2. 目标用户与使用场景识别

明确用户场景与业务问题

IoT 产品开发中最常见的业务问题并非技术不成熟，而是场景定义模糊——团队在“为谁、在何时、何地、用何设备、完成何种任务”上未达成共识，导致功能堆砌、原型反复返工、用户体验碎片化。本章首先解决的就是这一问题：用可复用的工具链把模糊场景转化为结构化表述。

目标用户画像方法

用户画像是场景识别的起点。采用 四步画像法 构建高保真画像：

1. 用户研究：通过访谈、日志分析、问卷收集一手数据；
2. 特征提炼：从人口属性、行为特征、目标动机三个维度提取关键标签；
3. 画像合成：将标签组合为 1～3 个典型用户档案，赋予姓名、照片、日常故事；
4. 验证校准：与真实用户或业务方进行画像回访，修正偏差。

IoT 设备典型使用场景

按 环境 + 任务 双维度对场景进行分类，覆盖高频与高价值区间：

场景优先级排序

使用 频次 × 影响 × 可行性 三维加权矩阵对场景排序，避免资源分散到低价值长尾场景：

排序结果直接决定原型迭代顺序：P0 场景优先进入交互原型设计，P2 场景暂缓或作为二期规划。

场景卡片模板

每个被识别的场景用统一的 场景卡片 进行结构化存档，确保跨角色理解一致。卡片包含以下字段：

以下是一个已填写的场景卡片 JSON 示例，便于导入场景管理工具：

{
  "场景ID": "SC-001",
  "场景名称": "用户晨起健康监测",
  "目标用户": "42岁慢性病患者（画像A）",
  "使用环境": "家庭卧室，清晨6:30-7:30",
  "设备配置": ["智能手环", "体脂秤", "智能药盒"],
  "用户目标": "快速了解晨起健康状态，获得用药提醒",
  "交互流程": "佩戴手环入睡→晨起自动测量→数据同步→推送健康简报",
  "痛点需求": "设备操作复杂、数据分散、缺少个性化建议",
  "成功标准": "用户在5分钟内完成监测并获得 actionable 建议"
}

用户访谈与需求拆解：提炼边界

场景卡片提供了“什么场景”，但未回答“用户在该场景中真正的痛点和期望是什么”。通过 场景化用户访谈 深入挖掘，再使用 需求拆解 将用户语言转化为功能边界。

场景化用户访谈提纲

围绕场景卡片中的关键字段设计半结构化问题：

需求拆解：从场景到功能边界

采用 场景 → 需求 → 功能 → 边界 四层拆解：

1. 场景：从卡片中提取用户目标（如“5分钟内获得健康简报”）；
2. 需求：转化为用户需求描述（如“需要自动汇总体征数据并生成易懂的简报”）；
3. 功能：映射为具体功能（如“自动同步手环/体脂秤数据”、“生成可视化健康卡片”）；
4. 边界：定义功能触发条件、数据来源、异常处理（如“仅晨起6:00-8:00自动同步”、“数据延迟不超过30秒”）。

原型说明与用户旅程：表达交互边界

拆解后的功能边界需要通过 交互原型 和 用户旅程图 具象化，确保团队对“交互在哪里发生、用户如何感知”形成统一理解。

原型说明要点

• 触点识别：在场景卡片中标出所有用户与设备的物理/数字触点（手环屏幕、手机通知、语音提示等）；
• 交互模式：明确每个触点的交互方式（触控、语音、自动感知、视觉反馈）；
• 状态流转：定义设备在场景中的状态（待机/测量中/数据同步/结果展示/异常告警）；
• 边界条件：标注网络离线、设备电量不足、数据异常等边界情形下的交互降级方案。

用户旅程表（晨起健康监测场景）