很想写一些东西来总结总结自己的工作，可惜工作太忙一直也没顾得上来写。最近闲来想和大家讨论讨论关于创建用户模型的事情。
Persona：(Persona是用户模型的的简称)是虚构出的一个用户用来代表一个用户群。一个persona可以比任何一个真实的个体都更有代表性。
首先，用户模型是对用户的一种划分，是将一个类的概念转化成为一个角色。这里举一个简单的例子：电影里有很多角色，但是生活中有和电影中一模一样的角色么?显然是很少的，除非遇到极品。电影中人物的角色是集合了广大角色的共性而产生的角色代表，代表的是一类人或是一个群体。
用户是大量混杂的，我们需要将用户按照角色分开来确定不同角色的偏好与场景的结合，这才是建立persona体系的主要目的。
下面具体讲讲建立Persona体系的步骤。
谈起建立Persona体系高手颇多，我这个菜鸟可不敢班门弄斧，我个人比较推崇Dr.Lene Nielsen的10步建立Persona方法。
-
Finding the users 发现用户
-
Building a hypothesis建立假设
-
Verifications调研
-
Finding patterns发现共同模式
-
Constructing personas构造虚构角色
-
Defining situations定义场景目标
-
Validation and buy-in复核与买进
-
Dissemination of knowledge知识的散布
-
Creating scenarios创建剧情
-
On-going development持续的发展
按照Dr.Lene Nielsen的方法可以建立起一套完整的用户模型体系（虽然有几条我也不是太会用），不过对于大多数产品这个方法还是有点高深莫测。
我刚接触这个玩意的时候看了一下午还是不太明白这玩意怎么用。所以只能基于这个高深玩意，自己总结了一套能够切实可行的Persona模型构造方法准备在下面简单说说，我本属菜鸟，大家多多提意见哦！
首先，要明确用户群体，这个在大多数应用开发之前就应该明确了。连用户群都不知道还开发个毛产品。其次，做出用户角色假设。这个时候大家就要问了，我本来就是要确定用户角色模型，这不是本末倒置了么？？我要说明一点，在用户角色分析之前，我们要有个对用户划分的方向。比如对于一个游戏，我们要划分用户模型，其实有很多种分的方法。用户可以分为，初级玩家、中级玩家；还可以分为，战略性玩具、视觉性玩家、装备性玩家。
任何一个用户群体都有多种分类方式，首先要确定我们到底怎么来分类用户。确定了分类方式之后，再来一个一个分类来研究。
下面以一个我从事的互联网医疗产品作为一个简单的例子，来对这一点进行说明。这里只是简单举例，真正的用户模型假设分类远比例子复杂的多。
首先简单定义用户群：身体出现非紧急病症的人群。
如果是急症或是严重的病症一般会直接前往医院，并不会打开手机应用来咨询医生或者询问用药指导。所以我们的适用人群是身体出现异样且非紧急的人群。
做出假设，为了举例方便，我们简单的把用户角色分为：细心护理型、粗放型。细心护理型：主要是指非常注意自己的健康状况，不放过一点一滴的问题。粗放型：只需要知道个大概有事没事，不太关心自己的健康状态。我们先简单将用户角色分为这两种，继续第二步发分析。
对于这一步，可以通过少量用户访谈来完成，其实就是找到所有用户关注的点，我们将这些用户关注的点称为变量。
比如对于医疗产品，经过对用户的访谈，我们简略总结用户关注度为：医生的真实可靠性、医生的负责程度、能否找本地医生挂号、产品视觉、产品交互。为了举例方便，我们简单总结用户关注的这5个特点。从而可知，我们得到5个变量，下面将设计问卷分析出对不同角色用户对这5个变量的差异性。
问卷是针对我们产品真实用户群的调查，所以题目的设计必须非常具有针对性，并且通过结果能够达到我们预期的效果。
首先，要先将问卷问题分成三个区：甄别性问题区、变量问题区、建议性问题区。估计有人要问这都是些神马？？？其实这些很简单。甄别性问题，是用来甄别出用户属于哪个角色；比如我设置了10个问题，符合1，3，5条问题的用户属于角色A，符合2，4，6条问题的用户属于角色B。
甄别性问题：
以刚才的例子，我们简单设置3个甄别性问题：
Z1.您一般在线咨询病情的时间是多久？
A.<5min B.5-10min C.10-20min D.>20min
Z2.您是否需要随时的咨询医生？
A.需要 B.不需要 C.看情况
Z3.如果手上被划了一个小口子，并不是非常严重，您会？
A.立刻消毒包扎 B.清洗干净后该干嘛干嘛 C.压根不管
我们定义甄别规则如下：
为了举例方便，我们简单给甄别角色设置了上述规则。这里说明几点，第一，规则是人设定的，可以更改，只有更好的规则，规则没有对错；第二，问题1、问题2、问题3之间是“与”的关系，问题内选项是“或”的关系。
有个问题，如果用户的答案都不满足于上面的规则，那如何分配用户角色呢？？？答案很简单：要么真正研究规则并修改规则；要么作为数据清洗将用户清洗掉（说明该用户没有认真答题，或是用户属于极小类群）。当然这个地方还有很多可以优化，具体参考数据挖掘资料。
变量性问题：
变量性问题其实是指针对用户关注的点进行问题设置。我们刚才举例总结出的关注点为：医生的真实可靠性、医生的负责程度、能否找本地医生挂号、产品视觉、产品交互，5个方面，针对每个方面可以设置1-n问题。(为了简便，每个变量仅列出一个问题)
下面在列举出一个变量举出多个问题的例子：
产品交互：
-
您对页面扭转时的流畅性要求如何？请用1-100分给出（1代表不在意，100代表非常在意）
-
您对手机应用的操作频率如何？请用1-100分给出（1代表不经常，100代表经常操作）
-
您喜爱扁平化的交互设计还是深度立体的交互设计？请用1-100分给出（1代表喜欢扁平化的交互设计，100代表喜欢深度立体的交互设计）
…
总之，在设计变量性问题的时候，最好得到可量化的数字，这样方便于对以后的多元回归统计工作。
建议性问题：
建议性问题是不用用户角色给我们提出的要求，他们可能提出一些非全局的变量问题。比如，对于老年用户，可能会提出应用设计中存在放大镜功能，但这个功能明显不适合年轻人。建议性问题的很多可以设置成开放性问题，不用角色的用户可以将自己的想法写出来，如果大家都需要，那就变成了新需求，也就是产品功能的发展方向。
按照我们刚才的例子，给出2个建议性问题：
J1. 您作为用户还希望我们的应用添加什么样的功能？
-
语音服务功能
-
24小时服务电话
-
中英文
-
其他_______
J2. 您希望我们用什么方式和您联系？
-
电话
-
email
-
写信（哈哈，这里来个复古的方式）
-
直接上门
-
其他_______
到这里，我们的一套问卷就搭建完成了。
最后再说一句，在问卷的最后，要给出一个综合评价性的问题哦！！！！
综合满意度：
您对我们的应用满意度是什么？请用1-100分给出（1代表很不满意求，100代表非常满意）好啦，大功告成，这就是一套完整persona问卷。
上图描述了这一过程，其中每个颜色的小人，代表通过甄别问题后，区分出的用户角色。
最后用上面的问卷对10个用户进行访问，得到数据如下:
说明：
-
P1、P2、P3…P10代表10个用户；
-
Z1、Z2、Z3代表3个甄别性问题；
-
B1、B2、B3…B5代表5个变量性问题；
-
J1、J2代表2个建议性问题
-
甄别性问题结果：
按甄别问题对用户分类如下:
-
细心护理型：P1、P2、P4、P5、P10
-
粗放型：P6、P7、P9
-
数据异常问卷：P3、P8
异常数据的产生通常是由2个原因造成的，第一个是甄别逻辑设置不完善，比如我们这个例子甄别性问题少，很多情况都没有考虑清楚，所以在设计甄别问题时，尽量将所有情况思考清楚，以免出现过多无效数据；第二个是被调查用户填写不认真，这也是个很常见的问题，在设置问题时，尽量减少繁琐问题，使被调查用户能够比较准确的完成所有问题。
变量性问题结果：
用户的调查结果以数表的形式展示出来，这样有利于进行多元回归分析。
建议性问题结果：
综合满意度：
数据的常规处理
对于刚才得到的数据，可以进行常规的处理。即求出平均值或者份额进行相应比较分析，所得到的结果如下。
对于样本量为10的上述调查结果经计算，细心护理型占50%，粗放型30%，异常数据20%。
变量性问题平均值：
对于各个角色均值数据如下：
从上述数据结论可知，对呀B1-B4问题，两个用户角色观点相差不大。但是对于B5（产品交互）问题粗放型用户比细心护理型用户更为重视。
经过对建议性问题分析结果可以得到如下图表：
由此可得出结论，细心护理型用户对email的要去较为强烈；粗放型的用户倾向与写信的方式。对于添加的服务项，这两种角色均有需求。
综上所述，我们只是举了一个非常非常2b又简单的例子来说明构建用户模型的方法，实验的样本量也很小。这个简单的例子可以说明基本方法，要真正应用到自己的case中，还需要认真研究分析。
多元回归方法分析用户模型
对于数学好的童鞋，可以给出一种多元回归统计的方法来分析我们得到的数据。这里写的并不详细，也没听提供假设检验，望高手多多指点交流。我们仅用多元回归方法来分析变量性问题的结果。
我们的例子提出了5个变量性问题，所以要回归的线性方程具有5个变量，形式如下：
Y=b0+b1x1+b2x2+b3x3+b4x4+b5x5
我们的目的就是要对b0、b1、b2…b5计算出估计量。
写成矩阵的形式为Y=BX
其中Y为综合满意度数据
B是我们要估计的矩阵
使用MATLAB中的regress(y,x)可以对B进行多元回归,结果如下：
(这里没有进行假设检验等，大家可以自行完善)
>> y=load('C:\Users\ydbj0017\Desktop\y.txt')
y =
90
85
77
81
70
78
89
91
90
80
>> x=load('C:\Users\ydbj0017\Desktop\x.txt')
x =
1 80 95 79 78 67
1 87 66 60 89 78
1 97 77 87 69 90
1 88 98 65 75 68
1 78 83 63 73 76
1 73 75 88 80 95
1 78 98 63 66 97
1 77 74 87 66 69
1 90 88 67 87 78
1 88 78 67 79 60
>> regress(y,x)
ans = %这个就是估计矩阵B
51.4213 %b0
-0.0868 %b1
0.2210 %b2
0.1407 %b3
0.2041 %b4
-0.0671 %b5
b0为常数，对变量没有影响，剩余对应相应的变量问题。由此可见B2问题是全部用户对整体评价中权重最大的因素。