那么，我们如何克服这些错误，并创建值得信赖和可操作的用户画像呢?
数据驱动是一种很好的方法，它基于定性和定量数据的结合，以及相关的探索和分析。
第一步：概述目标和计划方法
我们很久以前就在 Excel 中做分析，以找到最有价值的客户群体，并且，我们还会跟踪他们的共同行为。
我们从未对行为相关性进行过完整的结构化分析，但是我们知道我们的“理想客户”在很大程度上是什么样的，并且我们通常知道哪些客户的档案对我们最有价值。
所以，概述目标和计划具体方法应当是整个过程的第一步。
第二步：整理调研问卷
对我而言，写调查报告是最难的部分之一，它涉及到思考我的项目目标是什么，并将这些目标与问题联系起来，得出可操作的答案。
不仅如此，我还想消除问题中的偏见，让调查足够简短，让人们可以更友好地接受它。
如果我能回去，我一定会去改进我的调查问题。这就是数据的来源，也是最应该关注的部分。
问卷中经常会出现一些规模问题，比如“在购买数字营销培训时，以下因素有多重要？”其次是一系列因素，如“成本”、“导师的声誉”和“互动性”。
我们还问了一些开放式的问题，比如“你的工作中最具挑战性的技能是什么？”和“你经常读什么博客？”这些都是最有价值的且可操作的营销活动的想法。
第三步：研究数据
让数据滚滚而来。
一旦你得到了大约 300 条回复，你就可以考虑分析数据了。不过，前提是已经提前计划了样本容量，大概有 300——1000 名受访者提供了良好的数据。
当然，其中也有许多比纯样本量更重要的因素，比如调查质量、受众定位、自己的数据分析技能等。
第四步：查看数据
数据透视表是 Excel 中一个非常简单却非常强大的功能，对于数据探索来说是非常宝贵的。如果没有实际的操作，就很难解释它们，但是通过将不同的变量放在列/行中，并分析平均值、标准偏差、和等，我们就可以从不同的角度交互式地研究数据。
通常情况下，研究人员会利用数据透视表来查看受访者如何回答各种调查问题。
第五步：数据探索
前文已提到，作为调查的一部分，问卷中还包含一些开放式问题:
- 你读什么书?
- 你在工作中最具挑战性的技能是什么?
- 你每天使用什么软件？
- 你最近完成的数字营销培训是什么?
由于各种各样的原因，其中最重要的是我们提出的问题所固有的可操作性。
例如，如果我们可以按角色划分并找到每个角色经常使用的公共网站，那么就知道他们在哪里发布消息、做广告或建立伙伴关系。
如果我们知道他们使用什么软件，我们就知道在活动、网络研讨会和内容方面应该与谁合作，我们就知道应该教授哪些特定于工具的课程，我们甚至可以基于软件细分来开展一些销售开发活动。
第六步：将数据整理成粗略但独特的画像
此时，我们已经对自自己的数据了如指掌。临睡时，可以思考到底可以创建哪些数据透视表来获取新的见解，而且，我们已经知道该画像在现实中是如何分解的，而不仅仅是我们头脑中的样子。
就在这时，你开始将他们具体化为不同的画像。找到他们的核心价值观，也许就会发现一个人物画像经常围绕着他们认定的“价值”，而非单纯的质量或其他，比如他们阅读 X 个博客，他们比一般受访者赚更多的钱，但花的钱却更少等等，这些细节都在逐步开始构建一个独特的人物画像。
当我们找到了一些原型画像时，会发现他们与我们创建的虚拟人物画像非常相似，可以从中抽取一部分“原型”，对其进行 15——20 分钟的一对一采访。
第七步：进行一对一问答
作为一名市场营销人员，主要对能够用于增长和广告的洞察力部分感兴趣。然而，在进行用户画像研究之前，也对已有的客户进行了行为分析，比如对他们进行客户访谈，共享团队之间的数据。
我们计划了一系列有助于产品和营销的开放式问题，旨在激发情感和深度，比如：
- 你在公司的角色是什么？
- 职业背景？
- 你的营销团队有多大？是如何组织和分配的？你每天和谁一起工作？
- 贵公司如何组织培训和继续教育?
- 培训是单独进行的还是分配给你的?
- 你工作中最大的挑战是什么?
这些问题代表一个模板，换句话说，这不是一个清单，而是一个对话。带着记者的态度，带着一种好奇和探索的心态参与对话，重要的是，不要让对方感觉到这是一场面试，它更像是与亲密朋友之间的对话。
这个阶段可能需要几天到一周的时间，具体取决于主持者可以多快地组织和进行这些采访，每周尝试对每个不同的角色进行二到五个面试，会有意想不到的收获。
第八步：与团队分享结果
按如上的步骤，基本完成了在研究阶段需要的用户画像，之后可以通过设计这些画像所对应的研究模型，并与团队共享结果且一起做决策制定。
当然，上述这些方法不是接近用户画像的唯一方法。只是通过业务实践，个人认为这样的方法具有更大的客观性，更少的猜想和更严格的结构。希望在一线的研究人员，都能够寻觅到适合自己的方法，利用人群属性，更好的达到研究目的。
声明：本文内容整理自网络，观点仅代表原作者本人，投稿号仅提供信息发布服务。如有侵权，请联系管理员。
