最近看了不少用戶研究報告，這些報告都有一個共同點，將用戶按照性別、年齡、職業(yè)、收入、教育、地區(qū)……等等來進行分類，從而得出結(jié)論。這種分類維度，稱為“Demographic”，直譯過來就是“人口統(tǒng)計學的（屬性）”。到目前為止，我通過各種渠道得到的各種公開報告，都是這種 Demographic報告，從中可以得到在某個具體行業(yè)中，人群的基本特征和觀點。

在UCD方法中，有很多環(huán)節(jié)都是跟用戶研究有關(guān)的。剛開始做這件事的時候，我也將用戶按照年齡、性別、職業(yè)……等來進行分類，去研究他們的想法和目標，但漸漸地發(fā)現(xiàn)這種分類方法并不能幫助我發(fā)現(xiàn)能支持產(chǎn)品改進的數(shù)據(jù)。

比如就我這個小小的博客而言，我使用了Google的Analytics，我能查閱到一些訪問數(shù)、綜合瀏覽量、每次訪問頁數(shù)、跳出率……等等數(shù)據(jù)，也能了解一些點擊量來源、地域分布等數(shù)據(jù)，但這些數(shù)據(jù)并不能指導我選擇每一篇文章的內(nèi)容和偏重。

那么我希望得到什么數(shù)據(jù)呢？首先對于一個專業(yè)博客來講，訪問者的專業(yè)水平是一個重要的、劃分用戶的指標，所以我需要知道新手和專家讀者的比例，因為這兩群人希望看到的內(nèi)容肯定是不一樣的。

一個小小的博客有這樣兩類用戶群其實已經(jīng)足夠了，但是為了提供更好的內(nèi)容，我還想知道讀者是否有足夠的興趣去研究和思考，這能決定我撰文的風格是更嚴謹還是更輕松。

于是我就得到了四種不同的人群：

當然，如果我希望提供更精準的服務(wù)，用來區(qū)分用戶群體的維度就需要再增加，那么上面那個2×2象限圖就不夠用，我們可以用表格來代替。

不管怎樣，你可以看到，Analytics不能幫我解決這些疑問，它提供的只是一個匯總之后的平均數(shù)據(jù)，而“平均數(shù)據(jù)”恰恰抹掉了用戶和用戶之間的“差異”。

基于人口統(tǒng)計特征的研究也同樣如此。我的訪問者中有60%男性，40%女性（假設(shè)），這個結(jié)果對我的決定并不能產(chǎn)生太大影響。北京的比上海的多，可能會使我少舉幾個具有北京特色的實例，但仍然對內(nèi)容沒有決定性影響。因此回過頭來看，也許基于Demographic來總結(jié)用戶特征，并不適用于產(chǎn)品設(shè)計。

怎樣的劃分標準適用于產(chǎn)品設(shè)計呢？我不能給你準確的答復，因為這完全取決于產(chǎn)品的性質(zhì)和規(guī)劃，沒法一概而論。但我可以分享一下我這個博客的例子。

用戶的專業(yè)水平和研究興趣，是我劃分讀者群體的兩個維度。然后我得到了四種不同的人群，接下來我就可以分析這幾個群體之間可能的差異，和Analytics的數(shù)據(jù)結(jié)果進行對比，看看是否能解釋一些現(xiàn)象。比如：《人物角色：理性與感性的結(jié)合體》的停留時間遠遠高于《我為什么要登錄》；《 如果交互讓你崩潰》的瀏覽量遠遠大于《大UE？小UE？》……等等。如果不能合理解釋，那么我可能需要做幾次用戶調(diào)查（問卷、訪談、測試……）來了解真相，而調(diào)查的抽樣標準，仍然是以“專業(yè)水平和研究興趣”為標準的。

我想這才是真正與產(chǎn)品有著緊密結(jié)合的用戶研究，為了和以前的研究方法以示區(qū)別，我稱之為“產(chǎn)品用戶研究”，而將之前提到的傳統(tǒng)方式稱為“基礎(chǔ)用戶研究”。它倆之間的唯一區(qū)別，是劃分用戶的維度。而你現(xiàn)在也知道了，基于人口統(tǒng)計學特征的用戶研究只能輸出大家常見的那種報告。

產(chǎn)品用戶研究的維度，通常是從用戶的行為差異開始分析的，不過差異行為背后往往是驅(qū)動因素（動機）在起作用，而動機又取決于目標，所以最后通常會落到用戶目標上。先按“目標”來劃分用戶群，然后去了解具有相同目標的用戶Demographic，這和基礎(chǔ)用戶研究是剛好相反的，也正因為如此，兩者是相互補充，互通有無的。

補充：

很巧，今天看到UIE的一篇文章，Avoiding Demographics When Recruiting Participants: An Interview with Dana Chisnell，與本文觀點不謀而合，有興趣的同學可以一讀。

摘兩段話：

None of those percentages had anything to do with what they wanted participants to do in the study. None of those percentages said anything about how motivated the people we selected might be to do the tasks that were part of the study.

This made it much easier for us to recruit for this study because as you can see, there’s nothing about age, gender, or profession in that visualization. Instead, it was about what people did and their motivations for doing it.