帮你更好地了解什么是用户画像

用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们运营谈及用户画像，它也是和精准营销、精细化运营直接挂钩的。

什么是用户画像？

在中文的语言环境中，用户画像是用来描述用户特征（用户背景、特征、性格标签、行为场景等）和联系用户需求与产品设计的。

简单来说，构建用户画像的目的就是想要通过从海量用户行为数据中提炼出用户特征信息，并根据用户信息来进行精准营销。它根据用户在互联网留下的种种痕迹，主动或被动地收集信息，然后尽可能全面细致地抽出一个用户的信息全貌，从而帮助解决如何把数据转化为商业价值的问题。比如：猜用户的性别，来自哪里，月收入多少，有没有谈恋爱，喜欢什么，准备购物吗？

用户画像细分维度

用户画像主要包括：

1-性别，年龄段，成长环境；

2-生活情形，生活方式，生活习惯；

3-性格描述，以及内心的渴望；

4-消费情绪，喜欢什么，不喜欢什么；

5-内心的期待，未被满足的需求；

6-世界观，人生观，价值观；

7-社交特点；

8-媒体接触习惯；

9-对新事物的好奇心和反应程度；

10-对产品需求的联想层面；

11-和产品的接触点；

用户画像分类

随着时间的推进，用户画像也在不断完善和改进，分析方法也从最初的“经验论”逐渐改进，变成以大数据为基础和导向。

1 虚拟用户画像

早期的用户画像和上文描述的用户画像定义和细分维度都有所不同。它是通过对用户各方面信息的调研，将得到的多种信息分类聚合，并进行分析，形成有典型特征的虚拟用户。

通过调查的方法得出的这种用户画像主观性比较强，没有数据的参与构建，自然粒度也就比较粗，做不到精确地描述用户的特征，只是将用户抽象成几个简单的形象。

比如，这种用户画像的描述形式可以用下图表示：

2 数据用户画像

通过“虚拟用户画像”我们可以定义用户的性别、年龄等这些表面的基本特征，但这种特征的定义比较粗放，并不精确，想要更加全面准确的了解你的用户，就需要使用数据用户画像。

在互联网时代，大数据技术的应用使数据用户画像成为可能。这种用户画像是随着互联网的不断发展，积累的用户信息、行为记录越来越丰富，可以计算出每一个用户的特征。用户画像的细分维度前文已经讨论过了。

用户画像用标签集合来表示，例如：

张某，女，28岁，北京人，上海工作，金融业，分析师，年收入50万，已婚，一套房，两辆车，有孩子，不喜欢社交，爱运动，消费力强等。

基础信息可以通过用户的注册信息获得，但像是否有孩子、是否喜欢社交、喝白酒、消费能力等级等，用户不会告诉我们，需要建立数据模型才能计算出来。

当然，企业的业务领域不同，用户标签体系也不同，是需要有针对性的进行设计的，比如：金融和快消用户标签体系就会不同。

以iphone美国榜单的前5款产品作为调查样本; 我们来看看现在这类产品的用户画像是什么样的，推测一下为什么是这样一个群体呢？

由上述内容，我们可以得出dating app的用户大多为美国男性，很可能年龄25+，基本上平均每天会刷一次app，使用10分钟左右。

让我大胆估计一下，全球的婚恋市场可能都是相同趋势。毕竟人类都是情感动物，而情感都是互通的。

第一，进入25+，恋爱交友的需求逐步上升，而这个年龄层的用户已进入工作圈，相比年轻时候他们的社交范围和渠道变得狭窄许多，所以dating app会是一个非常方便的切入口去结识陌生人；

第二，30之后的人，他们中很多也许经历过离婚（美国离婚率一直很高）和分手，同时拥有一定的社会阅历和经济基础，所以愿意通过app来扩展交友圈，花钱购买相关服务，那么对于产品来说，是个非常适合变现的人群。

第三，不排除还有一些人群是通过app钓鱼，寻找生活刺激，游走在灰色边缘地带的。而且，这种可能情况应该比较多，参照国内很多类似app都被诟病过这样的问题。

现在通过买量渠道也能佐证这一点，据相关方面透露，Facebook已经限制dating类别的投放推广。那么打算开发此类产品的团队，要考虑好可替代的推广渠道。

用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。

可以运用营销自动化微信用户标签库来给用户打标签，“标签“就是带有特定含义用于描述真实的用户自身带有的属性特征。“标签”相较于其他用户画像基础要素来说，标签可以是动态的，通过动态的社交活动行为，例如：搜索、浏览、评论、点赞等构建出3D的用户画像。

通过对折叠屏手机用户的标签数据分析，可以得知用户的购物偏好特征和生活属性，从而品牌可以更针对性地展示不同用户想看的内容，还有为以用户需求为导向的产品研发，提供数据支持。

用户画像基本要素

1、地域

即用户所在的地理位置，不同城市的生活消费形态也是不同的。普遍一二线城市的居民平均收入要比三四线城市的居民平均收入要高一些。

2、性别

性别也是对消费需求影响较大的因素之一。参考该要素来宣传产品或服务，能够大大提高品牌的营销效率。

3、年龄

即用户的社会角色，每个年龄段的用户社会角色也不同，感兴趣的商品特性也不同。

4、受教育程度

受教育程度不同的用户对营销内容的要求也会不同，对于生活的态度和关注的事情也不同。

5、行业特征

了解用户所在行业，对产品或服务的关注点不同。

目录：

一、概念

二、目的

三、用法和具体应用场景

四、如何构建

用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析得来的高度精炼的特征标识。

User Persona和User Profile似乎都可以译成用户画像，本文讨论的是User Persona，区分如下：

产品经理通过调研（问卷、访谈等）找出用户（目标、行为、观点上）的共性与差异，将其区分为不同类型，每种类型中抽取出典型特征。赋予名字、照片、人口统计学要素、场景描述，构建出人物原型。它让产品经理做设计时抛开个人喜好——“为具体的用户做设计，要远远优于为脑中虚构的人物做设计。”

Alan Cooper（交互设计之父）最早提出Persona的概念：“Personas are a concrete representation of target users”  Persona是目标用户的具体表示，是建立在真实数据上的目标用户模型。Persona是为产品设计服务的，关注焦点在用户行为、动机、态度上。

Profile的标签是每个用户独有的，是利用已获得的数据，勾勒用户偏好的数据分析方法。猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。这些数据为运营人员实现精准营销、个性化推荐、获取、挽留客户提供了依据。对电商、金融行业、内容类产品（知乎、豆瓣、微博、短视频等）尤为重要。

在知乎上有一个与此相关的帖子 User Persona 和 User Profile

1精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；

2用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数；

3数据挖掘，构建智能推荐系统，利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析，喜欢红酒的人年龄段分布情况；

4进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务；

5对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。

6业务经营分析以及竞争分析，影响企业发展战略

用户画像在阶段和目标不同的时候承担的使命也不尽相同，咱们分别针对三个阶段来说说用户画像的意义：

1初创期：产品还未定型

这个阶段往往指的是公司刚刚创立，产品还未成形，需要通过用户画像来定义产品模式与功能的阶段，这个阶段你需要做大量偏宏观的调研，明确你的产品切入的是哪一个细分市场，这个细分市场中的人群又有哪些特点，他们喜欢什么，不喜欢什么，平均消费水平怎么样，每天的时间分配是怎么样等等等等。

在这个阶段，你做用户画像的意义在于为你的产品定义一个市场，并且你能够清楚地知道这个市场能不能做，能不能以你现有的产品构思去做，做的过程中会不会出现一些与基本逻辑相违背的问题。如果分析之后可以做，那就立马作出产品原型，小步快跑、试错迭代；如若不行，赶紧换个方向、换个思路。

所以，这个阶段的用户画像意义在于业务经营分析以及竞争分析，影响企业发展战略战略。

2成长期：产品运营中

在这个阶段你公司产品已经被市场认可，各项数据处于一个上升期。这个时候用户画像所承担的责任就又变了。在这个阶段，你需要通过产品后台所反馈的数据（显性、隐形等，后文会介绍）进行整理，得出一个详细的用户画像，这里不像在初创期那样做泛调查，抓宏观。而是需要改变策略，从细节抓起，从每一次和用户的交互中寻找用户的真实需求。比如，你是做微信运营的，昨天的阅读量和前天相比是多了还是少了？转发数和收藏数都是什么变化？用户留言是增加还是减少？后台反馈怎么样？通过这些对比，你大致就会得出结论，并指导优化往后的工作。如果是产品运营那涉及的数据就更多了，访问数据、打开频率、登录次数、活跃时间等等，结合起来分析，用户的需求会更加明确。

所以，这个阶段的用户画像意义在于精准营销，使产品的服务对象更加聚焦，更加的专注，能更好地满足用户的需求，优化运营手段，并提升公司的经营效益。

3成熟期：寻求突破口

这个阶段，产品已经很成熟了，公司也已经有了稳定的运作模式，市场地位趋于稳定，日常工作也大多以维护为主。这个时候，用户画像用来干嘛？寻找新的增长点和突破口。

当产品转型时，老用户会有什么样的反应？离开还是成为新的核心用户？新产品预计会有多少用户导入？结合老用户需求，新产品有哪些功能不能被遗弃？

这都是你要考虑的问题，这个阶段的用户画像建议将初创期的泛调查与成长期累积的用户画像结合起来做，这样对于新产品才有一个更好的保障。

用户画像不是拍脑袋想出来的，是建立在系统的调研分析，数据统计基础之上得出的科学结论。

用户画像一般会存在多个，要考虑用户画像的优先级，不能为超过三个以上的用户设计产品，容易产生需求冲突，要分清楚哪些是核心用户，哪些是打酱油用户。

同时，用户画像不是一确定就一成不变的，而是根据实际情况不断修正。

显性画像：即用户群体的可视化的特征描述，如目标用户的年龄、性别、职业、地域、兴趣爱好等特征；

隐性画像：用户内在的深层次的特征描述。包含了用户的产品使用目的、用户偏好、用户需求、产品的使用场景等。

一般分为三个步骤：基础数据采集、分析建模、结果呈现

1）基础数据采集

数据不说谎，是构建用户画像的核心依据，建立在客观数据基础上的用户画像才是有说服力的。

在基础数据采集方面，可以通过列举法，先列举出构建用户画像所需要的基础数据。

具体的思路如下：

当然上面列举的数据纬度相对比较多，在构建用户画像过程中会根据需求进行相关的数据筛选。

在基础资料和数据收集环节我们会通过一手资料和二手资料获取相应的基础数据。

关于通过问卷调查和访谈的形式做用户画像调研：

A问卷调研

问卷调查第一要考虑样本的数量，其次内容的设计，要考虑研究的目的，毕竟这是一项有目的的研究实践，另外，通过问卷获取的信息，不一定是非常确定的，存在很多变量因素，数据可以作为参考，要以质疑的眼光看待。

B用户访谈

访谈之前要列好访谈提纲，围绕用户的角度，他的想法，他的行为等角度，具体步骤如下：

在分析访谈结果时，采取关键词提炼法，针对每个用户对每个问题的回答，进行关键词提炼，将共性词汇总，具体思路如下：

2）分析建模

当我们对用户画像所需要的资料和基础数据收集完毕后，需要对这些资料进行分析和加工，提炼关键要素，构建可视化模型。

案例：

有一个网络来源资料，关于95后的用户群体的研究。

通过搜索你可以获取到以下资料（ 基础数据采集 ）：

企额智库《透视95后：新生代社交行为》

QQ空间独家大数据《“95后”新生代社交网络喜好报告》

百度《00后用户移动互联网行为洞察》

中国大数据产业观察《2015年95后生活形态调研报告》

接着，对这些报告进行分析和关键词提炼，概括出整个95后群体标签（ 分析建模 ），具体如下：

3）画像呈现

画像呈现即从显性画像、隐性画像、场景和需求等方面，给用户打标签。

案例：

这一步也要将收集到的信息进行整理和分析并归类，创建出用户角色框架（更全面地反映出用户的状态），然后根据产品侧重点提取出来，进行用户评估分级，并结合用户规模、用户价值和使用频率来划分，确定主要用户、次要用户和潜在用户。

构建用户画像的目的，是为了充分了解用户，为产品设计和运营提供有有价值的参考，为运营战略服务。

什么是用户画像？

用户画像是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。

通俗来讲，就是——我们产品的目标受众是什么，使用我们产品的核心人群是什么样的，他们有什么行为特征、消费习惯，什么是能够刺激他们购买的核心需求。

我们可以理解成，它就是一家企业的核心武器，它可以帮助我们：

聚焦、洞察用户的需求。

更精准地决策。

培养用户思维。

为了帮助大家更好地理解用户画像，这里为大家梳理了一套用户画像建立模板，大家可以参考：

1百度大数据洞察：百度指数

百度指数是以百度海量网民行为数据为基础的数据分享平台。分别有趋势研究、需求图谱、人群画像是百度指数的三个展现维度。

趋势研究：这是百度指数最核心、最基本的功能，是以时间维度，判断关键词的关注热度；我们可以做对比分析，从而找出规律。

以美术班为例，搜索关键词后，发现了一条规律，每年的3月和9月是搜索高峰期，这也正好应对了两个开学季。

需求图谱：通过用户在搜索该词的前后的搜索行为变化中表现出来的相关检索词需求。

比如，通过“美术”这个大关键词，检索出的相关小关键词。可以帮我们更精准地掌握用户的需求。圆中的圈越大，说明与大关键词的关联性越强。

人群画像：搜索关键词的人群共性特征，是从地域、年龄、性别分布以及兴趣属性这几个特征展开的。

2全域数据洞察——观星盘

观星盘汇聚了百度域内数据、客户数据、合作伙伴数据组成的全域数据，构建海量用户行为标签，提供多维度行业和品牌洞察能力，全方位感知用户行为和意图，帮助品牌锁定精准目标用户。

借助观星盘数据精细化细分人群，可以覆盖不同侧重点进行引流营销，增强目标用户对品牌的认知，提升影响力。

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。31 数据源分析构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。本文将用户数据划分为静态信息数据、动态信息数据两大类。静态信息数据用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。动态信息数据用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。32 目标分析用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 08、李宁 06。标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。33 数据建模方法下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。什么时间：时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950083612（精度到微秒），通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。什么地点：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。内容：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。标签 权重矿泉水 1 // 超市矿泉水 3 // 火车矿泉水 5 // 景区类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。什么事：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、、购买、点击赞、收藏 等等。不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1红酒 1 // 浏览红酒红酒 5 // 购买红酒综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上标签。用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：标签权重=衰减因子×行为权重×网址子权重如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。标签：红酒，长城时间：因为是昨天的行为，假设衰减因子为：r=095行为类型：浏览行为记为权重1地点：品尚红酒单品页的网址子权重记为 09（相比京东红酒单品页的07）假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。则用户偏好标签是：红酒，权重是09507 1=0665，即，用户A：红酒 0665、长城 0665。上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。