最近看了不少用户研究报告，这些报告都有一个共同点，将用户按照性别、年龄、职业、收入、教育、地区……等等来进行分类，从而得出结论。这种分类维度，称为“Demographic”，直译过来就是“人口统计学的（属性）”。到目前为止，我通过各种渠道得到的各种公开报告，都是这种 Demographic报告，从中可以得到在某个具体行业中，人群的基本特征和观点。
在UCD方法中，有很多环节都是跟用户研究有关的。刚开始做这件事的时候，我也将用户按照年龄、性别、职业……等来进行分类，去研究他们的想法和目标，但渐渐地发现这种分类方法并不能帮助我发现能支持产品改进的数据。
比如就我这个小小的博客而言，我使用了Google的Analytics，我能查阅到一些访问数、综合浏览量、每次访问页数、跳出率……等等数据，也能了解一些点击量来源、地域分布等数据，但这些数据并不能指导我选择每一篇文章的内容和偏重。
那么我希望得到什么数据呢？首先对于一个专业博客来讲，访问者的专业水平是一个重要的、划分用户的指标，所以我需要知道新手和专家读者的比例，因为这两群人希望看到的内容肯定是不一样的。
一个小小的博客有这样两类用户群其实已经足够了，但是为了提供更好的内容，我还想知道读者是否有足够的兴趣去研究和思考，这能决定我撰文的风格是更严谨还是更轻松。
于是我就得到了四种不同的人群：
当然，如果我希望提供更精准的服务，用来区分用户群体的维度就需要再增加，那么上面那个2×2象限图就不够用，我们可以用表格来代替。
不管怎样，你可以看到，Analytics不能帮我解决这些疑问，它提供的只是一个汇总之后的平均数据，而“平均数据”恰恰抹掉了用户和用户之间的“差异”。
基于人口统计特征的研究也同样如此。我的访问者中有60%男性，40%女性（假设），这个结果对我的决定并不能产生太大影响。北京的比上海的多，可能会使我少举几个具有北京特色的实例，但仍然对内容没有决定性影响。因此回过头来看，也许基于Demographic来总结用户特征，并不适用于产品设计。
怎样的划分标准适用于产品设计呢？我不能给你准确的答复，因为这完全取决于产品的性质和规划，没法一概而论。但我可以分享一下我这个博客的例子。
用户的专业水平和研究兴趣，是我划分读者群体的两个维度。然后我得到了四种不同的人群，接下来我就可以分析这几个群体之间可能的差异，和Analytics的数据结果进行对比，看看是否能解释一些现象。比如：《人物角色：理性与感性的结合体》的停留时间远远高于《我为什么要登录》；《 如果交互让你崩溃》的浏览量远远大于《大UE？小UE？》……等等。如果不能合理解释，那么我可能需要做几次用户调查（问卷、访谈、测试……）来了解真相，而调查的抽样标准，仍然是以“专业水平和研究兴趣”为标准的。
我想这才是真正与产品有着紧密结合的用户研究，为了和以前的研究方法以示区别，我称之为“产品用户研究”，而将之前提到的传统方式称为“基础用户研究”。它俩之间的唯一区别，是划分用户的维度。而你现在也知道了，基于人口统计学特征的用户研究只能输出大家常见的那种报告。
产品用户研究的维度，通常是从用户的行为差异开始分析的，不过差异行为背后往往是驱动因素（动机）在起作用，而动机又取决于目标，所以最后通常会落到用户目标上。先按“目标”来划分用户群，然后去了解具有相同目标的用户Demographic，这和基础用户研究是刚好相反的，也正因为如此，两者是相互补充，互通有无的。
补充：
很巧，今天看到UIE的一篇文章，Avoiding Demographics When Recruiting Participants: An Interview with Dana Chisnell，与本文观点不谋而合，有兴趣的同学可以一读。
摘两段话：
None of those percentages had anything to do with what they wanted participants to do in the study. None of those percentages said anything about how motivated the people we selected might be to do the tasks that were part of the study.
This made it much easier for us to recruit for this study because as you can see, there’s nothing about age, gender, or profession in that visualization. Instead, it was about what people did and their motivations for doing it.
