 點讚已贊 | {{ postmeta.postlike }}