用户画像浅析

这篇文章主要和大家分享对于用户画像的认识，包括如何理解用户画像，为什么需要用户用画像，以及在建设和应用用户画像过程中总结的方法论，让大家了解如何构建好的用户画像。

1、用户画像定义

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而抽象出的一个标签化的用户模型。

通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理。

不同的企业做用户画像有不同的战略目的，广告公司做用户画像是为精准广告服务，电商做用户画像是为用户购买更多商品，内容平台做用户画像是推荐用户更感兴趣的内容提升流量再变现。

2、常见用户画像维度

到现在为止对用户画像进行了多种角度的定义，但还是停留在概念层面，不够直观。下面举几个例子加深理解。

2.1 常见的用户画像维度：

在这张图上也可以发现，标签被分成了几个类型，有基本属性类的，有消费购物类的，还有网络社交类，其实还会有更多的分类，在这里没有一一列举。之所以会形成对标签的分类，一是便于对标签的管理，另一个重要的原因是在不同的场景中，这些标签可以帮助我们实现不同的目标。场景和目标是非常重要的。

2.2 金融产品常见用户画像

在这个场景中，用户的标签都是和个人信用相关的，和前一个例子的标签集合差异比较大。跟个人信用相关的标签包括，如用户在平台的注册年限，是不是修改过注册信息，是不是在其他平台有过逾期行为，还是一向都表现良好，也包括用户的个人信息，比如婚姻状况，有没有小孩儿，以及在社交媒体上的表现，比如粉丝数，活跃度等等。这一系列的信息都可以综合起来，帮助我们判定用户的信用评分及信用等级，辅助业务部门去做出决策。这又提出了一个非常重要的概念，就是辅助决策，后面我们也会提到这一点。

2.3 群体维度常见的画像

对微博上某个大V的粉丝情况的分析，和刚刚单一用户的画像就很不一样。

单一用户画像，更多的是把每一个属性进行分类和排列，帮助我们了解某一个单独对象的信息。而针对群体的画像，更多的是将单一标签类型汇聚在一起，去展示统计信息（也就是标签、标签值的分布），比如说性别里面男女各占多少比例，地区里每个省份所占的比例，或者是每个省份的热度是多少等等。而在处理连续的值，或者说比较多的离散值的时候，我们也可以去进行分段，比如说右上角年龄，可以针对典型的年龄段进行划分，至于具体怎么去划分，则是业务强相关了。

3、如何构建用户画像

用户画像的构建一般包括以下几步：

3.1 明确画像目的

确认画像目的是非常基础也是关键的一步。要了解构建用户画像期望达到什么样的运营或营销效果，从而在标签体系构建时对数据深度、广度及时效性等方面作出规划，确保底层设计科学合理。

3.2 数据收集

首先要确定提取的用户特征维度，和需要使用到的数据源。再通过数据收集工具，把需要使用的数据统一存放。

3.3 数据预处理

对上阶段收集到的数据进行预处理，抽象出用户的标签，剔除数据中的异常值并将数据和判断的标签标准化。

3.4 数据标签化

将得到的数据映射到构建的标签中，并将用户的多种特征组合到一起。标签的选择直接影响最终画像的丰富度与准确度，因而数据标签化时需要与APP自身的功能与特点相结合。

3.5 生成画像

生成画像也是数据可视化的过程，用户画像是建立在真实的数据之上，而数据是动态的，因此用户画像并非一成不变的，要根据用户的动态行为不断修正。也因为无法100%的描述一个用户，只能不断的逼近一个用户，因此后续还要根据原始数据进行更新，使画像更立体。

3.6 画像波动监控

在实际的应用中，用户画像会产生一定的波动，为了解决这个问题，需要建设相应的监控系统，对画像的质量进行监控。

4、用户画像的应用

通过不同场景下的数据构建用户画像，再应用到产品的众多业务场景，进行商业化运营和管理，产生更高的价值。用户画像的应用场景主要有以下几种：

4.1 商圈分析

首先基于商圈区域圈用户群，这里很好理解用户在某个商圈内产生数据，依次获取用户相关标签做该商圈内用户画像分析。

其次分析商圈本身服务，例如美食领域人流、娱乐领域人流、购物领域人流等，对比不同商圈为商业圈的运营提供策略。

通过综合商圈分析获取的画像，对商圈的构成、特点和影响商圈规模变化的各种因素进行综合性的研究，即服务于企业合理选择店址，也服务商圈精准引入丰富的品牌店铺。

4.2 精准营销

精准营销是运营最熟悉的玩法，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、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。

4.3 用户研究

用户画像是了解用户的必要补充。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。

4.4 风险控制

根据用户的属性、行为特征（包括征信、违约、洗钱、还款能力、购买能力、购买频率、购买数量等）对用户进行分类后，金融、银行等行业可用于信贷风控，电商行业可用于黄牛、羊毛党的识别。

4.5个性服务

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、广告系统等就会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）进行个性化投放。

4.6  业务决策

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。排名统计、地域分析、行业趋势、竞品分析等都需要用户画像提供数据支持。

4.7 服务产品，完善产品运营

对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量，使产品更符合核心用户群体的需求。