基于用户画像的居家健身体验设计策略研究

摘 要：基于用户画像的居家健身体验设计策略研究通过量化研究方法实现各类居家健身群体用户画像的构建，并通过用户画像分析得出居家健身产品和服务的体验设计策略。本研究以AIO生活方式理论为指导，通过问卷调查收集、筛选数据，再通过因子分析、聚类分析、判别分析等方法进行实证研究，构建了居家健身用户群体画像指标体系，最终将用户画像特征标签云可视化呈现。居家健身生活用户画像可分为健康积极型、保守锻炼型、乐于体验型，本研究对三类居家健身人群的用户画像数据进行观测分析，得到了具体的居家健身产品与服务的体验设计策略。

关键词：体验设计；生活方式；AIO；居家健身；用户体验；设计策略

居家健身对全民健康战略具有重要价值。浙江省体育局曾对居民居家健身情况进行调查，82.5%的居民认可居家健身的必要性[1]，但面对多样的居家健身生活方式，如何获取居家健身群体的差异化需求和特征，并开展精准化的服务与设计实践是居家健身发展的重要问题。

居家健身是受主观意愿影响很大的活动，只依靠性别年龄等很难精准识别不同居家健身群体生活的差异，而AIO生活方式量表、用户画像工具以及SPSS数据分析技术能为居家健身群体的生活方式特征提取提供良好的理论和技术支撑。因此，本文以居家健身人群作为研究对象，通过量化研究的方式探索居家健身群体生活方式的不同特征和需求，能为居家健身群体的精准化服务和体验设计提供助力。

一、相关理论与研究基础

（一）居家健身的相关研究

Dexu Chen等人建立了中国居民居家健身满意度模型，认为居民的居家健身积极性很高，互联网提供了强大社会支持，但是居家健身仍有提升空间[2]，如果要提升居家健身在细分人群中的应用效果，那就需要提取居家健身细分群体的关键特征，因此对居家健身群体的生活方式进行量化研究非常有必要。

（二）AIO的相关研究

AIO量表常用于生活方式研究的测量，主要运用在市场细分、用户的特征描述、生活方式比较分析等方面。根据Michman对AIO的界定，A即Active——活动；I即Interests——兴趣；O即Opinions——观点[3]。目前AIO量表得到了国内外的广泛使用，例如，Akkaya Murat使用AIO量表方法定义了四种不同产品类别消费者的生活方式细分[4]。Dai Ningyi利用AIO量表调查智能手机机器人，通过因子分析，判别分析，提出了智能手机机器人产品设计的一些建议[5]。可见，AIO生活量表在用户特征描述和产品设计中发挥重要的价值和作用。

（三）用户画像的相关研究

最早提出User Profile的是Alan Cooper，被誉为“交互设计之父”，定义为基于用户真实数据的虚拟图像[6]。因为用户画像可以助力为目标用户提供更精确的服务，所以广泛应用于设计研究与实践中。目前，用户画像工具正在不断发展，国内外有着多种方式构建用户画像，例如，Christopher Ifeanyi Eke等提供了在数据采集、特征提取、建模技术和建模方法方面对现有用户画像建模的研究以及性能度量，认为有效的建模过程可以增强服务个性化的准确用户模型的构建[7]；Tomasz Miaskiewicz研究了用户画像中一种表示和传达客户需求的替代方法，通过使用叙述、图片和名称，为产品设计者提供了一个生动的设计目标表示法[8]；Zhiwen Yu等人通过用户画像分析用户使用手机的差异，用于强化的手机个性化服务[9]；郭顺利等人基于VALS2量表构建了在线健康社区大学生的用户画像[10]。

可见，用户画像能从不同视角呈现用户在具体场景的关键信息，准确描述不同群体之间的差异，对于提供精准化的服务体验与设计实践有重要价值。目前国内设计领域对用户画像的研究大多是通过定性的方法确定用户的关键特征，缺乏定量方法的大量数据支撑，相对而言，定量的方法更具科学性。因此，基于AIO量表对用户画像进行量化研究，一定程度弥补了国内设计领域在用户画像上研究的不足。

二、居家健身用户画像的构建过程

数据的收集和预处理、对居家健身群体特征因子的提取、用户画像的判别和聚类分析、用户画像的可视化展示等四个步骤（如图1），为居家健身群体构建了一套画像实现流程。

（一）构建用户画像的思路

本文主要基于AIO生活方式量表构建居家健身人群的用户画像。首先，依据AIO模型的细分维度设计了问卷，通过问卷采集基础数据，并对数据进行预处理，然后通过定义用户数据的特征标签来将复杂数据标签化。基于用户特征标签数据集，通过因子、聚类、判别等数据分析手段，提炼关键特征因子，从而得到最终的用户分类，并绘制了用户画像标签云。

（二）用户画像的标签体系设计

本文基于AIO模型，以“活动”“兴趣”“意见”三大维度为指标，设计居家健身群体用户画像的标签体系，居家健身用户群体画像标签涵盖了用户的性别、年龄等5个人口统计特征；居家健身群体的活动即对应AIO模型中的用户活动，包括用户的工作、喜好、社交活动等，此次调查包含器械力量训练、轻量化运动、数字化产品等7个居家健身活动的调查变量；居家健身群体的兴趣在AIO量表中指用户的兴趣，包括家人、家庭、工作等细分维度，比如运动健身所带来的成就感等；居家健身群体的意见在AIO量表中指用户的生活理念和观点，比如用户对居家健身改善健康的态度等。

因此，在本研究构建的居家健身群体画像标签体系中（如图2），用户居家健身的活动含7个调查变量；居家健身群体的兴趣偏好含7个调查变量；居家健身群体的观点态度含7个调查变量，人口统计特征含8个统计变量。

（三）用户画像标签权重设计

居家健身群体用户画像的差异表现在特征标签的权重上，即居家健身人群中不同个体在某些特征标签上的权重各有差异。本研究运用Likert 5级量表来衡量居家健身人群在某方面的需求和偏好程度，然后通过计算用户心理偏好的变量来确定其用户画像的特征标签权重。

三、实证分析

（一）问卷设计与数据采集

问卷设计主要涵盖用户的人口统计特征和居家健身群体的AIO分群偏好测量问题。问卷主要通过网络平台如问卷星、QQ和微信社群发放回收，持续发放12天，累计回收到了500份问卷，剔除无效问卷，最终得到有效问卷335份。

（二）样本特征与信效度检验

为保证用户画像实现的精准，本文将“用户使用行为中的后2个调查项”与“AIO的19个测量项”组成了21个测量项，并对21个测量项进行信效度检验（见表1）。运用Cronbach’s Alpha系数（α信度系数）分析发现，α系数为0.843>0.8，表明问卷数据的信度较高，有较强可靠性。此外，对α系数的统计量分析表明，21个被测语句的“项被删除的α值”在0.939～0.949之间，表明调查问卷在测量语句时具有较高的一致性。另外，从KMO和Bartlett球形检验中发现，KMO 值为0.825>0.8，显著性P<0.001，所以，数据做因子分析比较合适（见表2）。

（三）因子分析和抽取分类标签

这项研究通过SPSS探索性因子分析来获取居家健身用户群的特征因子，从而获得有效的精准用户画像。首先，为了便于后续规范管理，先以4个字的主题词概括各测量语句的含义后，再将数据放入SPSS“降维”模块中的“因子分析”，通过“主成分分析法”和“最大方差旋转法”萃取特征因子，由此输出总方差解释和旋转后的成分矩阵（见表3和表4）。

其中，“旋转荷载平方和”这一符合学术研究要求的累计总方差解达到58.04%，这一研究选取了7个公因子组，分别依据碎石图和总方差解表进行分析。

通过表4数据中各因子在原始变量上的负荷系数，命名居家健身群体用户画像的差异特征因子。特征因子1：该特征因子与保护器具、家庭运动、轻量运动等相关，这些因子体现了居家健身用户居家健身的运动动力，因此，该公因子命名为健身动力类因子。特征因子2：该特征因子与技术接受、健身娱乐、产品改进、健身成就等相关，这些因子体现了用户对居家健身产品的体验，因此，该公因子命名为产品体验类因子。特征因子3：该特征因子与健身氛围、生活忙碌、健身受限等相关，这些因子体现了用户居家健身所受各类环境的影响，因此，公因子命名为环境影响类因子。特征因子4：该特征因子与健身穿戴、数字运动相关，这些因子体现了居家健身用户在居家健身过程中所使用的辅助工具，因此，该公因子命名为健身辅助类因子。特征因子5：该特征因子与健身等级和健身频率相关，这些因子体现了用户个人居家健身的人口统计特征，因此，该公因子命名为个人特征类因子。特征因子6：该特征因子与健康改善、健康运动选择等相关，这些因子体现了用户对居家健身的健康态度，因此，该公因子命名为健康导向类因子。特征因子7：该特征因子与健身空间相关，该因子体现了用户居家健身的空间大小的限制，因此，该公因子命名为空间限制类因子。

聚类数从4下降到3点，Wilks’Lambda值在聚类个数减少的情况下逐渐上升的增量最大（见表5），说明这个时候的分类效果最好，所以最终确定用户画像的选择聚类数为3点，分类后的各类画像在不同特征因子上有明显的差异（见表6）。

四、用户画像呈现与设计策略构建

本研究利用Python中的WordCloud工具直观呈现了用户画像的结果，制作了用户画像标签云（见表7）。第一类是“健康积极型”，这类细分人群在健身动力特性因子上获得了最高的正方向分数，而在健康导向的特性因子和产品体验上获得了更高的正方向分数。第二类“保守锻炼型”，这类受环境和空间影响较大、更倾向于独自在家健身进行力量型训练的细分人群在环境影响的特征因子上正向得分偏高。该类细分群体在环境影响的特征因子上的正向得分偏高，该类群体居家健身受环境和空间的影响较大，更偏向于独自居家健身进行力量型训练。第三类“乐于体验型”，该类细分群体在产品体验的特征因子上的正向得分最高，健康导向和产品体验的特征因子评分较高。同时，该类用户居家可健身空间较小，通过对三类居家健身群体特征标签等数据呈现进行观测，便可针对性地为各类群体提供更加精准具体的产品和服务的体验设计策略。

（一）设计策略一：健康积极型用户的社区连接与日常融合设计

针对“健康积极型”用户，设计应融入日常生活的健身应用和设备，强化社区连结和健康教育，以支持和增强他们的居家健身习惯。产品设计应轻便、易于储藏，以使其适合小空间使用。在服务体验设计方面，应制定以社区为中心的团体健身计划和活动，以提高用户的参与度和动力。可考虑建立一个整合各类居家健身教程的在线课程平台，针对学生的时间安排提供灵活的自适应课程。

（二）设计策略二：保守锻炼型用户的私密性与安全导向设计

针对“保守锻炼型”用户，应为其提供私密、安全且功能性强的居家健身解决方案，如定制化训练指导和紧凑的力量训练装备，设计应重点关注提供一个安全、私密且易于调整的健身环境。产品体验设计方面应开发多功能且占用空间小的力量训练器材。服务体验设计方面，应提供定制化的健身计划服务，可根据用户的身体状况和居家环境提供个性化建议，比如建立在线居家健身咨询和支持系统，让用户能够随时获取专业的指导，以提高训练效果和安全性。

（三）设计策略三：乐于体验型用户的娱乐互动与空间智能设计

对于“乐于体验型”用户，应开发融合娱乐元素和先进技术的健身产品，为小空间用户提供互动且空间效率高的健身体验。产品设计方面，可考虑开发集成了增强现实（AR））和虚拟现实（VR）技术的健身游戏，让用户在享受游戏乐趣的同时完成居家锻炼。另外，一些硬件类的居家健身产品设计可进行轻便化处理以节省居家健身空间，如可折叠的跑步机和多功能训练器等，让健身器材可以根据用户的居家环境进行灵活调整。服务体验设计方面，可为用户提供定制的健身挑战和社交竞赛平台，通过数字化解决方案增加娱乐元素和社交互动，比如在线健身社区和互动竞赛，以增强用户对健身活动的参与度和满意度。

五、结语

在我国全民健身战略中，居家健身群体发挥重要作用，为了更好地服务于这个群体，相关部门需要深入了解居家健身群体的行为和其他特征。因此，本研究以用户画像工具为基础，结合AIO生活方式量表，构建了居家健身群体画像。通过问卷调查方法收集数据，经过实证研究，得到健康积极型、保守锻炼型、乐于体验型三类具有显著差异化特征的用户画像，并针对不同群体提出相应设计策略，为居家健身提供设计决策参考和实践支持。但本研究仍然存在一些研究局限性。首先，问卷样本仅有500份，所以难以平均覆盖所有年龄段。因此，未来研究需要收集更多的数据，以确保充分涵盖各个年龄段。其次，本文是对居家健身群体进行总体研究，反映的是整体化的用户特点和差异。为了更深入地了解不同类型居家健身群体的特点和需求，未来可以考虑开展纵向研究，对各类用户进行质性研究，如开展用户访谈等，从而更有针对性地提升居家健身领域精准化产品和服务设计的体验。

参考文献：

[1]李楚穗，俞丽萍.“健康中国”与居家健身操的时代价值——基于疫情时代[J].体育科技文献通报，2020（12）：4–5.

[2]Dexu Chen，Bin Zhang.A home fitness satisfaction model for Chinese residents during the COVID-19 pandemic based on SEM analysis[J].Frontiers in Public Health，2022（10）：947223.

[3]Michman R D，Mazze E M，Greco A J.Lifestyle Marketing： Reaching the New American Consumer[M].Praeger Publishers Inc.，2001.

[4]Akkaya M. Understanding the impacts of lifestyle segmentation & perceived value on brand purchase intention：An empirical study in different product categories[J].European research on management and business economics，Elsevier，2021（3）：100155.

[5]Dai N，Zhang X.User Characteristics Through Lifestyle：A User Typology of Robot with Smartphone Based on AIO Scale[C]//C.S. Shin，G. Di Bucchianico，S. Fukuda.Advances in Industrial Design. Cham：Springer International Publishing，2021：99–107.

[6]Cooper A.The Inmates are Running the Asylum[M].Sams Publishing，1999.

[7]Christopher Ifeanyi Eke，Azah Anir Norman，Liyana Shuib，Henry Friday Nweke.A Survey of User Profiling：State-of-the-Art， Challenges， and Solutions[J].IEEE Access，2019（7）：144907–144924.

[8]Tomasz Miaskiewicz，Kenneth A. Kozar.Personas and user-centered design：How can personas benefit product design processes？[J].Design Studies，2011（5）：417-430.

[9]Yu Z，Xu E，Du H. Inferring User Profile Attributes From Multidimensional Mobile Phone Sensory Data[J]. IEEE Internet of Things Journal，2019（3）：5152–5162.

[10]郭顺利.基于VALS2的在线健康社——大学生用户群体画像构建研究[J].现代情报，2021（10）：47–58.

作者简介：

龙腾明，江南大学设计学院硕士研究生。研究方向：交互与体验设计。

肖东娟，博士，江南大学设计学院副教授。研究方向：产品设计和交互与体验设计。