​MAAD模型:从市场营销中学到的用户画像分析法

我即将犯下在UX领域中最大的错误(惭愧) —— 与营销人员为伍,声明我们确实可以从长久以来促使人们购买更多商品的学问中借鉴一、二。

​MAAD模型:从市场营销中学到的用户画像分析法

和所有用户体验设计师一样,我阅读过数不清的关于用户画像的文章和观点。我个人和用户画像的关系就好像乘过山车——从最开始喜爱它们到避免使用它们、再到认为它们是建立同理心的超级英雄再到后来重新讨厌。这确实是个无限循环的过程,并且在Medium上随便一搜就能发现不仅仅是只有我这样。

​MAAD模型:从市场营销中学到的用户画像分析法

决定我在这个话题中的立场并不容易。我曾在和团队合作中把用户画像打印并粘贴在墙上,将他们熟记于心并且在每一个产品相关的讨论中都提及他们的名字,我认为他们的价值不可否认。但是我也看到了非常多的团队制作完用户画像后,就把这些画像存在dropbox的某个角落再也没有使用过。我还见过有人把用户画像当作销售工具、或是对利益相关人毫无意义的趣闻、或者更有甚者制作用户画像仅仅是为了让ppt看起来更好看。

因为用户画像过于抽象,所以多年来它们被误解及误用。他们被创建出来又因为各种各样的原因失败。

很显然,用户画像只有在我们使用的时候才是有用的。但是如何预先衡量一个用户画像的有用性?如何定义好的画像与坏的画像之间的界限?必须采用一套经过验证的、可重复的、可扩展的评估标准才能解决这一问题,这也是市场营销的有用之处。

市场营销在细分客户时,有一个被销售人员经常使用的简单但却非常有用的框架:MAAD。

  • MAAD = Measurable(可度量的),
  • Actionable(可执行的),
  • Accessible(容易获取的),
  • Differentiated(可区分的)

好消息是这个框架也能用于用户画像分析。接下来让我们详细看看它该如何应用在UX领域。

可度量的(measurable)

用户画像必须是可度量的(至少在一定程度上),所以我们才能理解这个画像在整体用户中的代表性。不同的用户画像会引发不同的设计决策,有时甚至是相互矛盾的。如果我们不能根据他们在真实用户的占比来确定他们的优先级,我们将面临为错误的用户而设计的风险。

例如:

​MAAD模型:从市场营销中学到的用户画像分析法

Muriel和Mark在广泛的用户中具有多大代表性?

对于一款新的外卖产品而言,Mark是一个总想要尝试新菜品和饭店的用户画像,因此他重视特色并且具有发现的能力。Muriel是一个不太喜欢尝试的更传统一点的用户画像,她更喜欢从同一家餐馆订购同样的菜肴——因此,她更喜欢能够让她轻松地重购以往订单的产品流程。如果我们能够评估Mark占整体用户的70%,而Muriel占整体用户的30%——很好,对产品流程的设计决策会瞬间变得轻松很多。然而没有能够度量的可能性,用户画像可能不仅没太大用处甚至会误导我们。

可执行的(actionable)

用户画像必须是可以从创意、设计、或者用户体验的角度使用的。用户画像必须能够提供足够的信息来指导团队预想不同的使用流程或创意。即使我们抛出的是旨在建立同理心的很小的细节,它们也必须能够引导团队获得一个更加清晰的决策。

例如:

​MAAD模型:从市场营销中学到的用户画像分析法

当涉及到会计系统时,狗和孩子具有多大的相关性呢?

假设我们在设计一款专业的会计系统。狗和孩子或许看起来为建立同理心提供了很多细节,但是这些细节并没有真正帮助我们决定如何设计软件界面。它们不具备执行用处,所以只会干扰我们关注核心目标。现在假如我们设计的是列车时刻表app,这些细节或许是相关的——Mike有可能周末和孩子出去旅游,Jane或许想带她的狗乘坐火车。

容易获取的(accessible)

用户画像里的参数不仅仅需要是明确的,而且还得是容易获取的,所以我们可以轻松的基于与用户画像相关的变量参数来识别用户群体。这在测试阶段非常重要。特定的参数将导致特定的设计决策(这往往意味着需要假设什么对于这些参数是最适用的)——如果我们找不到具有该参数的人群,我们将无法验证相关的设计是行之有效的。

例如:

​MAAD模型:从市场营销中学到的用户画像分析法

我们如何确保每个人对幸福的定义是相同的呢?

假设我们正在设计一款新闻类的门户网站。我们的用户画像之一,Tim, 对他的生活非常满意(这不是我编造出来的,而是我曾经在一个真实的用户画像中看到的参数)。这会让我们假设Tim是一个乐观主义者并且想要预先看到积极的新闻而希望其他不好的事情远离他的视线。同意这个假设意味着巨大的飞跃,所以我们该如何证明它呢?如果我们开始寻找那些声称他们"对自己的生活质量感到满意"的人,我们很快就会发现这并不简单。因为这个参数的含义是主观的,更何况我们必须对参与者进行心理评估测试才能尝试确定他们大体上的生活满意程度。

可区分的(differentiated)

用户画像必须是容易区分的,并且对不同的产品方案或品牌信息起不同的影响。

例如:

​MAAD模型:从市场营销中学到的用户画像分析法

May和April是否足够不同,足以代表单独的用户画像呢?

如果你只考虑年龄因素,18岁和60岁的人很可能在生活方式和偏好方面有很大的不同,但是18岁和20岁可能就没有足够的差异来保证它们属于两个单独的用户画像。

很显然用户画像很少单独以年龄来区分,但是同样的原则也可以帮我们更加精细化的设计用户画像。假设我们正在重新设计Instagram的注册流程:如果Jane有两年的Instagram使用经验而Jack有5年使用经验,这是否会让他们在登陆流程上有不同的需求呢?如果没有,那么不同的使用经验就不需要被分为两个单独的用户画像。

我发现MAAD框架在制作用户画像时非常有用,无论是用于自我检测还是用作指导团队工作。

下次当你们在讨论用户画像中的宠物过往的主人信息是否有用或者仅是毫无意义的用于分散注意力的信息时,尝试使用下MAAD准则,看看最终它会带给你什么。

本文由 新媒体之家 作者: MicroUX 发表,其版权均为原作者所有,文章内容系作者个人观点,不代表 新媒体之家 对观点赞同或支持,未经许可,请勿转载,题图来自Unsplash,基于CC0协议。
5

发表评论