Product & Collaboration · Frontier
用户画像(Persona)
给一类典型用户画出的具体代表:他是谁、多大年纪、有什么烦恼、想要什么,让你做东西时心里有个具体的人。
Some fields on this page have no English version yet — they are shown in the original Chinese.
TL;DRIn 30 seconds
- 给一类典型用户画出的一个具体代表:他是谁、几岁、有什么烦恼、想要什么。
- 有了这个具体的人,讨论功能和文案时就有了参照。
- 它最好有调研或数据撑着,凭空编的画像看着具体反而误导。
OverviewIn detail
用户画像就是把一群用户抽象成一个具体代表。它不只是“25 到 40 岁女性”这样的标签,而是“小雅,32 岁上班族,通勤久、爱养生、怕麻烦、周末带娃,买东西先看评价”这样有细节的人。
盯着一堆数据很难有感觉,容易做出谁都不爱的产品。有了一个具体形象,团队讨论时就能问“小雅会用吗、她看得懂吗”,判断立刻落到具体的人身上,做设计和写文案也有了参照,不至于各按各的喜好拍脑袋。
它还有另一层常见意思,指模仿某个角色的性格和口吻。给 AI 助手设定一种说话风格,让客服或陪聊有个稳定的人设,用的都是同一套思路:先立一个清晰的角色,再让内容贴合它。
最容易踩的坑是凭感觉编故事。画像最好有调研或数据撑着,否则只是把自己的想象安到用户头上,看着具体、其实误导。它的价值来自真实,而不来自写得多生动。与其把画像写得很长,不如先确认每一条都有出处。
另外,画像不是一次画好就永远用。用户会随年纪、习惯、市场变化,过一段时间就该回头看看它是否还成立,该更新的更新,别拿三年前的假设指导今天的决定,最好每隔一阵就拿出来和真实数据对一遍。
MythsCommon misunderstandings
- ✕以为画像就是一堆年龄性别标签 ✓标签堆不出人,得有一件他正在发愁的事,讨论时才有用得上的参照
- ✕以为画像越详细越专业 ✓关键是每条都有出处,编得再生动也只是把想象安到用户头上
- ✕以为画一次就能一直用 ✓用户会随年纪、习惯和市场变,隔一阵就该拿出真实数据对一遍
In practiceWhere you will meet it
- 设计新功能前,先照着画像问一句“小雅会用吗、她看得懂吗”
- 写产品文案时,想着那个人平时说话的口气,句子就好定了
- 把画像里的每条描述拿出来,逐条确认背后有没有数据撑着
SummaryThe key points
- 给一类典型用户画出的具体形象
- 有名字、年纪、烦恼和想要的东西
- 让设计讨论能落到具体的人身上
- 它该有数据撑腰,不能凭空编
FAQ
What does 用户画像(Persona) mean?
给一类典型用户画出的一个具体代表:他是谁、几岁、有什么烦恼、想要什么。有了这个具体的人,讨论功能和文案时就有了参照。它最好有调研或数据撑着,凭空编的画像看着具体反而误导。
Where will I run into 用户画像(Persona)?
设计新功能前,先照着画像问一句“小雅会用吗、她看得懂吗”;写产品文案时,想着那个人平时说话的口气,句子就好定了;把画像里的每条描述拿出来,逐条确认背后有没有数据撑着。
What do people most often get wrong about 用户画像(Persona)?
以为画像就是一堆年龄性别标签 — but 标签堆不出人,得有一件他正在发愁的事,讨论时才有用得上的参照;以为画像越详细越专业 — but 关键是每条都有出处,编得再生动也只是把想象安到用户头上。
What are the key points about 用户画像(Persona)?
给一类典型用户画出的具体形象;有名字、年纪、烦恼和想要的东西;让设计讨论能落到具体的人身上;它该有数据撑腰,不能凭空编。
Common pitfalls 画像不能凭空编,最好有调研或数据撑着才靠谱。
Entry 185 of 186 · All entries
Keep readingRelated reading
产品经理(PM)
负责一个产品该做成什么样的人:想清楚给谁用、解决什么问题、先做哪些功能,再推动团队把它做出来。
敏捷开发(Agile)
一种做项目的方法:不追求一次做到完美,而是把大目标切成小段,边做边拿给人看,随时调整方向。
JD(职位描述)
招聘启事里那段岗位说明,写清楚这个职位要做什么、需要什么本事,是求职和招人对着看的同一份清单。
留存(Retention)
用过你产品的人,过一阵还会不会回来用。留得住的才算真用户,留不住的就只是来一次便走的过客。
AI Agent
An AI program that sets its own goal, breaks it into steps and calls tools to get the job done. You hand it a task and it works out how to do it — instead of only answering one question at a time.
LLM
A very large program that learned to predict the next piece of text after reading an ocean of it. Whatever you type, it is guessing what is most likely to come next — writing, translating and answering questions are all the same thing used differently.
Where to go nextExplore more
Back to the skills themselves
Most of the concepts covered here come from skills that install into your AI client with a single command.