4、用户研究与需求分析：车载用户画像、驾驶场景分析、用户旅程地图、痛点与需求挖掘方法
智能座舱的HMI设计，本质上是在回答一个问题：在特定的驾驶场景下，用户需要什么样的信息、交互和反馈？如果缺乏对用户的深度理解，再炫酷的3D界面、再流畅的动画效果，都可能沦为“技术自嗨”。本章将系统讲解车载HMI设计的用户研究方法论，从用户画像的构建、驾驶场景的拆解、用户旅程地图的绘制，到痛点与需求挖掘的实操方法，帮助设计师建立“以用户为中心”的座舱体验设计闭环。
上图展示了车载HMI用户研究的完整链路：从用户画像到场景分析，再到旅程地图和痛点挖掘，最终输出可指导设计的需求规格。下面我们将逐一深入每个环节的实操方法。
4.1 车载用户画像：从“平均人”到“典型角色”
核心原理：用户画像（Persona）不是虚构的“平均用户”，而是基于真实调研数据提炼出的、具有代表性的用户原型。在车载场景中，用户画像需要特别关注驾驶经验、技术接受度、出行习惯和座舱内行为模式。一个有效的车载用户画像通常包含：人口属性（年龄、职业、家庭结构）、驾驶行为（日均驾驶时长、常用路况、驾驶风格）、技术偏好（对ADAS的信任度、语音交互使用频率）、座舱内活动（听音乐、接电话、看导航、与乘客互动）以及核心目标与焦虑点。
构建方法：建议采用“定性+定量”混合策略。首先通过深度访谈（8-12人）和跟车观察（3-5次）获取定性洞察，再通过大规模问卷（200+样本）验证和量化。构建时需注意：每个画像应有明确的行为驱动因素，而非简单的人口统计标签；画像数量控制在3-5个，避免碎片化。
| 画像维度 | 示例：都市通勤者“张先生” | 示例：家庭用户“李女士” | 示例：科技先锋“小王” |
|---|---|---|---|
| 年龄/职业 | 32岁，互联网公司产品经理 | 38岁，教师，二胎妈妈 | 27岁，程序员 |
| 日均驾驶 | 1.5小时，早晚高峰拥堵 | 1小时，接送孩子+周末出游 | 40分钟，夜间出行较多 |
| 核心诉求 | 高效避堵、减少驾驶疲劳 | 安全、儿童娱乐、空间管理 | 新功能尝鲜、个性化设置 |
| 交互偏好 | 语音优先，方向盘快捷键 | 大字体、简单图标、后排控制 | 手势控制、自定义UI主题 |
| 焦虑点 | 导航不精准、信息过载 | 孩子哭闹分散注意力 | 系统卡顿、学习成本 |
4.2 驾驶场景分析：场景是HMI设计的“上下文”
核心原理：驾驶场景决定了交互的优先级和可用性边界。同一功能在不同场景下的设计策略完全不同——例如，在高速巡航时，用户可以用较长时间操作中控屏；但在城市拥堵路况下，任何超过2秒的视线偏移都可能导致事故。场景分析需要从环境因素（光照、天气、路况）、车辆状态（行驶/静止/辅助驾驶）、用户状态（疲劳、分心、情绪）三个维度交叉定义。
操作流程：
- 场景枚举：通过头脑风暴和用户访谈，列出高频场景（如通勤、长途、夜间倒车）和低频但高风险场景（如暴雨中导航、紧急避障时误触）。
- 场景参数化：为每个场景定义关键参数——车速范围、驾驶员视线偏移时间、可用操作时长、环境光照强度、噪音水平。
- 场景优先级排序：使用“频率×风险”矩阵，优先设计高频且高风险场景的交互方案。
4.3 用户旅程地图：从“上车前”到“离车后”的全链路体验
核心原理：用户旅程地图（Customer Journey Map）将用户与车辆交互的全过程可视化，包括物理触点（车门、座椅、中控屏）和数字触点（手机App、语音助手）。车载旅程地图通常分为五个阶段：出行前（远程控车、路线规划）、上车时（身份识别、座椅/后视镜调节）、行驶中（导航、娱乐、通讯）、到达时（停车辅助、离车提醒）、离车后（远程监控、充电管理）。
绘制步骤：
- 确定旅程范围（例如“一次日常通勤”或“一次家庭周末出游”）。
- 列出每个阶段的用户行为、使用设备、交互对象。
- 标注情绪曲线（从愉悦到焦虑的波动）。
- 识别“痛点时刻”（情绪低谷）和“机会时刻”（情绪高峰但体验未满足）。
| 旅程阶段 | 用户行为 | 情绪状态 | 痛点/机会 |
|---|---|---|---|
| 出行前 | 手机App远程启动空调 | 期待（+） | App响应慢，需多次刷新 |
| 上车时 | 人脸识别解锁，座椅自动调节 | 顺畅（+） | 识别失败需手动调整 |
| 行驶中 | 语音设置导航，播放播客 | 专注（=） | 语音误识别，需重复指令 |
| 到达时 | 自动泊车，360°影像 | 放松（+） | 影像拼接畸变，盲区未消除 |
| 离车后 | 手机查看行车记录，充电状态 | 安心（+） | 数据同步延迟 |
4.4 痛点与需求挖掘方法：从“表面抱怨”到“深层需求”
核心原理：用户表达的痛点往往是表象（“导航不好用”），而深层需求可能是“我需要更少的认知负担”或“我需要更安全的交互方式”。需求挖掘需要遵循“现象→原因→需求→设计原则”的推理链。常用的方法包括：5 Whys分析法、KANO模型（区分基本需求、期望需求和兴奋需求）、任务分析法（拆解用户完成目标所需的每一步操作）。
实操方法：
- 跟车观察+出声思考：让用户在实际驾驶中执行指定任务（如设置导航、切换电台），同时说出他们的思考过程。记录视线方向、操作犹豫点、错误操作。
- 关键事件法：请用户回忆最近一次使用座舱功能时感到“特别满意”或“特别沮丧”的具体事件，深挖事件背后的期望。
- 数据埋点分析：通过车机日志分析功能使用频率、操作路径、放弃率。例如，若大量用户在“蓝牙连接”页面停留超过30秒，说明该流程存在可用性问题。