用户画像 — 作者：姚凯飞
互联网公司的核心：
用户体验（商品，供应链，物流，营销，活动…）
大家常有的困惑：
没有合适每个用户的产品（商品）！没有适合每个听众的课程！
其中一个手段：
以增量用户拉取，存量用户数量和价值的保有为目标，利用大数据技术精准用户画像，并结合商品画像，解构用户及商品，精细化耕作，最终在重点目标客户群体上形成突破。
目录：
什么是用户画像（what）
为什么需要用户画像/精细化运营（why）
如何构建用户画像（how）
举例（方法论）
总结
课程目标：
了解用户画像及构建方法
熟悉常见用户画像应用
尝试结合工作做一些实践
Part 1 什么是用户画像
什么是用户画像
A user profile is a visual display of personal data associated with a specific usr, or a cunstomized desktip enviroment
用户画像就是与用户相关联的数据的可视化的展现；一句话来总结就是：
用户信息标签化
用户画像可以简单理解成是海量数据的标签，根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型（personas）。
Part2 为什么需要用户画像
为谁服务
1、为谁创造价值：建立对客户的尽量全面的理解
2、把握：学会识别用户的解决方案和用户在场景下的诉求
永远不要幻想你的用户能告诉你，他们真正需要的是什么。
持续验证你的假设
产品十定论
1、定人：给谁
2、定时：这个产品在什么时候、季节、节令里应用
3、定景：如何考虑产品在场景变化中的需求结构
4、定质：质是质量标准，一定要考虑产品的质量标准是什么？基于质量标准，会引发出到底你的采购，运营，技术需要什么样的安排
5、定规：我们做产品一定要强调规格，运营经营什么样的产品
6、定组：在产品中，不同的品类中需要考虑组的结合，比如我们的组有两个：a. 品牌下的小组 b.品类下面的细分
7、定形：形就是形状和物理状态
8、定名
9、定价
10、定销
人，用户通过内容形成粉丝，精准引导及匹配消费
货，商品走向柔性供应链，数据驱动产销配一体化
场，渠道匹配品牌和运营能力的节奏布局（含场景）
用户画像的目的
微观：
勾画用户与联系用户需求与产品设计，便于解构场景内用户
各类数据应用：作为推荐、搜索、风控等重要一环而存在
定性和定量化方法很好结合在一起的载体，数据化运营和用户分析
精准营销和定向投放，使产品的服务对象更加聚焦，更加的专注。
宏观：
构建具象认知以及战略、战术方向
探索用户足迹，市场细分与用户分群，并以其为导向（市场）
统一建模预测分析
人口属性细分
明确“是谁”，“购买了什么”，“为什么”
购买行为细分
提供市场机会、市场规模等关键信息
市场需求细分
提供更具差异化的竞争力的产品规格和业务价值
兴趣态度细分
提供人群类别画像：渠道策略，定价策略，产品策略，品牌策略
精细化用户分群
行为特点、回访留存、群体画像、漏斗转化
根据用户行为的特征将其按需拆分成不同属性的用户群
例如：做过A事件的人拆分成一个用户群，做过B事件的拆分成另一个群，看群体用户画像有什么区别，看他的留存和回访有什么区别。
Why-回顾
用户画像很重要！！
Part 3 如何构建用户画像
各方法的差异
| 目标：消费者调查 | |||||
| 方法 | MR | 数据挖掘 | UE | ||
| 洞察应用 |
产品设计策略/营销策略/品牌定位策略/定价策略 |
为营销找到合适的目标群体提供产品设计智能化、安全性 | 界面设计策略，用户满意度 | ||
| 洞察什么 | 整个品类/产品/细分市场整体消费者 | 自由产品消费者 | 典型消费者 | ||
| 产品使用/购买的动机、态度、行为：消费者价值取向 | 消费者使用/购买的真实发生行为 | 使用习惯、认知策略、期望 | |||
| 如何洞察 | 深度、针对性、互动性访谈 | 历史记录的所有产品所有使用/购买行为 | 观察 + 访谈 + 数据 | ||
| 一对一深度访谈 + 座谈会 + 随机抽样调查 | 统计指标体系分析 | 数据建模挖掘 | 针对性算法开发 |
用户现场体验 焦点小组 专家组评审 |
|
| 收入、市场角度 | 产品、流程、安全性角度 |
专家评审 流动体验室（跟用户回家） 眼动实验 |
|||
用户画像 – 维度
人口属性 — 用户是谁（性别、年龄、职业等个人基本信息）
消费需求 — 消费习惯和消费偏好
购买能力 — 收入及购买力、购买频次和渠道
兴趣爱好 — 品牌偏好、个人兴趣
社交属性 — 用户活跃场景（社交媒体等）
用户画像 – 层级
|
01 基本用户属性 |
个人属性 性别、年龄、学历、职业 价值属性 月收入、财务状态、消费能力 |
通讯属性 入网年费、消费层次 位置属性 常在区域、出行情况 |
社会属性 所属行业、岗位层级、工作年限 |
|
|
时间偏好 PC端活跃时间、手机端活跃时间 |
渠道偏好 常用网页、常用APP、PC端、手机端 |
兴趣爱好 游戏、新闻、社交、阅读、购物、影音、 金融、旅游、动漫、摄影、时尚、宠物、 收藏、汽车、体育、美食、军事、… … |
02 用户行为标签 |
|
|
03 浅层用户画像 |
性别、年龄、关键人生阶段、所在城市、有房有车、兴趣偏好、风险偏好、营销敏感度、非金融产品需求、金融产品、需求、社交关系、上网时间、… … | |||
|
高价值客户、高风险理财偏好客户、近期境外游需求用户、车险需求用户、近期贷款紧急需求客户、经常使用外卖APP的电子银行客户、潜在家庭人寿保险需求客户、 母婴亲自产品需求客户、潜在欺诈客户、潜在高风险客户、… … |
04 深度用户画像 |
|||
用户画像 – 标签层级
| … … | |||||
| 行为属性 | 上网习惯 | 活跃情况 | 活跃情况 – 老用户 |
账号开通以来，发生以下之一的业务 1、发生a行为至少1次 2、发生b行为至少2次 3、发生c行为至少1次 |
模型标签 |
| 活跃情况 – 流失用户 |
属于老用户，但不符合以下条件之一： 1、过去 30 天时间里，发生a行为1次 2、过去 30 天时间里，发生b行为1次 |
模型标签 | |||
| 活跃情况 – 微信48小时活跃粉丝 |
符合微信活跃条件，48小时进行以下操作： 1、新关注 2、点击自定义菜单 3、发送消息 4、扫描二维码 5、支付成功 6、用户维权 |
事实标签 | |||
| 用户分类 | 人群属性 | 年龄阶段 | 年龄阶段 – 80后 | 出生时间：1980 – 1989 | 事实标签 |
| 年龄阶段 – 90后 | 出生时间：1990 – 1999 | 事实标签 | |||
| 地区分布 | 地区分布 – xx | 选择城市 | 事实标签 | ||
| 商业属性 | 电商业务 | 购买频度 – 高频用户 | 过去12个月内，累积订单数超过24 | 模型标签 | |
| 购买频度 – 中频用户 | 过去12个月内，累积订单数 5 – 24 | 模型标签 | |||
| 购买频度 – 低频用户 | 过去12个月内，累积订单数小于5 | 模型标签 | |||
| 购买频度 – 新用户 | 至今，累积订单数为 0 | 模型标签 | |||
| 金融支付 | 支付频度 – 高频用户 | 过去30日内，累积支付笔数大于 150 | 模型标签 | ||
| 支付频度 – 中频用户 | 过去30日内，累积支付笔数 20 – 150 | 模型标签 | |||
| 支付频度 – 低频用户 | 过去30日内，累积支付笔数小于 20 | 模型标签 | |||
| 支付频度 – 新用户 | 至今，支付笔数为 0 | 模型标签 | |||
| 消费订单比例 – 消费狂 | 订单消费比例高于 80% 或过去30日内，超过 30 件 | 模型标签 | |||
| 消费订单比例 – 消费达人 | 消费订单比例达到在 20 – 60% 减过去 30日内，在 10-30件之间 | 模型标签 | |||
| 消费订单比例 – 普通者 | 电商订单比例达到低于 10% 减过去30日内低于 10件 | 模型标签 | |||
| 充值 – 充值新用户 | 至今，未充值过 | 模型标签 | |||
| … … | |||||
常见用户画像标签
| 基本特征 |
性别 母婴年龄预测 顾客消费年龄 地域气候 |
| 社会身份 |
家庭用户 学生 公司白领 中老人 顾客职业的行业 |
| 注册用户生命周期 |
注册用户转新客 PC转移动 类目半新客转化 流失得分 |
| 类目偏好 |
果粉 吃货 高品质生活 家庭日用品 手机数码达人 礼物礼券 |
| 购物属性 |
跨区域购买用户 日用品周期购买 顾客价值得分 促销敏感 辣妈、丽人 |
| 风险控制 |
黄牛小号判别得分 注册异常用户判别得分 积分获取异常用户得分 |
| 其他偏好 |
购买力 关键词 品牌 单品 店铺 销量 B/C |
类目标签（主题推荐）
| 女装 |
甜美文艺 职业通勤 个性街头 妩媚性感 气质名媛 |
| 饼干/糕点 |
三高人群 瘦身减脂 独爱花香 香甜 鲜咸 |
| 茶叶 |
清热解暑 补血益气 清肝明目 呵护女性 健胃消食 |
| 流行首饰 |
恋恋深情 卡通图案 平安 乔迁 金饰 |
| 身体护理 |
抗敏感 滋润型 中草药 清香型 防晒隔离 |
| 公共 |
儿时回忆 懒人必备 便携旅游 送礼必备 宴会待客 |
如何构建用户画像
用户静态/动态画像
静态画像 – 评估价值：用户相对稳定的信息
动态画像 – 循迹：用户不断变化的行为信息，根据用户行为将物品的结构化结果传递给用户
统计/预测类画像
每天看新闻类型占比
用户的性别，生理性别与行为性别
如何构建用户画像
静态画像：实时性弱，覆盖广，力度粗
动态画像：
一般建立兴趣模型，更加实时并且动态
用户行为可以解构为5w
时效性非常敏感
在空间上，不同应用领域侧重点不同，营销领域更侧重消费习惯，推荐领域更侧重喜好
如何构建用户画像
不同行业、不同业务场景对用户画像需求大不同。
目标相关的
产品/品牌相关
商业目标相关
项目目标相关
如何构建用户画像
偏好画像数据建模方法：
标签 = 用户标识 + 时间 + 行为类型 + 接触点（网址 + 内容）的聚合
事件模型：主要通过收集用户行为，并结合上下文构建事件模型，主要为5w
整体思考建模：用户标签的权重可能随时间的增加而衰减，因此定义事件为衰减因子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
用户画像 – 偏好类标签
需求量最大
通常只反应用户一段时间内的兴趣点，并有可能随着时间的推移发生改变，比如衣服尺码
无法精确的用0和1表示
一般与业务强相关，哪种行为权重更大，时间窗口多长比较合适
无复杂逻辑，加工过程和流程非常相似：加权汇总一段时间内的几种行为后，归一化到 [0,1]
如彩妆功能偏好，美妆肤质偏好，洗发护发功效偏好，品牌偏好，类目偏好
用户画像 – 实时风格偏好预测
实时风格偏好预测
除了性别、年龄、购买力等，一些抽象的兴趣点也非常有帮助
用户行为和兴趣的多变性，长期偏好抽取的方式无法满足用户的需求，需实时的抽取用户的风格偏好
用户画像 – 基于标签聚类的人群生成（圈人）
实现方案
按维度（n天内）加权汇总某类主题和实体（买家）在某种对象（品牌名）上的相关行为（点击，收藏，加购，交易），然后归一化到 [0,1] 之间，取TopN或全部输出
可以调整的为维度、主体、对象、行为、权重等
并结合实践衰减，使越久远的历史数据影响越小
How – 回顾
维度/粒度
动态/静态
常见画像及层级
构建方法举例
闭环/实践出真知思维
Part 4 用户画像的应用
用户画像 – 应用
竞品
人群分析后，你知道了你真正的竞品是谁
品牌刚刚建立
需要快速提升知名度，可以按照不同媒体目标人群覆盖率的高低进行预算分配
渠道优选
引流渠道进行优化
使用上述分析结论，进行策略制定
对各个渠道的量进行重新分配，并实验
商品定位调整
用户画像应用
用户分析
产品早期，PM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，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。
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
用户画像 – 投放
分析历史某个时间窗口内的用户，哪些方面是有特征的，比如年龄段，性别，地域，收入，偏好等，有了这样的分析，可以选择相应的人群投放。
输出到媒体广告，做预算看效果，然后将效果数据回流，再去迭代，以提高进一步的准确率。
通过某个特征找人，再去分析这些潜在用户，找到可以触达他们的渠道。
广告投放建议
xx广告投放建议
强相关人群特征：
性别：男性
年龄：中年、壮年（25-40岁）
地域：重点投放广东、江苏、上海、浙江、北京等地
商品偏好：母婴用户、本地生活
媒体偏好：母婴育儿、影视、新闻
此类用户最有可能转化成xx核心人群，建议加大营销力度。
xx广告投放建议
潜在兴趣人群特征：
年龄：xx在青壮年用户覆盖度不够，明显低于小米和苹果，建议重点对青壮年人群进行营销，同事可以考虑与耐克、阿迪达斯一起合作吸引青年用户群
地域：重点浙江、山东、四川、福建等地，同时扩展到全国地区
商品偏好：数码、运动户外、家用电器
媒体偏好：时尚、历史、医疗健康
扩大目标用户范围，通过营销数据沉淀出xx核心用户群和强相关用户群。
用户画像应用
精准营销：
从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推动、邮件、活动等手段，驱以关怀、挽回、激励等策略
数据应用：
推荐/搜索/广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放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。
用户画像应用
休眠客户激活
高价值客户寻找
自定义客户放大
流失客户挽留
客户分群营销
优惠券活动
客户消费激活
CRM常见问题
现状1：CRM库里有千万的会员资料，但不知道怎么用 – 会员行为标签少
-没有统一的标签采集维度
-缺少分析模型
-数据杂乱，未作画像匹配现状
现状2：花了很多钱做推广营销，流量抓到了，用户留存始终很低
-缺少用户生命周期的系统规划
-用户培育运营成本较高，企业没有动力投入
-缺少用户画像，难以系统地进行用户培育现状
现状3：花了很多钱做粉丝福利，可是粉丝转化为忠诚会员的比例还是很低
-缺少用户生命周期的系统规划
-抓不到用户痛点，促销机制不能满足核心用户需求
-缺少用户画像，难以系统化地进行会员忠诚度管理
注意点
现有用户是不是等于目标用户？
猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱是否带来新的营销长金，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。
实操-回顾
实践出真知
Part 5 总结
用户画像 – 总结
结合业务场景去分析维度
不要简单看画像，一定要做对比。单纯看分布式没有太多信息含量的，不对比看不出差异
环比的对比，那些人触达了，那些人到app落地了，那些人注册了，那些人真正浏览了，那些事留存，那些是付费，漏斗的每个环节都需要分析
直觉未必靠谱，一定要通过反馈来检测，要有数据闭环
活动和用户场景可以做专属的标签
要有目标
要有数据
不要拘泥于技术细节
261 thoughts on “用户画像”