专业运动用户分层与训练周期——从“看见差异”到“选择服务谁”

一、承上启下：从“市场细分”走到“产品策略”

第 7 讲我们做过市场细分：严肃跑者、运动新手、健康管理用户和越野跑用户，需求显然不同。那一讲解决的是“如何看见差异”。

但真正进入运动智能产品工作后，困难才刚刚开始。

你已经知道用户不同，接下来怎么办？是不是给每个人做一套完整产品？显然不可能。是不是给所有人加一个“高级设置”，让用户自己选？很多团队就是这么做的，最后得到的是一个设置很多、谁都不觉得好用的产品。

资深 PM 的差别，不是能列出更多人群，而是能在资源有限时说清：这一阶段，我们先为谁解决什么问题；其他用户为什么暂时不优先。

---

二、开场困境：一套 AI 计划，为什么四种用户都不满意？

我们的 AI 训练计划终于上线了。

用户只需要填写三个问题：目标距离、每周可训练天数、当前跑步水平。系统就能生成一份 12 周训练计划。团队很兴奋：这不就是“千人千面”吗？

一个月后，运营把数据和用户反馈拿到了周会上。以下数字均为教学模拟数据，目的不是证明某个品牌的真实表现，而是让我们看见一个常见产品问题。

• 刚开始跑步的用户，常常在前三次训练后不再继续。有人说：“我只是想跑得开心一点，为什么第一周就让我看心率区间？”

• 已经规律跑步的用户说：“计划太保守。我每周本来就跑四次，你让我从走跑交替开始？”

• 正在备赛的用户最愤怒：“我下个月比赛，系统还在安排高强度训练。它到底知不知道我现在处于什么阶段？”

• 少数越野用户几乎不打开该功能：“我需要的是爬升、补给和路线风险，而不是一套城市路跑模板。”

同一个功能，四类用户，四种失望。

运营的建议是：“多做几个模板。”

算法团队的建议是：“收集更多特征，模型就会更准。”

商业团队的建议是：“给高付费用户提供高级计划。”

这些建议都不算错，但它们都跳过了一个更根本的问题：我们究竟在服务谁？他们此刻想完成什么训练任务？我们是否有能力对这个任务作出可信承诺？

如果你们做过推荐、内容、教育、健康、金融或 B 端工具，也一定见过类似问题：用户不是“不够细”，而是产品还没有做出真正的服务选择。

产品经理把这次失败重新写成一句问题：

对于正在建立跑步习惯、且有明确 5 公里或 10 公里目标的入门跑者，现有训练计划没有根据其能力与当前状态给出可完成、能理解的下一步，因此用户无法形成连续训练。

注意这句话里有三个取舍：不是服务“所有跑者”；不是先解决“模型不够智能”；也不是承诺解决所有训练问题。它先选择了一个最值得做、团队也最可能做好的场景。

这就是本讲的起点。

---

三、核心概念：用户分层不是贴标签，而是指导不同策略

3.1 为什么“25–35 岁、喜欢跑步”几乎没有用

假设两位用户都叫小李，都是 28 岁，都在一线城市工作，也都买了一块运动手表。

第一个小李刚开始跑步两个月，跑 3 公里就觉得很累。他的目标不是 PB，而是别再半途放弃。他最需要的是“我今天怎么开始”“我是否做得还不错”“明天要不要休息”。

第二个小李已经跑了三年，准备冲击个人全马成绩。他会主动研究配速、心率和训练负荷。他最担心的不是“不会开始”，而是“训练安排不够精准”“比赛前状态没有控制好”。

如果只用年龄、城市和性别描述，两个人几乎一样；如果从他们要完成的任务、投入程度、能力基础和所处阶段看，他们是两种完全不同的产品对象。

所以，产品分层至少要回答四个问题：

分层的目的不是让我们获得一份更漂亮的用户报告，而是让首页、推荐、提醒、内容、数据展示、收费边界都能发生不同。

3.2 画像、人设和状态：三个层次缺一不可

用户画像告诉我们“他是谁”。比如：跑步三个月、每周跑两次、目标是减脂。

用户人设告诉我们“他最愿意为什么持续投入”。比如：他不觉得自己是运动员，但很在意“我能不能成为一个自律的人”。对这样的人，连续完成和被看见的价值，可能大于一张复杂的心率图。

用户状态告诉我们“他此刻需要什么”。同一个准备马拉松的用户，在准备期需要建立基础，在赛前需要减量，在比赛后需要恢复。若产品只记住“他是严肃跑者”，却不知道他刚跑完比赛，就会给出不合时宜的高强度建议。

一句话记忆：画像看静态特征，人设看长期驱动力，状态看当下任务。

3.3 分层不是越细越好

许多团队一谈个性化，就开始收集几十个标签：年龄、体重、城市、跑龄、设备、购买渠道、常去路线、使用频率……最后得到一个无法运营的标签仓库。

好的分层必须通过一个检验：如果把两组用户分开，我们的产品策略会不会不同？

如果不会不同，那这个标签对当前决策没有价值。

例如“用户喜欢蓝色还是绿色”，除非你正在做表带库存或主题推荐，否则并不能决定训练计划的策略；而“用户刚完成比赛”“最近连续中断训练”“有明确完赛日期”，则可能决定今天首页应该出现什么。

---

四、方法论：从分层到目标用户选择的四步法

4.1 第一步：以任务和行为做初步切分

先不要从人口属性开始，而是从用户想完成的任务和已经发生的行为开始。以跑步产品为例，可以出现四类基础人群：

这里的名称不是行业标准，也不是终极分类。它们只是帮助团队先看见：同样是“跑步用户”，真正的任务差异很大。

4.2 第二步：加入训练周期，识别同一个人的变化

运动产品的特殊之处，是用户需求随周期变化明显。我们用一个简化的三阶段模型理解：

1. 准备期：建立基础、形成规律、积累能力；

2. 目标/比赛期：围绕明确目标提高专项表现、控制节奏；

3. 恢复期：降低负荷、重新评估状态、避免过早加码。

这不是要让所有产品经理去开运动处方。它提醒我们：产品在设计推荐、反馈和激励时，不能把用户当成恒定不变的人。

例如，对入门用户而言，恢复期可能只是“连续训练三天后，允许自己休息并获得鼓励”；对备赛用户而言，恢复期则可能关系到训练负荷、睡眠、比赛安排与专业建议。产品的责任边界不同，表达方式也应不同。

4.3 第三步：评估哪一群人值得当前优先服务

目标用户不是规模最大的用户，而是“用户任务强、我们能明显做得更好、组织能持续交付、并能打开未来”的交集。

如果四项都不成立，即使市场很大，也不应是第一阶段的目标用户。

4.4 第四步：把选择写成一份产品承诺

产品团队最终写下：

在未来一个版本，我们优先服务有明确 5 公里或 10 公里目标、尚未形成稳定训练习惯的用户。我们承诺帮助他们完成“今天知道怎么练、练完知道是否做得合适、下一次愿意继续”的最小闭环。我们暂不为严肃备赛跑者提供高风险、强个性化的训练建议，也不试图覆盖所有运动项目。

这段话的价值在于，它能指导后面所有具体决策。

• 首页是否展示 TSS？不展示，因为目标用户此刻不需要；

• 训练建议是否一次给 12 周？先不做，先给下一次可完成的训练；

• 是否需要收集比赛日期？对当前用户可选，不是强制；

• 是否支持越野爬升？放入后续机会池，不挤占当前资源。

这就是“用户策略”与“用户画像”的区别。

---

五、业务深度案例：把 AI 训练计划做成 5×3 策略矩阵

5.1 第一次失败：静态模板伪装成个性化

产品团队最初的训练计划，只根据“目标距离”和“当前水平”生成。表面上用户有许多选择，实际上多数人只会落入少数几个模板。团队犯的不是算法错误，而是把“用户输入几个参数”误当成“真正理解用户”。

复盘时，他们重新画了一张矩阵。横轴是用户能力与目标，纵轴是当前训练阶段。

这张矩阵不是要求团队一次做完十二种产品，而是帮助他们看见：同一个“训练建议”功能，在不同组合中，价值语言、数据深度和风险边界完全不同。

5.2 第二次选择：只先做一格，不做整张矩阵

真正困难的是，产品经理要敢于只做一格。

示例中，产品经理没有宣布“我们现在支持全人群、全周期”。他选择了：入门目标跑者 × 准备期。

这个选择的原因不是它最酷，而是它符合四项判断：

• 问题具体：用户常常不知道第一次、第二次训练怎么安排；

• 现有能力可用：设备能可靠记录完成情况，产品能用简单语言反馈；

• 责任边界清楚：不需要在缺乏充分信息时做高风险训练判断；

• 未来可积累：用户是否连续完成训练，会成为后续分层与服务设计的基础。

首个版本的核心体验不再是“生成一份 12 周计划”，而是：

1. 用户选择一个小目标；

2. 产品推荐一项难度可控的下一次训练；

3. 完成后用用户能理解的语言说明“你完成了什么”；

4. 用户选择下一次训练窗口或说明为什么暂时不能继续；

5. 系统根据完成情况逐步调整建议。

这看上去没有“AI 自动生成完整训练计划”那么耀眼，却更接近一项能形成持续价值的产品承诺。

5.3 第三次失败：把人群分层做成了刻板印象

上线前，团队有人提议：女性用户默认展示减脂目标，男性用户默认展示成绩目标；年龄大一点的用户默认关闭数据详情。产品经理叫停了。

这些看似高效的规则，把统计上的可能差异直接变成了对具体个体的假设。产品分层必须服务任务和行为，不应把刻板印象包装成个性化。

正确做法是：让用户自己表达目标，通过实际行为逐步学习偏好，并允许用户随时修改。产品可以提供默认引导，但不能替用户定义身份。

---

六、反例与灰阶案例：分层做对了，为什么仍然失败？

一家团队准确识别到“成绩型跑者”愿意付费，于是把最深的数据、最复杂的训练计划、最早的会员入口都放在这个人群上。三个月后，他们发现付费转化不坏，但整体活跃并没有改善，客服压力反而上升。

问题不在于分层错误，而在于把“高价值用户”误解成“唯一值得服务的人”。

成绩型跑者通常需求深、表达强、愿意反馈，因此容易在内部获得更多注意力；但如果产品的基本体验没有帮助入门和规律用户建立价值感，平台的用户基础、数据质量和品牌口碑都会变弱。更重要的是，复杂服务的交付成本也更高，团队可能还没有准备好。

这个灰阶案例提醒我们：

1. 目标用户选择不是道德排序。 暂不服务不等于不尊重；

2. 高付费意愿不自动等于高战略优先级。 还要看组织能否兑现价值；

3. 分层策略必须定期复盘。 当能力、市场或用户行为改变时，优先级也应改变；

4. 不同人群之间可能存在联动。 入门用户的成长、教练的内容供给、赛事的场景触发，都可能成为未来平台能力的一部分。

---

七、实操工具：目标用户与训练周期策略表

当你要做一个训练、健康、教育、金融或任何需要持续服务的产品时，可使用以下模板：

使用提醒

• 不要把“市场很大”直接写成“值得优先做”；

• 不要把“用户很多”直接写成“能形成价值”；

• 不要把“数据很丰富”直接写成“可以作出高风险建议”；

• 不要因为完成一张矩阵，就假装已经完成了用户研究。矩阵是判断工具，不是证据本身。

---

八、本讲重点总结

回到开场：AI 训练计划失败，并不一定因为算法不先进。很多时候，是产品经理没有先完成最重要的判断——自己到底要帮助哪一类用户，在什么时刻完成什么任务。