伤不起的用户画像

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、精细化运营直接钩挂的。

用户画像介绍

什么是用户画像？从中文概念来讲，用户画像与用户角色非常相近，是用来勾画用户(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。

简单来将，就是想要在通过从海量用户行为数据中炼银挖金。它根据用户在互联网留下的种种数据，主动或被动地收集，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？

而从英文概念角度，用户画像(User Portrait)、用户角色(User Persona)、用户属性(User Profile) 这三个概念其实都是各有侧重和容易混淆的。

用户角色更倾向于业务系统中不同用户的角色区分。例如，学校教务管理系统，老师审核、设置选课，学生查看选课和成绩。那么老师、学生就是不同的用户角色。

用户画像更倾向于对同一类用户进行不同维度的刻画。例如，对同一个电商的买家进行用户画像设计，就是将买家进一步细分和具象，如闲逛型用户、收藏型用户、比价型用户、购买型用户等。

用户属性则更倾向于对属性层面的刻画和描述，特别是基本属性的内涵居多，包括性别、年龄、地域等。

根据以上的讲解，我们就知道，用户画像近似等同于用户角色，统一称为中文概念的用户画像，而用户属性则是用户画像的子集。

用户画像分类

（1）虚拟用户画像

可能你不知道的是，用户画像其实是分为两种的。早期的用户画像和上面的描述有所不同，它是通过对用户多方面信息的调研和了解，将多种信息分类聚合，产出几个有典型特征和气质的虚拟用户。

此种的用户画像没有数据的参与构建，自然粒度也就比较粗，只是用虚拟的用户画像代表真实的用户。

比如，用户画像会用如下的文档描述：

（2）数据用户画像

画虎画皮难画骨，知人知面不知心。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，如若想要深入了解核心层面的东西，非数据用户画像不可。

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，同时大数据处理和分析技术也已成熟，可以计算出每一个用户的特征。

特征是从人口基本属性、社会属性、生活习惯、消费行为等信息抽象出来的一个个具体的标签表示，标签是某一用户特征的符号化表示。

为每个用户计算用户画像，这样更加贴近真实的世界，每个人都是独一无二，不能随随便便被其他人代表，用户画像精准到人。

用户画像用标签集合来表示，例如：

王某，男，33岁，河南人，北京工作，银行业，投资顾问，年收入50万，已婚，两套房，有孩子，喜欢社交，不爱运动，喝白酒，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、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，用户标签的体系是需要根据业务领域去设计的，比如银行和电商用户标签体系就会不同。

数据用户画像的用途

- 精准营销
  这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。这样就避免了全量投放造成的浪费，而且可以针对某次活动的拉新用户进行分析，评估活动效果，看是否和预期相符。
- 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。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。
  比如，电商网站为准妈妈推荐婴儿用品，为摄影爱好者推荐镜头。在个性化推荐中，计算出用户标签是其中一环，还需要有协同过滤等推荐算法实现物品的推荐。
  精准广告可以根据年龄、区域、人群、天气、游戏爱好、内容偏好、购物行为、搜索行为等定向选择进行投放。例如腾讯的广点通，支持用户在微信、QQ精准投放。
- 数据分析
  这个就不用多提了，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。
- 产品设计
  产品方面，它用于辅助产品设计，评价需求是否有价值。把用户进行分群，依据不同用户群特性就行产品设计和测试验证，别让产品偏离核心用户的需求。
- 匹配度判断
  查看某次市场推广的用户画像，事后分析是否和预期一致，判断推广渠道和产品目标用户群的匹配度。
- 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。