用户体验工作中使用的人物角色是对我们用户的背景下,动机，需要,使用我们产品的方法．它们旨在帮助我们关注对用户最重要的东西，并在做出设计决定时站在用户的角度考虑问题。正因为如此，他们必须始终扎根于定性了解用户并反映什么,为什么驱动。它们不应该基于不同人口统计学或分析变量之间的相关性(通常是可疑的)。
角色并不是每一种可能的用户类型的详尽、科学的分类，而是根据大量的心理、人口统计学和行为变量进行整洁的分类——在做设计决策时，同时记住数十或数百种角色类型将很快变得笨拙。人物角色的关键在于他们是真实的令人难忘的，可操作的,彼此不同的-他们在那里总结我们不同的受众群体的主要需求，以便我们能够轻松地回忆和同情他们。
根据研究数据的不同，团队可以通过三种不同的方式创建角色:
- 原型人物，旨在快速调整团队现有的假设关于他们的用户是谁，但不是基于(新的)研究
- 定性的角色，基于小样本定性研究，如访谈，可用性测试，或领域的研究
- 统计用户角色，最初的定性研究提供了一种用于收集大样本的调查工具，而人物角色则来自统计分析
这三种方法都有不同的优点和缺点，适用于不同的情况。
原型人物角色:用于快速对齐
原型人物角色是用没有新的研究。它们将团队现有的关于用户是谁以及他们想要什么的知识(或最佳猜测)进行分类。如果您的团队有用户数据，那么原型人物角色可以基于现有的用户数据，但在许多情况下，原型人物角色仅基于团队对用户是谁以及他们需要什么的假设。
原型人物角色是如何形成的
典型地，原型人物角色是在一个涉及您的团队和关键涉众或客户的研讨会中创建的。研讨会通常需要2-4小时;每个参与者创建2-5个他们自己的原型人物(使用一个简单的模板)，然后与小组分享。然后小组讨论所有人物角色，并将其组合、混音和编辑成最后一组3-6个原型人物角色。
原型人物角色的优点
由于原型人物角色不需要一个研究项目，他们非常适合在一个精益UX框架或低用户体验的成熟度否则就不会使用角色。原型人物角色的另一个主要价值是他们是你的团队的隐式的关于用户的假设显式的．通常情况下，每个团队成员对典型用户都有不同的假设，缺乏一致性意味着每个人都代表不同的预期受众做出决定。这些混乱的假设常常会削弱团队的关注点，因此，即使结果不能准确地捕捉到真正的用户，对这些假设进行分类至少可以提供一些共享的方向。原型人物角色也可以成为未来研究的门户，如果团队认为它们是可能的假设验证通过研究（或在发现错误假设后进行修订）。
原型人物的反对者
显然，由于原型角色不是由研究驱动的，它们通常是对用户的不准确表示，可能是团队错误假设的回音室。此外，如果团队发现这些角色没有什么价值，他们可能会导致消极光环效应面向一般的人物角色和其他UX协作活动。
定性角色:最适合大多数团队
对于大多数团队来说，创建人物角色的最佳方法是进行扎实的探索性定性研究（例如采访的用户)，然后根据共享的态度、目标、痛点和期望对用户进行细分。
定性人物角色是如何形成的
从采访5 - 30名用户开始(游戏邦注:即每组5名用户作为滚动样本，直到你在每次采访中只发现一些新见解)。这些访谈可以是完全独立的会议，也可以是可用性测试或实地研究。研究将揭示你的用户关心的主要事情:他们的痛点，他们对你的产品的功能和行为的期望，他们用来描述你的产品完成的任务的词语，他们如何处理关键的工作流程，以及他们想要实现什么。拿着你的成绩单，把数据分类成主要的主题(称为编码的数据)。
分析部分还包括寻找模式:你要找的是与其他面试者有很大重叠的面试者最(但不一定是全部)。不要简单地在你面试的人之间寻找完美的匹配，要寻找广泛的模式。当你在做这项工作时，向同事解释其中的联系是值得的。例如，你可能会注意到(对于一个电子商务网站)，许多受访者都描述了在做出决定之前查看了许多产品页面，而且大多数受访者还表示，他们将购物车用作比较候选产品的等候区。而受访者可能有许多不同的他们如何回答其他问题(如使用不同的设备,他们买什么,他们的预算是什么,等等),他们的相似之处可能会对您的团队更重要比他们的差异,所以你可能会创建一个角色,关注他们的相似之处(例如,研究员购物者）.
定性分析过程是细致入微的，完整的操作方法超出了本文的范围。我们在我们的角色车间．
定性人物角色的优点
当考虑到创建角色所需的努力与其价值相关时，定性衍生的角色最适合大多数团队——它们需要小时间承诺UX团队可以在其他工作的同时收集必要的数据。因为定性的人物角色是基于用户数据的，它们是准确的，并提供了关于用户动机、期望和需求的关键洞见，这些都是不可能从分析数据、人口统计信息或假设中获得的。
定性人物角色的缺点
定性角色的一大缺点是:
- 因为它们不是基于大样本，没有办法确定每个角色所代表的用户总数的比例(例如，你不能这么说认真的桑德拉消费者占用户基础的60%)。
- 有一种可能性是，由于样本量较小，你可能在不经意间忽略了一些具有独特特征的用户，或者过多地呈现了一些具有不同观点的异常值。
- 特别是在UX成熟度较低的组织中(对定性数据方法没有很好的理解)，您可能需要不断反驳定性角色“不科学”的说法。
统计人物:定性和定量研究的混合
最劳动密集型的角色创造版本包括通过向用户基础的大样本发送调查来收集数据，然后使用统计分析来找到类似的反应集群。虽然我把这些描述为统计人物角色，实际上，他们是混合方法的人物角色，因为他们是基于定性和定量研究。
这类人物角色需要事先进行一些探索性质的研究，以确定调查中应该包括哪些问题。没有普遍相关的人物角色调查问题，它将导致你的团队可以采取行动的人物角色。你必须有扎实的工作知识您的具体用户的期望和需要创建一个调查，以揭示任何有用的东西。
(虽然许多团队完全根据人口统计或分析数据创建角色，但我们没有进行定性研究不推荐这种方法，因为它导致角色对用户体验决策的效用有限。即使有了分析数据，你也无法了解用户想要完成什么，为什么，在哪里，以及他们的感受。如果你不知道的话为什么？如果有人做了什么，你就得做出假设，而这些假设往往是错误的。角色设计的关键在于站在用户的角度考虑问题，理解他们想要什么以及为什么要这样做。背景是关键，而人口统计和分析数据缺乏背景。)
定性人物角色和统计人物角色之间的最大区别在于，与其根据相似用户的答案手动对其进行聚类，不如将定性研究中出现的主要主题创建一份调查，并发送给许多人。然后，对调查数据进行统计分析，以对用户进行聚类分成相似的小组（因为他们往往对大多数问题提供相似的回答）。这有效地消除了聚类过程中的人为偏见——但如果你减少了偏见，你可能会失去对用户之间的相似性是否有意义的批判性思考。
如何统计人物角色
创建统计人物角色的第一步与定性人物角色的第一步相同：探索性定性研究，以确定用户中反复出现的主题。根据这些定性数据，创建一个调查，让您能够在更大范围内收集有关感兴趣的主要主题的定量数据。调查至少100名（最好是500名或更多）受访者统计分析技术在大样本量下工作效果更好。然后使用统计聚类技术，例如潜在类别分析（这对这些调查通常收集的分类数据很有效，也能很好地处理不完整数据）、因子分析或K-均值聚类，以找到调查数据中的模式。
注意:在这类分析中经常出现的模式可能对设计师没有特别的意义，并且可能很难用语言来表达基于这些分析对用户进行分类的标准。
统计人物角色的优点
统计角色优于其他方法有三个主要原因:
- 有了一个大的样本，你可以确信在你的角色中不存在过多的异常值(也就是说，一个不为许多人所共享的不寻常心态的人不会戏剧性地影响结果)。
- 您可以知道每个角色在您的总用户基础中所占的百分比，这有助于做出有利于一个角色而不是另一个角色的权衡决定。
- 您可以对角色集群进行反向工程（使用判别分析)来找出哪些调查问题最能预测一个人属于哪个角色。然后你可以利用这些问题在未来的研究中招募用户，从而确保你所有的人物角色在所有的研究中都得到了很好的体现。
统计人物角色的缺点
统计人物角色分割是昂贵的、耗时的，并且需要统计分析方面的专业知识。除非有统计学家或数据科学家，否则这种方法不太可能有成效，所以不推荐使用。
此外，如果操作正确，还需要进行整个定性角色研究和所有的统计分析。同样，对于一个团队来说，做所有的统计工作，最后得到的角色非常类似于基于相同的定性研究数据的纯定性角色。
在很多方面，这种技术就像用水压机敲核桃一样——是的，你可以肯定核桃的外壳会彻底破裂，但在大多数情况下，这种方法会造成巨大的杀伤力，如果不小心的话，可能会留下一团乱。
总结
对于大多数团队来说，角色的定性方法是合适的，因为它提供了对用户是谁以及他们想要什么的坚实的基于数据的理解，是经济高效且相对快速的。原型角色是非常精简的团队的一个选项，用于调整团队成员对用户的假设。它们非常适合于at根本不会使用人物角色（或用户研究），可以作为进一步研究的门户。统计人物角色是拥有大量资源的团队的一种选择，但它们需要时间、精力、统计专业知识，并且要求团队从定性研究开始，有效地重复工作。
了解更多关于在我们的应用程序中创建这些不同类型角色的方法角色车间．
分享这篇文章: