微软用户研究，进行精准的用户画像分析

用户画像分析通常综合了群体的平均个体特征，但是，这些特征组合在一起所构建的画像，在实际生活中，代表不了任何人。

1983年，“交互设计之父”Alan Cooper大笔一挥，设计了世界上第一份用户画像（persona）。当时，作为一名敢为人先的软件开发人员，他刚刚完成了一次潜在用户访谈。他发现，专注于真实的用户动机，而不是他自己的需求，可以更好地解决复杂的问题。于是，在接下来的设计生涯中，他开始假定受访者的举止、谈吐、思维方式，大致构造出用户的虚拟模型。
此后，用户画像很快得到了学界和业界的追捧，不仅被纳入设计课程，还被软件行业广泛应用。理由也很充分：有了用户画像，我们可以更好地了解用户需求；如果无法直接与用户沟通，我们也可以根据用户画像，预测他们的行为。但是，用户画像的弊端也开始显现。用户画像本质上是一个集合，包含了用户群体的平均属性。但是，群体的平均，并不等同于个体。所谓的“一般用户”，是不存在的。

上个世纪50年代，美国空军展开了一项关于飞行员体型的研究。他们测量了4000多名飞行员的身体指标，计算了140项指标（身高、胸围等）的平均值。最后，他们得出了这些指标的平均范围，并推测，大多数飞行员的身体指标，都落在这个平均范围之内。讽刺的是，没有一名飞行员，拥有符合要求的“平均体型”。如果美国空军根据飞行员“平均体型”设计战斗机，后果将会不堪设想。根据“平均体型”建造的战斗机，人体工学设计存在重大偏差，坠机是迟早的事。这款战斗机是要为所有飞行员“量身定制”的，却没人可以开。

在产品开发中，我们每天都在犯同一个错误。假设有一个名为Ted的典型用户，有家室，身居要职，郊区有房，有两辆车（如图）。他可能养猫。我们会围绕Ted的喜好，展开争论。“难道你真的觉得，Ted会接受这样的产品？据我所知，他不会喜欢的。”实际上，没有人知道Ted喜欢什么，因为，他是我们虚构出来的。道理大家都懂，但是很难做到。越往Ted身上贴标签，让他的个性更鲜明，生活习惯更具体，让他更像一个“人”，我们越有可能先入为主，在不知不觉中，形成对Ted的刻板印象。在热烈的讨论中，我们更容易忘记这一点：Ted是我们根据用户洞察，抽象出来的虚拟模型。更糟糕的是，Ted越像具体的人，越不能代表用户群体。如果我们根据Ted设计产品，那么Ted这个不存在的人，反而会掩盖真实的用户群体。通常，这一类用户画像，就是在“闭门造车”，既缺乏明确的目标，又无法随情境的改变而改变，还缺乏灵活性和适应性；貌似“神器”，但在产品团队、设计师看来，却毫无用处。

为了打造更智能、更灵敏的系统，满足多样化的用户需求，适应不同的用户场景和用户能力，我们亟需新的工具。

为了让“多样性”重新融入设计过程中，我们需要新的工具。在设计过程中，我们所做的每一个决定，都会提升／降低用户的参与度。就如同“包容性设计”所强调的——设计师的职责，在于消除人与产品、环境、社会结构的不匹配。因此，我们需要找到检查、平衡以及测量产品设计“包容性”程度的方法。
那么，如何把真实的用户放在第一位，不被“平均水平”所迷惑呢？方法之一，就是放弃“用户画像”，改用“用户画像光谱（persona spectrums）”。后者所关注的，是一系列的用户动机、场景、能力和环境，而不是一个“一般用户”。用户画像光谱所描绘的，不是虚构的用户，而是具体的用户动机。它展示的是，为什么不同的用户群体有相同的动机，以及动机如何随着场景的变化而变化。
有的用户特征是永久性的，比如：先天失明。有的是短暂性的，比如：眼科手术后的视力恢复期。有的用户特征，只在特定场景中出现，比如：在阳光下，电脑屏幕“眩光”。不同的用户，在不同的场景下，却有相似的需求。那么，问题来了：你的产品该如何应对？