3个步骤：怎样构造产品用户模型?

模型是指对于某个实际问题或客观事物、规律进行抽象后的一种形式化表达方式。

任何模型都有三个部分组成：目标、变量和关系。明确变量，改变变量，即可直接呈现结果，实现目标。

在日常的

数据分析

中，我们常用的有8大模型（用户模型、事件模型、漏斗分析模型、热图分析模型、自定义

留存

分析模型、粘性分析模型、全行为路径分析模型、用户分群模型）。

从今天起，我们为大家逐一解读这八大模型，本文先从用户模型说起。

先用3句话来说明为什么用户模型是基础的分析模型，重要到要第一个来分析：

因为如果你不知道自己的用户是谁，就不知道该提供什么服务；不清楚用户与你“交往”到哪个阶段了，就不可能知道优先提供什么样的服务；

营销

战略无法聚焦，服务没有系统性和持续性。

因此，我们先从定义开始，科普下什么是用户模型以及传统方式怎样构建用户模型。

用户模型（persona）是alancooper在《aboutface：交互设计精髓》一书中提到的研究用户的系统化方法。它是

产品经理、交互设计师了解用户目标和需求、与开发团队及相关人交流、避免设计陷阱的重要

工具传统的用户模型构建方式：

alancooper提出了两种构建用户模型的方法：

1.基于访谈和观察的构建用户模型（正统方法）在alancooper的方法中，对用户的访谈和观察是构建用户模型的重要基础。完整步骤如下：

2.构建临时用户模型（adhocpersona）在缺乏时间、资源不能做对用户的访谈和观察时，可以基于行业专家对用户的理解、或市场研究中获得的人口统计数据，建立「临时用户模型」。

「临时用户模型」的构建过程与「用户模型」的构建过程很像，只是「用户模型」的数据基础来自对真实用户的访谈和观察，「临时用户模型」则来自对用户的理解。二者的准确度和精度都有差别。

距离alancooper首次提出用户模型（persona）概念已过去近20年，在这期间，软件产品开发的过程方法以及公司的运作方式都发生了很大改变：

以快速迭代为特点的敏捷开发方法取代了传统的瀑布模型，以「开发→测量→认知」反馈循环为核心的精益

创业

方法在逐步影响和改变公司的运作方式。

而传统的用户模型构建方法，从诞生之日起并未发生特别大的变化。

对于已经习惯了敏捷、快速的产品经理和交互设计师来说，如果花很长时间去研究用户构建用户模型需要下相当大的决心、更需要下很大力气才能争取到所需的时间和资源。

互联网

产品

冷启动

耗费的时间越来越短，为了降低成本和风险，产品团队在启动期往往会选择尽快将产品推向用户，尽快获得反馈以「快速试错」，现实和压力迫使大多数新产品的pm不敢投入大量时间精力深入的进行用户研究。

这就很容易理解，为什么大家都觉得用户模型很好，却鲜有人在工作中真正运用它。为了解决时间紧迫与精力不足的矛盾，我们提出了一种基于

用户行为

数据的快速、迭代构建用户模型的轻量方法。

首先，整理和收集已经获得的任何可认知用户的经验和数据，包括：

我们将这些信息映射成为用户的描述信息（属性）或用户的行为信息，并存储起来形成用户档案（如下图所示）。

如上图所示，从用户档案中我们可以清楚的了解到用户的属性信息、行为数据、环境数据。

1．高效实时，洞察先机

在数据世界里，准确性就是一切，速度更是至关重要，分析系统处理和解释这些信息的速度越快，就能更快地且清晰掌握业务状况，帮助企业更早的做出决策判断。

比如我们的客户——某

共享单车，发现了实时数据指标中的异常波动：次日留存用户数出现了“断崖式”下跌。

经紧急调查发现是竞争对手在低价

拉新，因此，运营

团队第一时间采取积极应对，从而保住了该城市的市场占有率。

同样的，市场变幻风起云涌，运营人、决策者都需要实时关注自身数据的波动，因为失败往往都来自一个微小的疏忽。

2．记录历史而不只是结果

行为即标签，过去我们常常通过给用户打标签的方式进行

用户洞察事实上，行为数据本身已变得越来越有价值，基于用户行为数据的用户模型，记录了每个用户的每一次行为，客观真实的还原了用户与产品的交互过程。

与单纯的标记“用户标签”相比，记录下来的用户行为数据更具有多维交叉分析的价值，构建出来的单个

用户画像

更完整科学。

3．360°覆盖用户全生命周期的用户档案

基于用户行为数据的用户模型是实时动态变化的，随着用户在产品中的成长，从访客到陌生人最后成为高价值用户，用户的每一步成长都通过行为记录下来。

基于用户所在生命周期的不同阶段，针对新用户、流失用户、活跃用户、沉默用户分别采取有针对性的拉新、转化、留存等运营策略。

这种借助行为数据和工具快速、迭代的构建用户模型（persona）的方法更适合今天的互联网团队的工作方式和节奏。

基于用户行为数据的用户模型，一方面对传统方式进行了简化，降低了数据分析的门槛；另一方面，让数据分析更科学更高效更全面，更直接地应用于业务增长，指导运营决策。