大家好！今天让小编来大家介绍下关于儿童人物画像产品设计方案_儿童人物画像产品设计方案范文的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

文章目录列表:

• 1、如何用用户画像了解关键用户？
• 2、如何让机器拥有像人一样的思维——用户画像、人物性格与聊天机器人
• 3、如何构建用户画像
• 4、定量+定性的用户画像方法与流程

一、如何用用户画像了解关键用户？

用户画像：

用户画像是建立在一系列真实数据之上的目标用户模型，通过调研去了解用户，根据他们的目标、行为和观点差异，将他们区分不同类型，每种类型中抽取出典型的特征、赋予名字、照片、场景、描述等形成 人物原型（personas）

目的：为了让团队成员在产品设计的过程广东会够抛开个人喜好，将焦点关注在目标用户的动机行为上进行产品设计
用户画像注意事项：

1.  用户画像要建立在真实的数据之上

2.  当有多个用户画像的时候，要考虑用户画像的优先级，通常建议不超过三个以上的persona(人物原型）设计产品

3.  用户画像需要不断修正中的
如何建立用户画像personas？
1.  确定被访问用户类型、设计研究方案和研究提纲（调研的目的是创建用户画像）

2.  尽可能调研最大范围的不同类型的用户，方法有：不同部门的同事头脑风暴找出各种用户类型，每种类型调研3个

3.  注意除了产品的使用者以外，不要遗忘利益相关者

4.  采用何种研究方法，主要根据研究目的、项目时间和经费进行综合考量
如何区分不同用户类型：

区分不同用户类型的关键点在于用户使用产品的目标和动机、过去／现在／未来的行为，而不是性别、年龄、地区等人口统计学特征。

调研提纲：

调研提纲是根据不同产品的实际情况来设计的
用户特征分析的过程：

- 基础属性

-  社会关系

-  消费能力

-  行为特征

-  心理特征

PS： 把用户特征分层分类是做好用户画像的关键！
亲和图把大量收集到的事实、意见或构思等定性资料，按其相近性进行归纳整理的一种方法。

亲和图的目的：是为了不遗漏数据，让大量定性信息分析过程可视化，更方便的谈论的数据依据。

亲和图制作过程：

1.  用户研究人员将收集到的关键信息做成卡片，然后邀请相关同事一起参与亲和图的制作

2.  参与人员尽量是数据收集人员，人数在3人内

3.  一张卡片上只写一条信息，人+目标／行为／遇到的问题
亲和图制作之前的工作：

1. 凭借印象，假设用户几种类型和他们的特点

2.  将类似或相关的卡片贴在一起，对每组卡片进行描述，描述写在不同颜色便签上

3.  进行更高层次的汇总，同时移动或重新组织，直到形成最终的亲和图

PS: 企业和个人信息不用做成卡片，可以打印出来人手一份，在讨论和分组的时候作为参考即可。

通过亲和图，我们已经确定了几种企业类型，以及企业中的个人用户类型

接下来我们需要将这些 企业和个人的重要特征描述出来，形成用户画像的框架 。
与产品、市场以及各种leader一起完成用户画像的优先级排序工作。

如何确定用户画像的优先级？

1. 使用频率

2.  市场大小

3.  收益的潜力

4.  竞争优势／策略
1.  结合真实的数据，选择典型特征加入到用户

2.  加入描述性的元素和场景描述，让用户画像更加丰满和真实

3.  将用户画像框架中的范围和抽象的描述具体化，比如将员工数“20人以下改成15人”

4.  让用户画像容易记忆，比如用名字、标志性语言、几条简单的关键特征描述，都可以减轻读者的记忆负担

二、如何让机器拥有像人一样的思维——用户画像、人物性格与聊天机器人

[人工智能] [用户心理]  
最近，我给我三岁的女儿买了一本绘本，名字是“Can I build another me”，她爱不释手。这本书的主角是一个厌倦了自己规律生活的孩子，他希望能训练出一个机器人代替自己按时午睡、吃饭、去幼儿园，这样他就可以自由自在地玩耍。于是，他买来一个最便宜的机器人，带回家来训练它。在这个过程中，他遇到的第一个问题就是，怎样才能让机器人才能变成他呢？于是，他试图告诉机器人各种关于自己的信息，包括他的姓名、年龄、身高、体重，父母、兄弟和宠物，甚至包括“左撇子”“易烦躁”“袜子经常破洞”这种信息。

这绘本的作者脑洞很大，他也在思考我们所思考的问题。这个故事也告诉我们，要让机器人拥有人一般的思维，第一步便是 理解自己 。因为这样我们才能告诉机器人，怎样做才能最像自己。我们从以下几个方面探讨这个问题：
1. 人工智能与心理学

2. 人格分类及推测

3. 如何让机器人像人一样思考

在很长一段时间内，我们团队一直从事用户画像的研究。什么是用户画像？简单说来，就是通过用户产生的大数据，去猜测和理解一个人的年龄、职业、兴趣爱好，也可以去描绘一群人的 生活规律 和 移动模式 。这让我们开始思考，我们能不能通过这些数据进一步走到人的内心深处，去了解她们的 性格和情感 呢？这并不容易。但是在研究的过程中，我们发现这些问题在心理学领域已经被思考了上千年。实际上，人工智能和心理学这两个领域实际上早就有交叉。

两年前，我们便开始拜访著名的心理学家和教授，试图进行跨学科合作交流。在这个过程中，我们首先想解决的问题就是人格。 从用户生成的大数据广东会否计算出人的性格？
虽然人格这个术语在日常生活中很常见，但是给人格下一个准确清晰的定义却并非易事，即使是心理学家们在这个术语的定义上也很难达成共识。 人格最早的定义可以追溯到2000多年前(公元前400年) 古希腊医学家希波克拉底（Hippocrates）的体液说 ，他认为人体是由四种体液构成，包括血液、粘液、黄胆汁和黑胆汁，而这四种体液的分布便决定了人的性格：黑色的胆汁产生了忧郁型人格，血液产生了乐观型人格，黄色胆汁产生了冲动易怒型人格，而粘液产生了冷静型人格。尽管希波克拉底的体液说已经被现代医学所否定，但是他关于人格分类的探讨是有启发意义的，以致于后来的心理学家仍然一直探讨这个问题。

在我们与心理学家交流时，我们发现了一个有趣事实：在现代心理学中， 人格的定义其实跟语言的使用有着紧密的关系 。其实在计算机科学领域，我们对语言也有很多研究，我们称之为“自然语言理解”。在心理学里面，有一个概念叫“词汇学假说”。什么叫词汇学假说？根据这个假说，我们无需通过观察、研究各种各样的人来研究人格，我们可以简单一些，通过直接观察人类语言中相关词汇。比如说，你介绍一位朋友给我认识，可能会用一大段话来描述他：“他特别喜欢说话，每次都听到他在说话，是个话痨”等等。其实，一个词即可概括这段话：健谈。因此，心理学家决定整理这些描述性词汇。如果这个词汇不多的话，它们便可成为建立分类体系的基础。

基于这些观察，人格理论的先驱奥尔波特(Allport)和广东会伯特(Odbert)于1936年对英语词汇进行了艰难而又系统的调查研究。通过查看词典，他们按照个人特质、暂时的情绪或者行为以及智力与才干这四个类别发现大约18000个单词，并进一步从中整理出 四千多个描述性格的词汇 。虽然说四千似乎已经很少了，但对于整个用户语言来说，这仍然是很复杂的。

试想下，在描述一个人性格的时候，如果要给这四千个描述维度分别打分，这该是多大的工作量。因此，他们想在此基础上进一步缩减。在这个过程中，他们发现，这些单词间其实存在一些相关性。比如说，一般外向的人通常也比较健谈，冷静的人通常也比较理智，但他可能也比较内向。如果能定位这些相关性，便可在此基础上对四千多个词进行进一步归类。
近二十年来，人格研究者关注与支持最多的人格定义是 “大五人格理论 ” 。包括了五个高度概括的人格因素：外向性 (Extraversion)，尽责性 (Conscientiousness)，神经质 (Neuroticism)，随和型(Agreeableness)和开放性(Openness)。每个人格因素下还有一些细分特质(比如外向性下包括了是否经常参加活动、是否热心肠等)。这样，以后你在介绍朋友时，可以将他描述为“比较外向，但不太随和，可能比较情绪化的一个人”。方式很简单，但是描述很全面。

实际上，整理这些词汇以及生成人格分类体系大多是依赖数据驱动，与计算机科学有很多很紧密的联系。那我们能不能自动的计算用户的大五人格呢？其实这也是有可能的。
在传统人格测量中，心理学家往往采用访谈和调查问卷这种形式，需要耗费大量的人力、财力和时间，受测者往往局限于几十人到几百人的规模，不可能实现大规模用户的测量。但心理学中还有一种人格测量的方法，叫做 行为测量 ，通过观察个体的行为来进行测评。行为测量的理论基础是人格理论中的人类行为的一致性。既然人格能够解释人际之间的稳定的个体差异，那么个 体行为表现出的差异性就跟个体的人格息息相关 ，因此通过观察个体行为使得预测人格变成了可能。只是在计算机技术得到广泛应用之前，心理学家很难收集到用户足够丰富的行为数据，因此数据的匮乏导致了行为测量在传统心理学中并没有被广泛采用。
近年来，随着互联网、智能手机和各种传感设备的普及，用户的行为数据被广泛收集，再加上人工智能方法在建模用户方面的推进，使得通过行为数据测量人格的方法在计算机和心理学的交叉领域得到了快速的发展。我们的研究工作在此基础上更进一步，提出 “人格推测模型” ，利用社交媒体上的 异构数据 （比如头像照片、发表的文字、表情符使用以及社交关系等）来预测大五人格。比如说针对图片，我们可以，算出语义表示，再将这些图片聚成某些类别，如卡通、自拍、合影、动植物。用基于行为数据的人工智能方法进行人格预测，首先需要收集少量用户的调查问卷结果作为标注。通过 标注用户行为特点及人格特征，将它们之间的映射和联系输入模型中，以训练出一个好的模型 。

实际上，我们找了一批志愿者，他们提供了自己的数据，并完成了问卷调查，这样我们便拥有两方面数据。在训练完模型后，新的用户便无需完成用户调查，模型可以自动计算其人格。听很抽象但其实也很具体。例如，我们可以计算用户发表文字和性格间的关系。大五人格有五个维度，我们可以 计算出文字和每一个维度间是特别正相关或者特别负相关 。例如一个经常在朋友圈写青春和自我的人可能比较外向，而常写失败和面对的用户外向性得分便很低。还有一些用户可能会写时代、社会、成功这些听起来非常广东会的词汇，我们发现这些人尽责性比较高。相反，有些人可能经常写随便、萌萌、气质这些词，我们发现他们尽责性比较低。尽责性低并不是一个贬义词：在这个模型中，在乎结果的人尽责性比较高，在乎过程的人尽责性比较低。这两个极端都有它的优势，并无好坏之分。

我们还通过计算大五人格和用户头像 类簇的皮尔逊系数 ，展示了与大五人格强烈正相关或者负相关的类簇（每个类簇选取了2张图片显示）。这样的计算揭示了一些有趣的现象：比如外向性得分高的用户喜欢使用包含笑脸的头像，而得分低的用户往往在头像中遮挡了面部表情或者使用侧脸；开放性得分高的用户往往使用和朋友在一起的照片作为头像，而开放性得分低的用户的头像很多是自拍照。

我们的实验结果表明单单使用头像照片，就能使个体性格预测的准确性到达0.6。我们不仅对每种维度上的行为数据提出了针对性的特征提取策略，而且使用集成学习技术（Ensemble）有效融合了不同维度的行为数据来提升大五人格预测的准确率，使得个体大五人格预测的准确性到达0.75以上。

在理解用户之后，下一步就是 如何利用这些知识来帮助机器人产生像人一样的思维 。人类希望机器人能实现的重要行为之一就是聊天，微软也提出了“Conversation as a Platform（对话即平台）”的概念，认为未来所有人机界面都将转变为对话界面。

两年前我看过一部电视剧，至今记忆犹新，是英剧《黑镜(Black Mirror)》第二季第一集“be right back”。这部电视剧描述了一家人工智能公司，它可以通过一个人的社交媒体和在线聊天数据合成一个虚拟人，来模仿人物原型的性格特点和他的女友进行对话。这看起来很科幻，但实际上离我们已经并不遥远。2016年10月一篇新闻报道中也提到，来自俄罗斯的创业者Kuyda为了纪念去世的朋友Roman，用他的8000条短信数据训练了一个聊天机器人，并于2016年5月正式发布。

尽管技术已经前进了一大步，但就算是目前最好的聊天机器人也还无法让人感觉他是一个具有稳定性格和情感、活广东会的人。这就涉及到如何让机器人的语言和行为更具有个性。
随着社交网络盛行，带有用户标签的语言数据变得容易获取。就像前面提到的新闻报道描述一样，如果我们有足够的关于某个人的数据，就有可能训练出一个和他个性一样的聊天机器人。当然，我们还可以通过一群人，例如儿童、学生、甚至诗人的数据来训练出 具有一类人特点 的机器人。例如，我们是否可以收集所有现代诗人的数据，用这些数据来训练一个出口成诗的机器人？现在是可以做到的，但随着研究的深入，相信最终我们还会遇到瓶颈，例如到底如何才能让机器人具备更加真实的人类性格与情感，这还是需要和心理学家合作。

其实，最早的聊天机器人Eliza就是一个心理咨询师。大概50多年前，MIT的一位研究员Joseph开发了Eliza，在与用户聊天时，Eliza引入了心理学家罗杰斯提出的个人中心疗法(Person-Centered Therapy)，更多强调对话态度，比如尊重与同理心。Eliza其实自己并不主动说新内容，它更多的是一直在引导用户说话尽可能倾诉。看似讨巧的Eliza项目取得了意外的成功，它的效果让当时的用户非常震惊。以致于后来产生一个词汇，叫ELIZA效应，即高估了机器人能力的一种心理感觉。ELIZA效应其实现在也很常见，比如击败顶尖高手的AlphaGo一出现，人们便觉得电脑已经具有下围棋的灵感，人工智能马上要广东会(中国) -官方网站人类。但其实，AlphaGo背后所有的程序都是人写的。 所谓的灵感，所谓的智能，实际最终都是程序实现的 。

受ELIZA项目启发，微软亚洲研究院也开展了DiPsy项目，这个项目的目标是让机器人能够和人聊天，帮助他们克服心理上的问题。在这个项目中，我们借鉴了心理咨询中常用的 认知行为疗法 (Cognitive Behavior Therapy) 和 正念疗法 (Mindfulness)。DiPsy的特点是以自然、有效的方式引导对话，让用户尽情倾诉。它还会研究用户心理过程，在数据驱动下，对用户的心理特质与精神障碍作出诊断。我们采取认知行为疗法（CBT）或早期干预，在各种治疗性的语境中，改变用户的思维与行为方式，帮助存在风险的用户缓解并管理心理问题。
在未来，我们期待这个项目能帮助解决实际的社会问题，例如农村留守儿童的心理疏导。在前不久举办的未来论坛上，微软全球执行副总裁沈向洋说，他想要解决三个和人脑息息相关的疾病：儿童自闭症、中年忧郁症、老年痴呆症。我希望我们的技术能帮助他做到这一点。当然，这些研究项目很多都还在起步阶段，里面涉及到很多跟其他领域学者的合作，包括心理学，社会学以及认知科学。希望未来可以和更多学科交流，获得更多研究上的灵感和广东会。

我们希望最终能实现让机器拥有像人一样的思维，并在人需要时能提供不仅帮助，还能陪伴。当你孤独时，至少有个AI与你在一起。

知识图谱：

皮尔逊系数： 用于度量两个变量X和Y之间的相关（线性相关），其值介于-1与1之间。在自然科学领域中，该系数广泛用于度量两个变量之间的相关程度。
集成学习： 使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。

三、如何构建用户画像

我们用教育行业来说一下这个问题，

2017年4月初，62个在教育行业产品获投资，这一消息，使得教育行业产品再次被热议。事实上，教育行业早已是一片红海，有调查显示，近6成的互联网学习者位于三四线城市，而一款好的教育产品，会让用户对学习这件事情上瘾，不断对后续的课程进行消费。总的来说教育行业仍旧有突出重围的希望。

在教育产品竞争如此激烈的今天，如何争夺到更多的用户，似乎是困扰着众多教育产品的问题。本文以在线教育产品为例，说说如何构建用户画像，并为下一步获客制定运营计划。

什么是用户画像

用户画像是指，建立在一系列真实数据之上的目标用户模型。根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型。

为什么要构建用户画像

构建用户画像，就是帮产品找到用户真实的述求点，能够帮产品的功能设计提供依据。对运营人员来说，最基本的一点就是了解用户。通过对用户信息的采集，分析，抽离，生成最终的用户画像。构建用户画像后，就可以制订更精准的运营方案了。

在线教育产品，如何构建用户画像

1.用户画像分析逻辑

在构建用户画像之前，先来看看用户画像构建、分析的一个逻辑。

2.信息采集与分析

在线教育产品构建用户画像的第一步 ，收集用户的基本信息。此处重点收集三个维度的用户信息，个人信息，社会关系，消费水平。

个人信息：在这一维度，可以采集包括年龄，性别，教育程度，职业等基本属性。在线教育产品可以重点采集教育程度，职业等信息。

个人信息是一个人的基本属性，一般不会轻易改变。个人信息这一维度的数据，有很大的参考意义。

社会关系：是否已婚，是否有小孩，有其他兄弟姐妹吗，父母亲分别是谁呢。用户的社会关系以及社会关系的个人信息，可以推断出这个人的性格。

用户的社会关系关乎一个人的隐私，一般比较难获取。

消费水平：月收入是多少，月消费能力怎样，是否需要还房贷，是否有信用卡。

消费水平可以直观的看出用户的生活状况，但是难以区分真假，因为用户有可能在说谎。

采集完用户的基本信息之后，下一步应当采集用户的行为特征。

行为特征可以理解为用户无意识的惯性行为。根据用户的行为特征，可以推断出其心理特征。

比如，用户会使用高端团购APP，可以推断出改用户对生活品质的要求较高。

3.为用户打上标签，细分人群

不同的用户群有不同的目标、行为和观点，细分用户群可将问题变的清晰，同时也作为用户画像优先级划分的依据。

根据采集的用户信息，将用户打上专属标签，后续可根据标签，对用户进行细分。

4.丰富用户信息

丰富用户画像是构建用户画像过程中最需要打磨的一个部分，将采集到的大量枯燥且凌乱的数据，分析且赋予更多的元素，让它们成为鲜活的个体，非常考验团队的敏锐度和细腻度。

根据用户画像，如何在精细化运营上发力

对运营来说，构建完用户画像，但是没有将用户画像应用到运营推广中，就等于做了个无用功。在线教育产品在构建完用户画像之后，应该重点考虑如何利用用户画像，辅助课程开发和产品运营，做到精细化运营。

做精细化运营的一个基本思路就是理清楚一个逻辑：在什么时间把什么内容发给什么类型的用户。

1.根据搜索数据的个性化运营

用户浏览了某一个课程，可以根据用户标签，推荐相同类型的课程。

更多内容，可百度一下“在线教育app：构建用户画像并制定运营计划怎么做”。

四、定量+定性的用户画像方法与流程

      用户画像是一种目标用户的人物原型，它不仅可以快速了解用户的基本信息并快速归类，并且可以进一步精准地分析用户行为习惯和态度偏好。用户画像虽然是用户的虚拟代表，但必须基于的是真实用户和真实数据。

我们尝试去做一个用户画像，往往是基于以下情景：

确定目标用户，将用户根据不同特征划分不同类型，确定目标用户的比例和特征；

统计用户数据，获得用户的操作行为、情感偏好以及人口学等信息；

根据目标用户确定产品发展相关优先级，在设计和运营中将焦点聚焦于目标用户的使用动机与行为操作；

方便设计与运营，据用户画像提供的具体的人物形象进行产品设计和运营活动，也比仅有模糊的、虚构的、或是有个人偏好的用户形象更为方便和可靠；

根据不同类型用户构建智能推荐系统，比如个性化推荐，精准运营等等。

从用户画像的使用情境也可以看出，用户画像适用于各个产品周期：从潜在用户挖掘到新用户引流，再到老用户的培养与流失用户的回流，用户画像都有用武之地。
采用定性的方法（如，深度访谈、焦点小组）或定量的方法（如，定量问卷、行为日志数据）都能够完成用户画像的构建，不同的方法各有优缺点：
但是，不论是选择定性还是定量的方法，都首先需要对用户类型有一个基本“量”的了解，否则在选用样本时就会产生偏差。那么如何通过定量的方法（聚类）构建用户画像呢？
选择那些指标？

用户指标的选择，可以是封闭性的，也可以是开放性的。在封闭的指标中，用户群的类型是固定的，所有用户类型构成了全部的用户整体，比如轻度用户、重度用户；男性用户，女性用户。但是这种划分方式维度可能过于单一，无法体现用户群的复杂性，并且不利于指标体系的补充改进和迭代，因此在研究中我们更倾向于采用开放性的分类方式，可以根据不同应用场景变更或者拓展指标。

开放式的指标体系包括用户人口属性、行为操作属性、态度偏好属性、用户价值属性等，用户的行为和态度是不断变化的。
其中，注意一点，封闭式指标中的人口属性指标是相对稳定的静态数据。通常，从我们的经验和掌握到的用户信息，我们对用户的年龄结构、性别比例都已经明确，如果在聚类中人口属性指标对聚类干扰较大（共线性较强），或在模型中作为因子影响过高，可以在聚类时重点关注用户的行为操作和态度偏好等指标，聚类成功之后再比较每一种用户类型的人口学背景信息等。

如何获得和筛选数据？

在确定指标后，我们需要确定指标的来源。有些数据是后台行为日志可以记录到的，有些是需要用问卷调查的。一般而言，行为层面的指标可以用后台日志，更加准确。而态度层面的则要用问卷来获取。两种数据渠道各有优缺点：

理论上，所有的数据都可以通过问卷获得。但是，为了最优化研究效果，我们采取了问卷+行为日志结合的方式。在发问卷的同时，抓取了用户的设备号和ID，以匹配后台数据。

在保证问卷效度的前提下，问卷设计还需要注意结合用户特征，以提高填答率以及数据准确率。比如，针对二次元用户，在用户群年龄结构偏小的前提下问卷不能太长，不能出现深奥的专业术语；同时问卷的语句表达以及页面风格也要相应调整，使其没有距离感。同时，注意筛除多次填答和注册的马甲账号问卷。此外还要注意新用户的占比，需要评估填答问卷中新注册用户的比例是否与投放期新用户正常增量一致。用户画像是否需要包含新用户取决于项目目的，也可以和产品方讨论后决定。

把用户分成几种类型？

聚类分析是探索性的研究，他根据指标或者变量之间的距离判断亲疏关系，将相似性的聚为一类，因此会出现多个可能的解，并不会给出一个最优的解，最终选择哪一种方案是取决于研究者的分析判断。

把用户分的类型越少，颗粒度就越粗，每种类型之间的特征就不会很分明；用户类型越多，颗粒度也就越细，但复杂的类型划分也会给产品定位和运营推广带来负担。因此，细化颗粒度不仅需要定量的聚类来调整，还需要结合产品经验来验证。同时，因为采用的是开放性的指标体系，我们不可能像区分“男性用户、女性用户”那样清楚地知道用户类型的数量，因此，在用数据进行用户画像时，最关键的一步就是确定把用户分成几种类型。

我们将数据导入spss尝试进行聚类分析。如果变量数据形式不统一（选择的指标有定序、有定类），则需要首先对数据进行标准化；其次，两个强相关的变量和其他变量一起进行聚类会加大因子的权重，使聚类效果不理想，所以我们还要使用因子分析对选择的指标提取公共因子，对因子共线性判断，因子分析是选择合适变量进行聚类的前提，如果因子之间共线性强，则提取公因子进行聚类，若共线性不强，则直接聚类。

在确定因子之后需要选择合适的聚类方法。不同方法适用的情况不同，常用的是K均值聚类以及层次聚类。

K均值聚类 也称快速聚类，内存少，复杂程度低，快速高效，适用大数据量。但是需要提前明确分类数目，并对均值进行定义。只能对样本聚类，不能对变量聚类，样本的变量需是连续性变量。

层次聚类 可以对变量聚类，也可以对样本聚类，可以是连续变量也可以是分类变量。能提供多种计算距离的方法，但是计算复杂度高，适用小数据量，我们需要结合项目的具体情况，包括项目周期、数据形式、数据量、聚类特征等等来确定聚类方法。
最后通过尝试不同的聚类数、距离算法和分类方法，我们可以根据以下几点来确定分类的数量：
1、依据产品经验，不同产品的典型用户不同

2、根据已有的用户研究以及相关研究结论

3、根据具体的分类效果确定

4、根据层次聚类“步数——距离”拐点

聚类效果好坏的评估可以从聚类中心之间的距离、组件与组内的方差以及群组数量之间的比例是否符合产品特征、比例是否协调以及划分的类型对产品是否有意义等方面去评估。

在已经得知了分类结果并且分析得出了每一类用户在各项指标上的特征之后，构建用户画像的工作也就好比在一副骨架上填充血肉。一方面，我们可以直接利用获取的数据，找到具有显著特征的信息，赋予到用户身上。比如第一类用户60%使用iOS系统，而其他三类均不超过20%，我们就可以将第一类用户抽象为一个平时使用iPhone 的人。除了问卷数据之外，想要使人物形象更加鲜明，可以对问卷本文题进行分析，或者根据产品经验、用户反馈或已有研究进行画像，这样可以使用户形象更加有血有肉。

但是，把数据还原成用户本身用户也需要遵循几个原则，画像（Persona）意味着一个令人信服的用户角色要满足七个条件：
通过定量化的调研可以快速对用户建立一个精准的认识，对不同数量、不同特征的用户进行比较统计分析，在后期产品迭代改进的过程中可以将用户进行优先级排序，着重关注核心的、规模大的用户。但是，依靠数据这种偏定量的方式建立的用户画像依然是粗线条的，难以描述典型用户的生活情景、使用场景，难以挖掘用户情感倾向和行为操作背后的原因和深层次动机。因此，如果有足够精力和时间，后续可以对每类用户进行深入的访谈，将定量和定性的方法结合起来，建立的用户画像会更为精准和生动。

   以上就是小编对于儿童人物画像产品设计方案_儿童人物画像产品设计方案范文问题和相关问题的解答了，儿童人物画像产品设计方案_儿童人物画像产品设计方案范文的问题希望对你有用！