用户画像
什么是用户画像
参考：
描绘一个人时，往往会抓住他最显眼的标签特征，例如双眼皮，长发，圆脸…经过一番描绘，就有了一个人物大致的形象。
用户画像历史
现代交互设计之父Alan Cooper很早就提出了Persona的概念：
- Personas are a concrete representation of target users.
- Persona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，用于产品需求挖掘与交互设计。
通过调研和问卷去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同的类型，然后从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、场景等描述，就形成了一个Persona。Persona就是最早对用户画像的定义，随着时代的发展，用户画像早已不再局限于早期的这些维度，但用户画像的核心依然是真实用户的虚拟化表示。
用户画像定义
用户画像就是通过数据标签构建出来的用户形象。
- 品牌通过对海量数据信息进行分析，将数据抽象成
标签，再利用这些标签将用户形象具体化，最终形成的就是用户画像。
用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。 img
注意
- 用户画像强调的是一群人，是对群体宏观的把握，体现了群体的共性，是在单一/组合维度识别下，弱化群体中每个个体的形象与特色，从而聚合的一类用户共有特征。img
数据示例
{
“ID”: 123456,
“姓名”: “张建国”,
“性别”: “男”,
“出生年月”: 631123200,
“籍贯”: “北京”,
“居住地”: “北京”,
“教育背景”:
{
“学校”:”北京大学”,
“专业”: “CS”,
“入学年月”:1220198400
}
}
用户画像有什么用
大数据时代，用户画像尤其重要。
- 通过一些手段，给用户的习惯、行为、属性贴上一系列标签，抽象出一个用户的全貌，为广告推荐、内容分发、活动营销等诸多互联网业务提供了可能性。
- 它是计算广告、个性化推荐、智能营销等大数据技术的基础，毫不夸张地说，用户画像是大数据业务和技术的基石。
画像的好处
在数据为王的时代
- 精准的用户画像能够清晰划分用户群体及其各自的行为和目标，精确详尽的信息更能帮助品牌就多个用户群体更快达成一致认识，有助于营销效率和服务质量的提升。
- 同时，也可以根据用户画像评判迎合用户需求的好坏程度，衡量设计效率，进而更好地服务用户，提高用户的留存率。
画像的价值主要有：
- 设计前：帮助确立产品定位、目标
- 设计中：帮助确立设计目标、设计策略与准则
- 设计后：促进其他工作，如市场推广、运营活动、销售规划
应用案例
用户画像的应用场景十分广泛，可以根据不同业务需求探索出诸多应用场景。
- 1、人群分析
- 人群分析是用户画像最基础的应用场景之一，运营人员可借助标签深入分析不同用户画像群体的分布特征，又或是不同人群的消费习惯、消费偏好、不同地域的差异分析等，继而基于画像标签产出分析报告，帮助品牌运营人员更加了解行业动态。
- 2、广告优化
- 在获客成本持续走高的今天，用户画像可谓是优化营销推广的利器之一，不仅可以圈选定位更准确的人群，同时也为素材文案、广告创意提供了更具体的撰写方向，做到精准且有效的投放。此外，用户画像可以助力广告主完成洞察到决策的环节，让投放工作更有目标方向，广告主也可基于标签高效触达目标人群，提升用户体验，实现营销价值的最大化。
- 3、精细化消费者运营
- 当品牌能够准确构建用户画像时，就可以用来为服务精细化运营了。运营人员可以通过快速分析用户特征，找到不同运营场景下的目标用户，从而精准圈定目标人群，进行更灵活、更有针对性的营销活动和个性化消息推送。
典型应用
- 1、精准营销：这是运营最熟悉的玩法，在从粗放式到精细化运营过程中，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
- 2、用户分析：用户画像也是了解用户的必要补充。产品早期，产品经理们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候就可以辅以用户画像配合研究。方向包括新增的用户有什么特征，核心用户的属性是否变化等等。
- 3、数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统，广告基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等来进行投放的。
- 4、数据分析：用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通，最后辅助业务决策。
参考：
互联网用户特点
【2022-10-31】互联网用户具备一些特定的心理特征，如
- 认知通俗、简单，行为冲动、幼稚，情感单纯、极端，自我欣赏（自恋）、自视高尚，期待关注与尊重等
- 其行为也表现出从众与轻信、思维感性与形象化、反应极端与情绪化、感情和行为互相传染等特征。
- 惯性——打破惯性会发脾气
- 我就是全部——自我意识很重
- 第一印象很重要——喜欢证明第一印象的正确性
- 相信熟人——熟人的意见很重要
- 简洁——喜欢流程简便、设计简洁的事物
- 文字图片结合——不图文结合都不会说话了
- 金钱安全——嗯，钱要放在安全的地方，可疑的网站是不会随便打开的
- 搜索准确——搜一个，一个准儿
- 保护私隐——谁想侵犯我私隐，跟谁没完没了
- 什么叫做互联网用户，学霸大神女程序员现场解释，小气又没智商
用户画像结构
用户画像概念
用户画像可分为以下两部分
User Persona：用户角色，针对用户真实需求虚拟（抽象）出的典型人物角色，比如，住在江浙一带养了宠物的未婚女性；User Profile：用户标签，比如，女性、未婚、有宠物都是具体的用户标签。另一种名称：User portrait
用户画像 User persona
根据Alan Cooper的《About Face》，是基于产品对真实世界的观察，抽象出来的具有代表性的虚拟用户模型，有时也被称为综合用户原型（Composite User Archetype）。
- 这个概念最早由Alan Cooper在《The Inmates are Running the Asylum》（软件创新之路）一书中提出，后续在多处书籍进行了不停的完善。
这个画像主要特征如下：
- （1）描述一个用户画像包括
角色描述和用户目标角色描述是指如名称、年龄、位置、收入、职业等，这类角色描述主要是为了使用户画像更丰富、真实，具象；用户目标是其动机, 重点关注的是用户动机。
- （2）可以代表相似的用户群体或类型，也可以代表个体
- User persona 是抽象的、虚拟的，代表一个典型的用户群体；
- 虽然也可以代表个体，但个体并不是实际独立的个人，而是从实际观察研究中综合而来。
- （3）须针对具体情境-具体产品的行为和目标
- User persona 研究的是用户在具体情境下对产品的使用，关注其在一定范围内的行为、态度、能力、动机等。
- 即使同一个角色，在不同产品下的动机也是有差异的，一般来说不轻易在不同产品间复用，需要考虑不同类产品的切入场景。
数据画像 User portrait (profile)
User Portrait 是指用户信息标签化，通过收集用户多维度的信息数据（如人口统计属性、社会属性、行为偏好、消费习惯等），并对其进行统计、分析，从而抽象出的用户信息全貌，相比 user persona，它更侧重于数据挖掘、标签体系搭建。
这类画像主要特征如下：
真实性：集合了每个个体的真实信息，如既有人口统计属性等静态信息，也有用户行为的动态信息。时效性：用户动态信息并非一层不变，可以实时追踪其变化。覆盖度广：既能监测到用户感兴趣的内容，也可以看到其不感兴趣的内容，维度众多，颗粒度粗细均有。
对比
以下是这2类用户画像的简要差异对比：
| 类型 | 定义 | 内容 | 用途 | 方法 | 其他 |
|---|---|---|---|---|---|
| 用户画像 user persona | 虚拟的用户横型 | 用户特征、目标、能力、态度的抽象概括 | 初期描述目标用户,指导产品设计 | 定性研究方法 | |
| 数据画像 user portrait | 真实的用户数据集 | 用户实时、真实、动态的行为数据统计用途 | 后期跟进用户行为，观察、预测用户行为 | 定量研究方法与数据分析 |
用户画像七大要素
用户画像的构成通常遵循七大要素，首字母刚好组成Persona，每个字母对应一条原则：
Primary（基本性）：指该用户角色是否基于对真实用户的情景访谈；Empathy（同理性）：指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引同理心；Realistic（真实性）：对每天与消费者打交道的人来说，用户画像是否看起来像真实人物；Singular（独特性）：每个用户是否是独特的，彼此很少有相似性；Objectives（目标性）：该用户角色是否包含与产品相关的高层次目标，是否包含关键词来描述该目标；Number（数量性）：用户角色的数量是否足够少，以便我们能记住每个用户角色的姓名，以及其中的一个主要用户角色；Applicable（应用性）：品牌是否能使用用户角色作为一种实用工具进行设计决策.
用户画像构建
标签化
用户的行为数据无法直接用于数据分析和模型训练，也无法从用户的行为日志中直接获取有用的信息。
- 而将用户的行为数据标签化以后，对用户就有了一个直观的认识。同时计算机也能够理解用户，将用户的行为信息用于个性化推荐、个性化搜索、广告精准投放和智能营销等领域。img
主流的标签体系都是层次化的。首先标签分为几个大类，每个大类再进行逐层细分。
- 在构建标签时，只需要构建最下层的标签，就能够映射出上面两级标签。
- 上层标签都是抽象的标签集合，一般没有实用意义，只有统计意义。
- 例如可以统计有人口属性标签的用户比例，但用户有人口属性标签，这本身对广告投放没有任何意义。img
用于广告投放和精准营销的一般是底层标签，对于底层标签有两个要求：
- 每个标签只能表示一种含义，避免标签之间的重复和冲突，便于计算机处理;
- 标签必须有一定的语义，方便相关人员理解每个标签的含义。
此外，标签的粒度也是需要注意的，标签粒度太粗会没有区分度，粒度过细会导致标签体系太过复杂而不具有通用性。
各个大类常见的底层标签。
- 人口标签：性别、年龄、地域、教育水平、出生日期、职业、星座
- 兴趣特征：兴趣爱好、使用App/网站、浏览/收藏内容、互动内容、品牌偏好、产品偏好
- 社会特征：婚姻状况、家庭情况、社交/信息渠道偏好
- 消费特征：收入状况、购买力水平、已购商品、购买渠道偏好、最后购买时间、购买频次
依据构建的难易程度和各类标签的依存关系，各类标签构建的优先级 img,img
- 原始数据 →
事实标签 →模型标签 →高级标签 
技术差别
- 第一类是人口属性，这一类标签比较稳定，一旦建立很长一段时间基本不用更新，标签体系也比较固定;
- 第二类是兴趣属性，这类标签随时间变化很快，标签有很强的时效性，标签体系也不固定;
- 第三类是地理属性，这一类标签的时效性跨度很大，如GPS轨迹标签需要做到实时更新，而常住地标签一般可以几个月不用更新，所用的挖掘方法和前面两类也大有不同 img
画像设计
培训初版画像尽量满足这几个条件：
- （1）便于获取、计算：有现成的数据源，计算方法相对确定
- （2）容易理解：无需过多解释
- （3）原子性：标签、属性之间粒度适中且相对独立
- （4）有潜在业务场景：对培训、任务分发、微聊等有一定价值
- （5）扩展性：兼容其他标签，方便扩展
培训领域画像示例：
- ① 学习态度：区分经纪人在培训产品上重视程度，基于过往培训频次、时长，计算数值，映射到几个区间，如：应付（参与培训1次失败就放弃了）、一般（参与几次培训，分数不理想）、认真（参与几次培训，分数逐渐提升至及格）、重视（参与较多次培训且分数较高）
- ② 学习能力：衡量经纪人培训分数增速，分为：慢、一般、快
- ③ 个性化特征：表达连贯性、普通话标准程度、逻辑性等，跟培训内容关系不大的特征
- ④ 知识掌握程度：对应一系列知识点得分，往图谱方向规划
构建方法
用户画像（user persona）多采用定性的研究方法来进行角色划分，主要可采用的资料来源有：
- 人种学研究、情境调查、观察法、访谈法、桌面研究等，具体实行时会根据业务情况稍作调整。
简易流程
主要流程：目标分析、标签体系构建、画像构建
- （1）目标分析：明确用户画像的目标是构建用户画像的第一步，也是设计标签体系的基础。目标分析一般可以分为业务目标分析和可用数据分析两步。目标分析的结果有两个：
- ①画像的目标，也就是画像的效果评估标准;
- ②可用于画像的数据。
- 画像的目标确立要建立在对数据深入分析的基础上，脱离数据制定的画像目标是没有意义的。
- （2）标签体系构建：画像建模开始之前需要先进行标签体系的制定
- 注意：标签体系不是一成不变的，随着业务的发展，标签体系也会发生变化。例如电商行业的用户标签，最初只需要消费偏好标签，GPS标签既难以刻画也没有使用场景。随着智能手机的普及，GPS数据变得易于获取，而且线下营销也越来越注重场景化，因此GPS标签也有了构建的意义。
- （3）画像构建
- 用户标签的刻画是一个长期的工作，不可能一步到位，需要不断地扩充和优化。一次性构建中如果数据维度过多，可能会有目标不明确、需求相互冲突、构建效率低等问题，因此在构建过程中建议将项目进行分期，每一期只构建某一类标签。
复杂流程
以酷家乐-快搭、赢客2条业务线为例，梳理了从0到1构建画像的流程与方法,img
- Step1：确立目标与画像维度
- 明确业务目标与用户角色，不同的角色与目标在收集信息时有所差异，进而影响到最终得到的画像结果。因此在做画像之前，需要考虑清楚画像目的。明确目标后，就可以结合目标与角色，制定出画像信息维度。
- Step2：确立调研方法
- 确立画像信息维度后，需要结合用户、时间精力、经费等因素，选择合适的调研方法以实现信息收集。常用的调研方法有3种：
定性研究：如访谈法、二手资料研究定量研究：如问卷调研、数据分析- 定性+定量：上面2种方法的结合。
- 每种方法如何选择？可以从调研方法的差异性、产品所处生命周期，再结合实际时间精力、经费等情况酌情选择
- 确立画像信息维度后，需要结合用户、时间精力、经费等因素，选择合适的调研方法以实现信息收集。常用的调研方法有3种：
- Step3：制定计划与数据收集
- 在明确目标与方法后，需要对整个研究进行细化，制定具体详实的执行计划并落地，把控整体节奏以收集有效的信息。
- 例如，若使用问卷法，则需要进行问卷设计——被访者选取——问卷投放——问卷回收。若使用访谈法，则需要准备访谈前中后的相关资料。
- Step4：分析资料，角色聚类
- 第三步骤收集整理到有效信息后，需要识别关键的行为变量，将调研到的用户与行为变量进行一一对应，并识别差异化行为模式。
- Step5：综合特征，产出画像
- 完成角色聚类后，梳理每类角色的行为、目标、痛点等维度特征，形成画像的基本框架，并对每个角色进行属性信息、场景等详细描述，让画像更加丰满、真实。
- Step6：结合产品，画像落地
- 用户画像只有落地，助力产品设计，才能体现其价值，否则就是空中楼阁。
- 在创建完画像后，可以组织分享画像结果，让团队内成员对服务的用户达成共识，进而探讨产品的新机会点或改进点，逐步落地到产品设计、推广营销中。
详情见原文：构建用户画像的流程与方法
画像示例
用户画像的核心工作就是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、兴趣等。
- 由这些标签集合能抽象出一个用户的信息全貌，如图所示是某个用户的标签集合，每个标签分别描述了该用户的一个维度，各个维度相互联系，共同构成对用户的一个整体描述。
神策数据
神策数据创始人来自百度UDW团队
用户画像常见误区
不少品牌都积累了一定体量的数据，着手开始或是已经构建了自己的用户画像体系，但过程中仍存在不少误区
- 1、画像与业务场景的关联度不高
- 为了筛选出高净值用户，挖掘品牌的更多增长可能性，不少品牌构建了自己的标签体系以及用户画像，以便对用户进行层层筛选，进而开展针对性的精细运营。但这些品牌也仅仅是构建了标签体系，没有基于行业做多维度的拓展。
- 宠物行业某个品牌此前为用户打上的标签为“男性，30岁，养了猫”，这样的标签显然与业务场景的关联度不高，无法开展后续的精细化运营。
- 宠物行业的特征是消费决策者和使用者分离，因此消费者具备双重角色——实际使用者和购买决策者。当宠物的品种、年龄、需求不同，或是主人的人生阶段、社交偏好、陪伴偏好不同时，消费者在宠物身上的花费程度和方式就各不相同，在品类购买跨度上也会有更大的延伸空间。
- 因此，就需要从
人、宠，场景构建和应用标签，紧扣业务场景，才能穷举描述品牌“全域”“全量”的用户。img 
- 2、重数量、轻质量，认为用户标签越多越好
- 误区：标签越多越好、越全面越好，试图把整个消费者形象完美复刻出来。标签的数量要符合运营可以负荷的颗粒度，过多的标签只会使得用户信息杂乱无章，效果适得其反。
- 3、不重视标签的维护和更新
- 用户标签作为构成用户画像的核心因素并非一成不变，而是需要定期进行更新。
- 运营人员需要结合品牌自身的发展，在一个周期内对这些标签的有用程度、适配度等进行评估，并需要根据时间、场景的变化及时调整。
- 增加和减少标签也存在着一个稳定的衡量标准，例如设计好一个标签后，发现这种标签下的用户数量较少，并且无法大规模使用，不适用的情况很多，就可以考虑删除。只有做好维护与更新标签这件事，品牌在进行私域运营时才能结合标签内容实现精细化、个性化，进而提升后续的获客和转化。
- 4、没有把握好用户隐私尺度
- 品牌在构建用户画像过程中也存在较多数据安全问题，例如非法数据采集技术、过度收集用户数据、用户个人数据隐私缺乏保障机制等，尤其在个保法出台后，如果管理不到位、尺度把握不当，反而容易让用户产生隐私权遭到侵犯的不信任感。
- 品牌应坚守法律法规底线，如对用户数据非必要不收集、非同意不收集，妥善保管数据避免外泄；另一方面，在构建用户画像的过程中也需要将用户的个人数据匿名化，实现关联要素“角色”的切断，防止用户画像“出界”。
支付宝打赏 
微信打赏 
