如何做用户画像？

1. 如何做用户画像？

2. 用户画像是什么？

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。
目前市场是分为 To C 和 To B 两类用户画像需求，网上传播的用户画像一般以 C 端为主，它们模版多，方法全，RFM 模型成熟，并逐渐衍生出一些用户洞察公司，帮助企业完善用户画像。但这些 C 端模版对于 To B 端的企业来说无法直接套用，并且两者用户画像研究群体不同，导致在洞察方法上也略有差异。
此处我以制作 To B 用户画像为例进行阐述，希望可以解决你的疑问，它的的主要内容包括：

1、用户基本信息
用户基本信息很好理解，B 端客户一般为企业，它的基本信息就包括企业信息，组织架构，公司特征等，这些信息对我们建构用户基本框架提供了很大的帮助。根据用户基本信息，可以将用户团队规模大致分为 10 人以下、20 人～50 人、50 人以上等类型。或者可以根据所在行业的核心关注指标来进行不同团队的划分。
此处，我们以 20 人～50 人的公司为例，模版中可以依次填入公司名称、公司特征、组织架构的信息。

完成基本信息的输入，20～50 人创业公司的基本面貌就可以清晰地展现在我们面前，这种信息类似于 C 端用户画像的信息，很好地解决了“用户是谁”这个问题，将一行行数据和文字具象化，让产研人员可以感受到活生生的用户，而不是陷入自我想象的循环圈。
2、购买决策链。
建立用户基本轮廓后，我们可以继续从用户决策链下手。如果我们能充分了解决策链上各个角色的影响力，以及他们对产品的需求，那么才能提高获得订单的成功率，进而完成我们对用户核心诉求的探索。
以蓝湖一个 PM 画像为例，Kevin 是产品负责人，在社区领域经验非常丰富。他们的产品节奏从来不以快为标准，而是以好为标准。目前，很注重流程的管理以及文档沉淀，深知这些是保证高品质输出产品的关键。希望能有一个 All-in-one 工具能更便捷的使用。
人数不同的公司，决策链的长短也有区别，小公司 PM 的影响力可以占到 70%，而中大型团队 PM 还有总监、VP、CEO 等关键角色。所以你可以根据不同的公司情况，有针对性地进行补充其他关键用户画像，完善决策链。

3、用户核心诉求。
在了解各个关键角色的用户画像之后，我们可以对决策者的核心诉求进行归纳总结；一方面，从使用者、决策者的双维度出发，帮助产品不断优化和迭代；另一方面，为客户精细化运营提供抓手和依据，实现产品增长目标，从而提高企业的市场占有率。
如果调研足够深入，甚至还可以得到一些用户的关键数据，例如 DAU、WAU 等，这部分数据对于你填充用户画像的最后一块空白非常有帮助。
在搜集以上信息结束之后，你可以根据在调研中发现的差异点进行个性化补充，比如重新进行用户分类，更改用户的公司规模，增加关键人物画像等。

洞察用户进而输出完整的用户画像报告这是我们每个人都必须了解的事情，无论你是产品、设计还是运营、销售，了解用户可以让我们更有针对性地帮助他们达成目标。
这个模版我已经上传至蓝湖的「超级文档」，大家可以在创建文档时直接选择，希望你能喜欢！

3. 如何构建用户画像

我们用教育行业来说一下这个问题，
2017年4月初，62个在教育行业产品获投资，这一消息，使得教育行业产品再次被热议。事实上，教育行业早已是一片红海，有调查显示，近6成的互联网学习者位于三四线城市，而一款好的教育产品，会让用户对学习这件事情上瘾，不断对后续的课程进行消费。总的来说教育行业仍旧有突出重围的希望。

在教育产品竞争如此激烈的今天，如何争夺到更多的用户，似乎是困扰着众多教育产品的问题。本文以在线教育产品为例，说说如何构建用户画像，并为下一步获客制定运营计划。

什么是用户画像

用户画像是指，建立在一系列真实数据之上的目标用户模型。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，然后每种类型中抽取出典型特征，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。

为什么要构建用户画像

构建用户画像，就是帮产品找到用户真实的述求点，能够帮产品的功能设计提供依据。对运营人员来说，最基本的一点就是了解用户。通过对用户信息的采集，分析，抽离，生成最终的用户画像。构建用户画像后，就可以制订更精准的运营方案了。

在线教育产品，如何构建用户画像

1.用户画像分析逻辑

在构建用户画像之前，先来看看用户画像构建、分析的一个逻辑。



2.信息采集与分析

在线教育产品构建用户画像的第一步 ，收集用户的基本信息。此处重点收集三个维度的用户信息，个人信息，社会关系，消费水平。




个人信息：在这一维度，可以采集包括年龄，性别，教育程度，职业等基本属性。在线教育产品可以重点采集教育程度，职业等信息。

个人信息是一个人的基本属性，一般不会轻易改变。个人信息这一维度的数据，有很大的参考意义。

社会关系：是否已婚，是否有小孩，有其他兄弟姐妹吗，父母亲分别是谁呢。用户的社会关系以及社会关系的个人信息，可以推断出这个人的性格。

用户的社会关系关乎一个人的隐私，一般比较难获取。

消费水平：月收入是多少，月消费能力怎样，是否需要还房贷，是否有信用卡。

消费水平可以直观的看出用户的生活状况，但是难以区分真假，因为用户有可能在说谎。




采集完用户的基本信息之后，下一步应当采集用户的行为特征。

行为特征可以理解为用户无意识的惯性行为。根据用户的行为特征，可以推断出其心理特征。

比如，用户会使用高端团购APP，可以推断出改用户对生活品质的要求较高。

3.为用户打上标签，细分人群

不同的用户群有不同的目标、行为和观点，细分用户群可将问题变的清晰，同时也作为用户画像优先级划分的依据。

根据采集的用户信息，将用户打上专属标签，后续可根据标签，对用户进行细分。

4.丰富用户信息

丰富用户画像是构建用户画像过程中最需要打磨的一个部分，将采集到的大量枯燥且凌乱的数据，分析且赋予更多的元素，让它们成为鲜活的个体，非常考验团队的敏锐度和细腻度。


根据用户画像，如何在精细化运营上发力

对运营来说，构建完用户画像，但是没有将用户画像应用到运营推广中，就等于做了个无用功。在线教育产品在构建完用户画像之后，应该重点考虑如何利用用户画像，辅助课程开发和产品运营，做到精细化运营。

做精细化运营的一个基本思路就是理清楚一个逻辑：在什么时间把什么内容发给什么类型的用户。

1.根据搜索数据的个性化运营

用户浏览了某一个课程，可以根据用户标签，推荐相同类型的课程。
更多内容，可百度一下“在线教育app：构建用户画像并制定运营计划怎么做”。

4. 如何构建用户画像

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。
3.1 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。
3.2 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 0.8、李宁 0.6。
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。
3.3 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），1395121950.083612（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、评论、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=0.95
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 0.9（相比京东红酒单品页的0.7）
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0.95*0.7 * 1=0.665，即，用户A：红酒 0.665、长城 0.665。
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。

5. 如何构建用户画像

二、为什么需要用户画像
用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？
也可以做数据挖掘工作：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？
大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。
三、如何构建用户画像
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。
3.1 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。
3.2 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 0.8、李宁 0.6。
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。
3.3 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。

6. 如何构建用户画像

　　一 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？
　　二 也可以做数据挖掘工作：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？
　　三大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。

7. 用户画像

什么是用户画像?用户画像-百度百科用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

用户画像的起源用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
用户画像的优点用户画像可以使产品的服务对象更加聚焦，更加的专注。在行业里，我们经常看到这样一种现象：做一个产品，期望目标用户能涵盖所有人，男人女人、老人小孩、专家小白、文青屌丝...... 通常这样的产品会走向消亡，因为每一个产品都是为特定目标群的共同标准而服务的，当目标群的基数越大，这个标准就越低。换言之， 如果这个产品是适合每一个人的，那么其实它是为最低的标准服务的，这样的产品要么毫无特色，要么过于简陋。
用户画像还可以提高决策效率。在产品设计流程中，各个环节的参与者非常多，分歧总是不可避免，决策效率无疑影响着项目的进度。而用户画像是来自于对目标用户的研究，当所有参与产品的人都基于一致的用户进行讨论和决策，就很容易约束各方能保持在同一个大方向上，提高决策的效率。

8. 一文教你看懂什么是“用户画像”？

上回说到，我们既要吸引用户，也要精准防止用户的流失，并且介绍了在第一个漏斗环节中如何对用户进行流失的防范，我们这次就来说说，在这部分留存的基础上再一次的漏斗分层中如何留住用户，也就是如何通过“用户画像”留住用户。
  
 什么是用户画像呢？
  
 用户画像是建立在一系列真实数据之上的目标用户模型，即根据用户的属性及行为特征，抽象出相应的标签，拟合而成的虚拟的形象。从本质上来说，用户画像是数据的标签化。在大数据时代，企业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就是用户画像的建立过程。
  
 举个例子，如果现在你知道使用产品的是女性，30-35岁之间，喜欢宠物、追剧，住在江浙一带......那么你在做营销的时候是不是要考虑这些属性？
  
 用户画像在精细化运营体系中发挥了不可或缺的核心功能。
  
 随着产品功能不断丰富优化，用户数量大幅增加，用户需求的多样化和产品服务的多样化之间就存在了匹配和不匹配、选择与不选择、喜欢与不喜欢之间的矛盾。
  
 什么时候能用得到用户画像？
  
 短信营销作为用户低成本促活的有效利器，现已经成为运营过程中最重要的方式之一。传统的仅用“发送率”来衡量推送效果的方式不够全面，缺乏对营销各个环节链路的数据展示，无法准确判别真正影响营销实效的根本原因，通常一次正确有效的短信营销都需要根据用户画像来写短信文案，以此达到质量最大化。
  
 用户画像在哪里能看到？
  
 以访问分布为例，通过访问地区、访问分布、浏览器分布及操作系统分布数据来看，我们可以清楚地知道用户基本画像，哪些省份的用户活跃度最高，用户更倾向在什么时候打开APP，是安卓端用户占比高还是iOS端用户占比高，通过手机品牌配合近几年各大手机厂商发布的用户报告，可以进一步细化用户画像。了解了这部分数据后，运营同学可以有针对性地做出一些优化方案，比如应该给哪些用户推送什么信息，根据用户画像的差异进行用户分层。
    
 移动互联网的发展也极大冲击了广告营销的方式，人们对互联网广撒网的投放方式感到疲惫甚至厌倦，大数据时代来临，基于用户的喜好与特性投放营销成为了主流。合理利用用户画像，不仅能够降低成本，还可以大大促进点击率及转化率，提升整体营销效果。