建议性问题:
建议性问题是不用用户角色给我们提出的要求,他们可能提出一些非全局的变量问题。比如,对于老年用户,可能会提出应用设计中存在放大镜功能,但这个功能明显不适合年轻人。建议性问题的很多可以设置成开放性问题,不用角色的用户可以将自己的想法写出来,如果大家都需要,那就变成了新需求,也就是产品功能的发展方向。
按照我们刚才的例子,给出2个建议性问题: J1. 您作为用户还希望我们的应用添加什么样的功能?
?
语音服务功能
? ?
24小时服务电话
? ?
中英文
? ?
其他_______
?
J2. 您希望我们用什么方式和您联系?
?
电话
? ?
? ?
写信(哈哈,这里来个复古的方式)
? ?
直接上门
? ?
其他_______
?
到这里,我们的一套问卷就搭建完成了。
最后再说一句,在问卷的最后,要给出一个综合评价性的问题哦!!!!
综合满意度:
您对我们的应用满意度是什么?请用1-100分给出(1代表很不满意求,100代表非常满意)好啦,大功告成,这就是一套完整persona问卷。
上图描述了这一过程,其中每个颜色的小人,代表通过甄别问题后,区分出的用户角色。 最后用上面的问卷对10个用户进行访问,得到数据如下: 说明:
?
P1、P2、P3…P10代表10个用户;
? ?
Z1、Z2、Z3代表3个甄别性问题;
? ?
B1、B2、B3…B5代表5个变量性问题;
? ?
J1、J2代表2个建议性问题
? ?
?
甄别性问题结果:
按甄别问题对用户分类如下:
?
细心护理型:P1、P2、P4、P5、P10
? ?
粗放型:P6、P7、P9
? ?
数据异常问卷:P3、P8
? ?
?
异常数据的产生通常是由2个原因造成的,第一个是甄别逻辑设置不完善,比如我们这个例子甄别性问题少,很多情况都没有考虑清楚,所以在设计甄别问题时,尽量将所有情况思考清楚,以免出现过多无效数据;第二个是被调查用户填写不认真,这也是个很常见的问题,在设置问题时,尽量减少繁琐问题,使被调查用户能够比较准确的完成所有问题。
变量性问题结果:
用户的调查结果以数表的形式展示出来,这样有利于进行多元回归分析。
建议性问题结果:
综合满意度:
二、数据处理
数据的常规处理
对于刚才得到的数据,可以进行常规的处理。即求出平均值或者份额进行相应比较分析,所得到的结果如下。
对于样本量为10的上述调查结果经计算,细心护理型占50%,粗放型30%,异常数据20%。
变量性问题平均值:
对于各个角色均值数据如下:
从上述数据结论可知,对呀B1-B4问题,两个用户角色观点相差不大。但是对于B5(产品交互)问题粗放型用户比细心护理型用户更为重视。
经过对建议性问题分析结果可以得到如下图表:
由此可得出结论,细心护理型用户对email的要去较为强烈;粗放型的用户倾向与写信的方式。对于添加的服务项,这两种角色均有需求。
问卷调查与数据分析,对于创建用户模型方法
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)