談網絡產品就繞不開用戶,他們的位置相當於傳統行業裡的消費者。人是複雜的,網上的行為更複雜,而且每個用戶彼此都不一樣。一款真正立得住的產品,往往不是把所有人的需求都照顧到了,而是準確地圈定某一類人,並把他們的需求吃透。到底圈誰,這就是用戶分類要解的題。
不分類,定位就是空的;分得不好,又會把目標群體對錯位,那更糟。
常見的分法,以及它的問題
我們平常說某產品有幾類用戶,大致是這些說法:高端與低端、學生與白領、一二線與三四線、活躍與不活躍、會員與非會員、IT 與非 IT、初級/普通/高級……這些分法的共同點是,只取一到兩個維度切一刀。比如 Cooper 在《About Face 2.0》裡就用「業務領域知識」和「計算機技能水平」兩個指標,把人分成初級、普通、高級用戶——說白了,還是圍繞操作頻率在轉。這種模型幾乎能套在任何產品上,但實際好不好用,得打個問號。
先看怎麼判斷分得好不好
兩個角度:信度與效度,也就是準確性與精確性。
準確性指的是,分完之後現實中的每一個用戶都能被放進某一類,都能被貼上一個標籤;精確性指的是,這些類別在多大程度上真的反映了用戶的屬性含義,也就是描述類別用的那組特徵,跟真實用戶對不對得上。
實務裡兩者很難同時做到完美。你追求百分之百準確,精度必然下滑——比如只按性別分,準確得很,但幾乎沒有資訊量。所以真實的做法是找平衡點,能服務你的分類目的就夠了。
回到「初級/普通/高級」:準確性很高,每個人都能被歸位;但精確性不足,因為描述用的維度只有操作頻率和計算機技能兩項。而現實中影響使用習慣的因素多得多——年齡、性別、學歷、收入、職業、地域、網齡,以及他使用這個產品到底想幹什麼。任何一項不同,使用偏好就可能不同。所以分類要從多維度特徵去切。
具體怎麼做
先想清楚要看哪些維度:人口學資訊、計算機與互聯網背景、上網地點、收入、職業、地域、對該產品的既有經驗與偏好、用過哪些同類產品、使用目的是什麼、認為哪個最好用、當初是怎麼知道它的、使用態度與具體行為等等。
落到具體產品上,不需要全用。可行路徑是:先把所有候選維度列出來,針對這些維度做用戶訪談,從中拿到用戶之間的共性與差異;再把訪談結論轉化成問卷題目,通過科學抽樣回收數據;最後對數據做聚類分析,分類結果就出來了。
聚類時要注意的幾件事
影響結果的因素不少,比較關鍵的有:聚類方法、距離算法、聚類變量、類數。
方法和距離上,我更傾向兩步聚類法搭配對數似然距離。因為人口學特徵和使用偏好多屬分類變量,用歐氏距離時,那個距離值的現實含義很難解釋,等於算出了一個沒有意義的數字。
變量選擇上,先取訪談中差異明顯的特徵,但變量之間彼此相關,得反覆試:去掉某個變量後,如果聚類結果變化很大,它就是重要變量,要留。類數則結合聚類輸出的描述性指標和訪談得到的實際情況一起定。
結尾
怎麼分、分到多細,沒有一個通用模板。真要動手,先問清楚你的分類目的,以及分完之後這些類要拿去用在哪。當你能從分類結果裡讀出清晰的目標用戶群和產品定位,這次分類基本就成立了。