标准化基础题库B_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
标准化基础题库B
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩71页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢注册 | 登录
次饭，碎觉，打豆豆。
专为互联网人打造的365天成长计划，500门视频课程随便看，构建你的产品、运营知识体系。
本例仅仅是基于调研目的灵活处理的一个例子，适合短平快的项目；如果需要系统了解用户，深入挖掘用户需求，更大的样本量和更扎实的定性研究依然是必不可少的。
现代商业离不开对用户的理解，任何业务的决策者都不会希望在认识用户上存在盲区，因此在用研的日常工作中，“做一个用户画像”是经常收到的需求。但同样的需求背后，往往对应着不同的目标和问题，搞清楚了解用户能帮助业务方解决什么问题，才能更有效地制定研究方案。大而全的数据平台，不一定可以和粒度很细的调研目标精确匹配；传统市场调研或设计调研的方法又会增加周期和成本，不适合短平快的项目。那么是否可以使用简单的测量－统计方法，较敏捷地得到一个需求方期望的“用户画像”呢？本文来分享这样一个案例。
（一）背景－为什么想做一个“用户画像”
在接手话题版块改版方向调研的过程中，其中一项调研目标比较有意思：运营同学发现，网易新闻客户端话题版块中，一些女性相关话题活跃度格外高，这与对目标用户的预期有一些偏差。依照大家的印象，新闻客户端中壮年男性比例偏高，典型用户是一个体制内老刘的形象－时政、社会、历史、军事版块的重度读者－因此在话题运营上也更偏向了此类内容。然而偶尔为之的母婴、情感类的话题，无论从参与热度还是质量来考量，效果都不错。运营同学陷入思考之中，怀疑话题版块活跃着一些假的网易新闻用户。
那么话题社区的活跃用户真的与客户端整体不同吗？运营同学由此提出了调研需求，希望了解话题活跃用户的“性别、年龄、婚姻状况。。”等等的一揽子人口学变量描述，简言之－“做一个话题版块的用户画像”。
不管如何做，先梳理一下需求，把目标拆解成回答以下两个问题：
网易新闻客户端的用户可以分为哪几类？
这几类用户中，哪些是话题版块可以发力的核心用户？
（二）以什么标准区分用户－一个简单的题目设计
大家可能注意到，需求方在提需求的时候，顺带提了一下自己对用户区分维度的界定“性别、年龄、婚姻状况。。”。诚然，人口学变量用来区分用户很经典，但并不适用于所有研究目标，比如在本例中的效果就未必好。原因有二。首先，人口学变量并不直接能落地到业务，还需要基于业务理解进行二次推演，不够直观；而好的分类标准应该能直接与现有资源结合来指导业务；二是完全无预设的情况下，事前很难确定各个人口学变量的影响权重，那么如果需要进行探索性分析，需要在问题中纳入足够多的变量。这样短短问卷难以承载，也会让分析头绪无端变多。
所以研究用了另一个解决方案，直接用内容偏好特征来区分用户。这样做的好处是，作为内容分发平台，直接以内容偏好为标签的用户画像天然具有可落地的属性，而不必再通过人口学特征去推断。另外，对内容的需求偏好往往反映了一个人当前的综合状态－社会经济地位、文化倾向、人口学特征－可以预期是一个很有效的探测点。
相关的问题设计很简单，只是在问卷结尾处加一道内容偏好的多选，备选项参考了主流新闻app的版块分类。
您平时使用网易新闻客户端时，喜欢看哪些内容？（多选）
科技互联网、数码IT
体育赛事、运动健身
财经金融、投资理财
游戏动漫、二次元
影视音乐、摄影旅行
健康医疗、营养养生
社会民生、房产资讯
国际政治局势
历史掌故、军事动态
神跟贴、幽默段子
其他（请注明）
这里有个问题简单说明一下－为什么要把选项切到这么碎，而不加以合并。这种处理方式实际是基于以下两点考虑。
希望基于用户认知形成分类－当然可以根据对业务的理解，对选项内容进行合并和抽象，但预设的归类方式与用户会采用的未必吻合。如果希望降低预设对用户选择的影响，完全通过用户反应情况来建立项目间的关联，那不妨呈现具体细致的选项。这好比景观规划时，直接在行人足迹最深的地方铺路。
准确性和易答性－抽象度越高的描述，包含的信息越多，不同人脑中的典型代表差异会越大，也越可能包括的矛盾案例。回答“是不是喜欢狗”时，更有可能陷入“我有点喜欢松狮但是又有点讨厌泰迪到底选不选喜欢呢”的纠结中，而问“是不是喜欢泰迪”就会更加容易回答。另外，抽象度高的选项，往往需要详细描述并给出具体例子，进一步增加阅读难度；而答题者处理短而多的选项时，未必需要比长而少的选项花费更多认知资源。
因此，问题选项呈现采用了具体细分的列举，而细分项的合并化简，则将在问卷回收后，根据用户的实际反应来处理。
（三）让分析过程更简明－数据降维
问卷投出去一段时间后，样本池渐渐上涨，内容偏好的数据饼图五彩斑斓地分布起来。这时就发现问卷选项细碎的不方便之处－同时考虑18个选项远远超出了人类工作记忆的负荷，让分析过程颇有些尾大不掉。当然这是意料之中的。如前所述，之所以把选项粒度做得很小，是希望通过用户的实际选择模式来找到相关联的内容。因此，首先要使用一下因子分析的方法，把数据进行浓缩。
岔开几句简单说说因子分析的用途。所谓因子分析，是处理多变量数据的一种常用的预处理方法，使用场景是当实际用于测量的变量较多且相关时，可以将比较琐碎繁多的变量，用几个易于解释的因子表达出来，从而更清晰地展示数据的结构和规律。拿这个项目来说，我们得到的多选题数据是用多重二分法表示的－每一个选项作为一个单独变量－题目反应数据共包括18个变量（如下图）。显然这些变量之间是存在相关关系的，存在归纳的可能，这正符合因子分析的使用场景。
因子分析使用SPSS完成，操作过程略去不表，分类结果如下图所示，将18个选项浓缩为5类因子。根据每个选项在各因子上的载荷（也就是原始选项和因子之间的相关系数），可以看出该因子大概代表了哪一类内容。为了便于理解，分别给它们起了一个比较直观的名字。如下图所示。
5个因子作为新的变量保存下来（如下图，注意保留下来的变量已经标准化为Z分数），留作后续进行用户聚类的依据。每个用户对某个因子分数越高，就意味着对该因子对应内容的偏好程度更强。例如第2个用户，就明显是“女性生活”因子相关内容的重度浏览者。
（四）为用户打内容偏好标签－聚类分析
完成了数据化简，接下来根据用户在五个内容偏哈因子上的得分，对用户进行聚类分析。由于因子本身为Z分数，不用再进行标准化处理，直接分析即可。
这里再岔开几句简单说说聚类分析的原理。聚类算法的原理是通过计算各个案例点在变量空间中的距离远近（SPSS中计算距离的方法有30多种，大多数情况只选择默认设置的欧式距离就好），来把它们分簇处理的。变量空间名字听起来挺厉害，其实就是把n个变量当作n个坐标轴，参照三个维度构成三维“空间”的说法，将n个变量的情境称为n维空间。每个case在这n个变量上的取值，构成了一个n维坐标，根据坐标可以计算case间的距离，根据距离远近形成不同的分类簇。例如，上图表格中每一行都是一个五维坐标向量，描述了该行对应用户在“内容偏好空间”的位置，不同用户位置间的距离越近，就越可能被归为一类。
聚类分析仍使用SPSS完成，结果如下表所示。表格中数字代表每类用户对特定内容的偏好程度，数字越大偏好程度越高。根据几类用户的内容偏好模式分别起一个鲜明易记的名字，例如，给更偏好“女性生活”与“宅文化”内容的用户打上“时尚丽人”的标签。
现在每一位样本中的用户都有了一个内容偏好标签，这个标签也保存为一个新的变量（如下图），留待与其它题目进行交叉分析。
首先就可以用内容标签与人口学变量来交叉分析一下，验证一下偏好某类内容的用户是否具有比较特殊的人口学属性。结果如下图所示（具体数据略）。可以看到，尽管由于样本中男性比例偏大造成一些bias，相对趋势的比较还是验证了很多印象：例如“时尚丽人”中年轻女性的比例显著偏高，“财经科技控”高学历高收入比例显著高等等。
纳入与人口学变量的交叉分析结果，最终得到的用户分类如下表所示。从样本占比推断，“随意用户”和“时政历史迷”最有可能是客户端主流人群，这与业务经验得到的印象是一致的。
（五）哪类用户是话题版块的核心用户
现在关键的问题来了，画像的几类人群，哪类是话题版块的核心用户、需要重点发力运营呢？
首先看看活跃用户中各类用户的占比（活跃度根据问卷中觉知情况和使用频次的问题答案来判断）。由下图可以看到，活跃用户的类别分布和整体差异并不大－“随意用户”和“时政历史迷”占了最大的部分。这也符合预期，毕竟话题版块的流量从客户端整体渗透过来，各类用户体量上不应该有太大的差异
那么哪种用户的增量潜力比较大呢？这个问题反过来看比较清晰－我们可以这样假设，如果某类人群中活跃用户比例越大，满意度越高，那么这类用户更可能是话题版块的目标用户。
首先将活跃度与内容偏好进行交叉分析。可以看到，“时尚丽人”中话题使用活跃者占比最高（42％），无觉知者占比则最低（29%）－年轻女性用户看起来天然对话题讨论很敏感。
再看一下满意度的差异。年轻女性用户对话题社区各方面的满意度都高于其他用户，她们在话题社区玩得更开心。
所以，给出结论&建议－年轻女性用户虽然在话题版块的体量不大，但她们的活跃度和满意度更高，讨论质量更好，对促进话题社区良性发展有很大帮助，可以从相关内容版块进行重点引流。而反过来，如果话题社区这种形式对“时尚丽人”独具吸引力，也可以将话题版块与时尚、母婴、情感等垂直频道打通，通过话题运营进行流量反哺。
最后，本例仅仅是基于调研目的灵活处理的一个例子，适合短平快的项目；如果需要系统了解用户，深入挖掘用户需求，更大的样本量和更扎实的定性研究依然是必不可少的。不过在日常工作中，有意识地以经济敏捷的方式扩展关于用户的基础知识，也不失为一种很好的积累沉淀吧。
（本案例数据和结论仅作为例子展示，不涉及真实情况）
作者：驴爷
来源：公众号：ME网易移动设计
版权：人人都是产品经理遵循行业规范，任何转载的稿件都会明确标注作者和来源，若标注有误，请联系主编QQ：
收藏已收藏 | 54赞已赞 | 12
次饭，碎觉，打豆豆。
产品经理群运营交流群营销交流群
文案交流群
Axure交流群
区块链学习群
关注微信公众号
19个回答18人关注
12个回答10人关注
11个回答14人关注
12个回答11人关注
19个回答57人关注
9个回答16人关注5,729被浏览589,369分享邀请回答t.xiaomiquan.com/vrn6AIm
（可以复制到微信中发送给自己，再打开链接）马力的知乎文章索引： —— 2017年11月更新 —— 学习 UI/UX 和产品设计1、2、UI、UX交流QQ群：，会定时举行公开课和答疑。欢迎大家加入。3、和张涛老师筹备很久的课程上线啦 ——，跟着幽默的张涛老师一起学点技术，12 月 4 号之前报名是有优惠的，详情咨询微信：ZoeSoNice。46432 条评论分享收藏感谢收起Dii.cn 等 大堆围脖公司早就火了。我接触到目前应该算成功的公司负责人中，大部份都在创业期 时候都达不到你们这些神仙的产品要求。人的发展是有倾向性的，有些人沟通能力差，但不意味着他不能做出好产品。而LS的这些神仙，以你们目前傲慢的态度，我也不觉得你们中会有谁会在未来5－10成为互联网的商业领袖。这贴一下打击很多人，没错，我就是冲你们来的。不用着急说服我，明年这个时候带着牛B的产品来。招聘这事，本来就是你需要人，我需要工作这么简单的不得了的事，越是牛B的人，越是应该学会相互尊重，有听说李开复老师招聘时这么傲慢的吗，当然菜头有菜头的个性，但是起哄的这波人，你们为哪般？ 1.4K105 条评论分享收藏感谢收起专业专项试题
专业专项讲义
专业专项预测
以历年真题为基础，针对各岗位设置的专项试题
采用本部门历年专业专项试题为研究内容，整理本专业部门专业专项试题特点，研发、命制所有讲解、练习、模拟、预测等试题，具有极强的针对性。
依据本部门系统的工作特点与要求，学生上课使用只适用本部门的专业专项讲义，考生会更真切的站在用人专业专项部门的角度思考与学习。
课程讲授将依据本系统部门历年考试的总体情况，结合本系统部门的实际工作状况展开讲授，彻底推动考生实现角色转换，使考生答题更具本部门的个性特色并脱颖而出。
全国独家推出结合本系统部门工作特点与要求的专项材料，在对本系统部门13年考试的跟踪与积累的基础上，深度研发、高度概括而出的小而精的专项资料，会使考生在极短的时间内全景式掌握本系统部门的
特点与工作实况。
具备多年带队辅导与面试经验的考官会站在本系统部门的角度，结合本系统部门的工作要求与面试要求，根据本系统部门最新面试变化趋势，系统诊断并指导考生的作答思路、作答结构、作答内容与作答亮点。
依据本系统部门历年考试的特点与要求，全情再现，全真模拟本系统部门的考试实况，从试题命制、考场布置、考试程序、作答点评等多个环节，使考生多次、反复体验考试实战感受，根本性提升心理、应变、
作答等临场能力。
具有多年面试经验的考官会依据本系统部门选人用人的实况，从考生仪态、语言表达、思维逻辑、内容主题、政策理论等方面进行专业专项点评，使考生能够从容驾驭本专业、职位的考察要素与工作要求。
针对本专业专项部门多年面试情况，深刻把握今年最新的专项命题趋势，中公面试专家全封闭集中研发
最后的预测试题，从考试形式、考试内容、考试主题、考试热点及作答要点等方面全面1考试，并将确保在历年70%高1率的基础上有更大的提升。
紧扣面试岗位命题趋势及考评要素，通过对各职位面试特点的深入研究，以专业专项独家特训资料和所报岗位针对性教学,从专业专项试题、专业专项讲义、专业专项课程、专业专项资料、专业专项诊断、专业专项模拟、专业专项点评、专业专项预测等八大专业专项教学，专项化拆分，科学化引导，使考生快速、全面、系统掌握2013国考面试的主要内容与变化，综合提升面试素质赢取高分。
客服电话：