在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。
就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？
下面我将结合通过案例，带你了解构建用户画像的4个步骤：
用户画像是为业务服务的，因此我们构建画像之前一定要清晰项目背景和业务需求。
通过和业务部门沟通，我们了解到开发组准备上线一款二次元手游，需要确定核心用户需求，并通过内测优化游戏。
内测，也就是内部测试，指软件在完成开发初期进行的小范围测试。
1. 信息收集
信息收集和分析的方法包括定量和定性两大类，实际工作中，定量和定性研究通常结合使用。
结合业务问题，我们灵活使用以上方法。
先确定核心用户群体（借助后台数据和问卷调查），邀请参与内测，通过内测展开核心用户画像分析（通过观察法、访谈法和日记分析等），并根据用户需求优化游戏。
以下是各阶段需求的用户人数：
（1）后台数据筛选已有用户：
案例中游戏还未上线，因此没有实际用户数据。但公司之前上线过其他游戏产品，对应的用户中可能涵盖目标对象。因此第一步筛选已有的用户数据。
当然我们也可以借助友盟、Google Analytics、腾讯云分析等第三方平台获取app的部分数据。
（例：友盟-移动应用数据监控及分析界面）
通过后台数据定位关联游戏，获取该类游戏用户的基本信息、使用数据、留存数据、付费数据等。
在以上数据基础上筛选出核心用户代表。
（如果用户中包含知名游戏主播/UP主，且符合多数筛选条件，考虑优先选择。因为主播及KOL在行业具有影响力，自带推广效果。）
（2）问卷调查补充新用户：
后台数据筛选的是已有用户，问卷调查则抽样外部用户，二者相互补充。
调研目的根据业务需求确定，即：搜寻产品核心用户，了解用户信息及内测意愿。问卷内容需要围绕调研目的展开。
设计问卷：
内测招募问卷和普通的调查问卷有所区别。
内测招募问卷多数由用户主动参与填写，用户对游戏及内测都有一定兴趣。且最终参与内测的用户会获得酬劳，因而相比普通问卷，内测问卷可以具有复杂性和困难度。
问卷内容主要包含以下几方面：
标题及引导语：
问卷题目：
关于用户基本信息——
（问卷内容参考：《原神游戏测试招募问卷》。更多问卷信息请在文末下载案例数据查看。）
关于用户的游戏经历——
这部分是主要调查内容。
一是看用户总体游戏时长和涉猎，偏向选择重度用户；
二是看用户对产品同类游戏的偏好；
三是看用户的游戏选择标准和价值取向。
（用户对同类及相关类别游戏的接触）
（用户对PC端游戏的接触，用来综合考察用户游戏深度）
（用户对主机游戏的接触）
关于用户游戏环境——
（用户参加在线测试的影响因素）
游戏相关项——
（优先选择有二次元偏好、氪金倾向高的用户）
游戏价值观——
（用户选填的开放题，考察用户游戏理解和价值取向）
用户内测意愿及致谢——
投放问卷：
问卷投放渠道包括以下四类。由于我们需要采集外部的游戏核心用户，因此选择垂直类渠道——游戏论坛/社区投放问卷。
相关游戏贴吧、NGA玩家社区及二次元游戏社群的重度用户浓度高，且汇聚了部分专业游戏玩家。
问卷的回收分析：
收集整理问卷数据，根据问卷内容及以下维度选择50名左右核心用户。
以上通过后台数据及问卷调查，我们确定了100名左右待选用户。
参与现场内测的用户需要限制数量，以保证测试人员能集中精力服务用户，发现问题。
（4）现场内测：
现场内测主要包含以下步骤，需要用到观察法、实验法和深度访谈法。
用户操作：
用户操作分为两个部分。
第一部分引导玩家创建账号并进行新手体验，初步熟悉游戏概念、风格和玩法。随后进入中场休息并简单访谈。
第二部分让玩家自由体验游戏的各种玩法及内容。
工作人员全程观察用户操作，记录信息和反馈。但需要注意减少对玩家的干扰，对于玩家提出的问题先行记录，保证其自主性。
用户填写量表：
在用户的两次操作环节后，紧接量表填写。
量表的定义：
一种测量工具，是试图确定主观的、有时是抽象概念的定量化测量的程序，对事物的特性变量可以用不同的规则分配数字。
简单说，就是可以将用户操作的体验通过问题对应的数值量化。
如提问用户：请问您刚才的游戏体验如何？（这原本是个主观抽象的问题）
让用户在数值1-7中选择，1代表非常不满意，中间值4代表中规中矩，7代表非常满意。（这样就把主观的问题量化了）
玩家在进行完第一阶段新手体验后，引导其填写初步印象量表：
（仅展示部分问题，其他内容请在文末下载案例数据查看）
用户填写完成后，统计结果，并分析核心用户对游戏的初步印象及需要改进的部分。
初步印象量表显示，用户对游戏的初印象总体较好，各部分得分都高于5.9分。
在此基础上，对比相近问题会发现需要改进的地方。如相对于新手教程，游戏界面导航不那么简单易用；游戏剧情相比于游戏角色的吸引力不够。
除了问题间横向对比外，也可以将同一问题与之前内测的数据纵向对比，分析哪些数据突出，哪些是弱项。
这些分析结果将在后续测试和总结中运用，形成结论。
玩家完成第二阶段自由探索后，引导其填写游戏体验量表：
经过更长时间的自由探索，玩家可以回答具有深度的问题。
游戏体验量表围绕游戏各方面展开：游戏的可玩性、吸引力、故事性、音效美术、社交性、自由度、成就感等。
分析量表能起到以下作用：
1）发现游戏的短板，确定优化反向；
2）发现游戏的亮点，助力后续游戏推广和营销；
3）确定核心用户需求，促进后续深度访谈及构建用户画像。
解释一下如何促进用户画像的构建：
对比“音效”和“美术”，玩家对该游戏音效的喜好度偏低；而在“自由度”相关问题下，明显有一部分玩家认为自主性受到一定影响。
诸如此类对比结果（对比分析方法）体现了用户的需求。
辅助必要实验：
主流的实验法包括A/B Test、眼动实验、脑电实验、实地试验等等。
游戏内测期间还没有实际用户，无法实施A/B Test，可以通过眼动实验分析用户行为。
眼动实验监测用户进行游戏时的眼睛运动和注视方向，可以确定用户眼动的热点位置、对特定风格画面的偏好、以及对各环节的注视时长等。
这些分析项明确了用户喜好的功能及风格。
深度访谈：
深度访谈是访谈人员和玩家之间进行时间较长的（通常是30分钟到1小时），针对相关问题一对一方式的谈话。
深度访谈就需要结合这些已有信息展开：
如何对一名玩家深度访谈？
内测用户A通过问卷招募参与内测，因此我们首先积累了他的问卷信息。
参与内测后，我们对用户A进行了现场观察记录、量表记录和实验分析。
将已有信息汇总，我们能获得用户A的初步画像和需求。
除了对已有信息进一步挖掘，我们还需要补充其他需求信息，让核心用户画像更全面丰满。
由此可以确定深度访谈的提纲。
（以下内容为深度访谈的结构和要点，具体访谈话术不进一步展开）
深度访谈包括：开场介绍、正式访谈（游戏测试问题、游戏经历问题、其他游戏相关问题、游戏外问题）、结束语。
1）游戏测试问题
深度访谈结果有助于开发人员确定游戏优化方向和细节。
（需要注意：开发人员应该更注重用户行为，而不是意见。通过用户行为和选择还原使用场景，发现用户真实的潜在需求。）
2）游戏经历问题 其他游戏相关问题
这部分构建了用户A的游戏关联画像，同时也为游戏后续（包括直播、推广、付费等）提供思路。
3）游戏外问题 结束语
与游戏相关问题结合，组成了用户A完整的画像。
用同样方法可以获得参与现场内测20位玩家独立的用户画像，以及优化方向，总结如下：
（6）日记法测试剩余核心用户：
对这部分用户采用日记法测试：
1 让用户获取内测码，参与线上试玩并按要求记录使用信息。
2 通过后台数据分析用户流量日记。
日记记录：
用户参与线上测试前，发放日记记录要求和示例。
在线日记对应现场内测的观察、量表和部分深度访谈内容。有条件的话，让用户连续几天记录在线日记，观察游戏体验变化、卡点/疑惑是否随时间解除、综合评价等。
流量日记分析：
流量日记分析依靠后台数据。
开发人员提前对应用埋点后，获取用户线上测试的信息。
其他流量日记：
通过用户日记和游戏后台数据，我们获知了用户的游戏内情况。
如何收集用户在其他游戏及游戏外的信息呢？理论上我们也能通过Cookies（储存在用户本地终端上的数据）获取。
但不能未经用户同意就收集和使用信息。记录和获取数据前，必须经过用户认知和授权。
用户的app使用数据让用户形象更全面。
如针对用户1，流量数据展现了他的兴趣标签、时间分配和消费偏好等。
以上，用户的日记记录、游戏 其他流量数据共同构建了线上测试玩家的形象。
信息收集部分告一段落，总结我们获取的所有信息：
2.用户归类
回顾用户画像的定义：用户画像是目标用户的代表性画像，其中包含了用户属性、场景、痛点和需求等。
实际构建过程中，我们往往无法用一个画像代表所有目标用户。因此需要将用户按一定标准分类，设置多个画像。
（1）KJ法
定义及流程：
KJ法又称亲和图法，创始人是东京工业大学教授川喜田二郎。
KJ法需要先记录大量事实，通过对这些事实有机地组合和归纳，发现问题的全貌。
方法使用：
首先明确问题：将100名核心用户归类。
将卡片散落地粘贴在白板/讨论墙：
（图片来自：Medium）
邀请相关人员（包含产品经理、开发/设计人员、分析师等）参与卡片分类，根据卡片的关键词信息，将有共性的卡片贴在一块并说明理由。
如果线上测试用户的信息完整性不够，则以内测用户卡片为分类主导，其他作为辅助。
对于卡片数太少的类别，讨论是否合并；对于数量太多的类别，考虑是否内部拆分。
完成卡片分类后，讨论类别命名以及类别优先性。
至此，我们将核心用户分为四类，每个类别对应具体用户及其属性、目标、行为和观点。
总结评估：
第一个维度很好理解：在归类过程中，是否有用户不属于以上类别。如果有，归类结果可能不完整，需要增加类别或重新划分。
第二个维度：由于主要区分用户的动机和目的，因此可以使用八角行为分析框架验证差异性。
八角行为分析法出自Yu-Kai Chou《游戏化实战》一书，涵盖由个体情感出发的游戏八大动机：使命，成就，创造，拥有，社交，稀缺，未知和逃避。
验证方法即：分析四个类别用户是否有差异化的游戏动机：
成就型人格者——动机主要对应八角中的成就、拥有和使命；
剧中人——对应未知；
外向型探索家——对应创造和社交；
客观型行业人员——对多个动机和游戏表现的理性要求。
因此，分类结果符合第二条要求。
第三个维度：类别的区分是否能影响决策？
我们区分过程中邀请了产品经理、开发/设计人员、分析师共同参与，因此结果需要得到不同岗位的确认。
同时需要具体分析：用户分类对游戏功能设计/优化/推广等方面的帮助，以及还需要补充哪些信息。
（2）数据聚类：
当用户数量过多时，用KJ法归类会力不从心。
聚类法则可以处理海量用户数据，不过对于用户目标和观点的聚类比较困难。因此适用于用户数量多且信息源多为具体数据的情况。
（事实上，当目标用户数量较多时，也很难通过定性研究获取用户观点和态度。）
方法介绍：
K均值和凝聚层级是常用的聚类方法。
K均值聚类更快捷，且适用于样本量极大的情况，但需要预设类别数量。因此我们选用层级聚类法，在过程中确定类别数。
层级聚类方法：
Python/R/SPSS等软件都能实现层级聚类，我们简单介绍如何使用python聚类。
导入函数及确定数据——
数据完整性很好，无需清洗。
数据归一化——
数据集字段包含手游时长、同类游戏体验数、月收入、游戏评分等多个变量。
举个例子：对于同类游戏体验数，样本之间的数值差只是个位数；而用户月收入的差值很大。直接聚类会放大收入影响，而忽略游戏体验数量。
因此聚类之前，需要将各变量下的数据归一化，确保尺度一致。
聚类——
尺度一致后开始层级聚类。首先画出树图确定簇（即用户类别）的数量。
树图中，X轴代表样本，y轴代表样本间的距离，蓝色线条代表样本间的距离最远。因此设定阈值为4，切割树状图：
图中显示：黄色切割线与蓝色线条有三个交点，代表样本有三个簇。
引入层级凝聚聚类算法（HAC），输出结果包含0，1和2，分别代表三个簇。
最后将区分好的用户类别可视化。
这样就完成了对游戏用户的层级聚类。
由于数据问题，聚类结果可能存在问题，我们主要学习数据聚类的基本方法。
3.提炼画像
先学习一下合格的用户画像是怎样的？案例来自Fantham针对Divvy Bike共享单车的用研设计方案。
（内容来自Fantham’s team (Pictures From Medium)；翻译：简书-IvanMu）
案例中的用户画像成品包含以下内容：
游戏用户画像也可以从这些方面展开，结合行业特点完善。
我们通过KJ法已经将近100名核心用户分为了四个类别，成就型人格者、外向型探索家、剧中人和客观型行业人员，占比为46%，23%，21%，10%（分三个层级）。
量表信息/游戏卡点/深度访谈凝结了用户的游戏痛点；
用户游戏动机和价值观是核心差异点；
用户的其他信息（兴趣标签、app使用情况），呈现使用场景和用户故事。
以上信息归纳总结，就是最终的用户画像：
成就型人格者：
外向型探索家：
剧中人：
客观型行业人员：
画像完成后，可能有朋友要问，做了那么多前期工作，最后就剩下简洁的画像了？
其实在画像背后，是丰富的资料库和调研信息。用户画像强调简单易用，但当实际工作中需要例证和具体数据时，我们依旧可以调用其他信息。
4.验证效果
我们开篇强调过，用户画像是为业务服务的。因此提炼画像不是工作的结束，促进画像运用和验证效果也是重要步骤。
一方面，根据用户测试行为和反馈优化游戏后，我们需要跟踪优化成效；
另一方面，在后续游戏功能设计/传播/用户服务等方面促进画像的使用，验证效果并迭代升级。
5.总结
本篇结合游戏内测案例，主要介绍如何在业务中构建用户画像的步骤：
构建用户画像需要首先通过定性 定量调研，获得目标用户数据及信息；
根据已知信息对目标用户进行分类；
最后提炼用户基本关键、痛点、关键差异及用户故事，组成用户画像。
为了介绍全面，我们尽可能使用多种调研和分析方法。但是在实际构建画像时，你需根据业务情况灵活取舍。
推荐：人人都需要的数据分析思维
