点击上方蓝色【数据攻略】关注+星标~
第一时间获取最新内容
大家好，我是六哥~
本篇我们唠唠 ——『用户画像』
提到用户画像，很多人脑海里浮现出一些列特征的罗列，比如这样：
性别占比：男、女占比分别为32%、68% 代际占比：90后占比最高，为35%...
城市占比：北京、上海...城市用户占比15%、14%
....
...要么！分析师没有理解透业务现状和当下目标~
因此，本文以 轻实例、重讲解 的方式
来说一说 用户画像方法 的正确使用姿势
（内含使用方法、注意事项等）
二、有什么作用
【1】为啥需要
【2】应用场景
三、有哪些内容
【1】用户画像分类
【2】常见标签
四、如何使用
五、注意事项
(ps.文章较长，可收藏慢享
)
一
什么是用户画像
引自百度百科：
用户画像，即为勾画目标用户、联系用户诉求与设计方向的有效工具。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，抽象出一个标签化的用户模型，用于赋能业务。
以上定义有 2 个核心要素：
是一个工具，即是一个分析方法；
本质是对用户进行贴标签，标签即为用户某维度高度精炼的特征标识。
因此，基于以上核心要素，用大白话解读一下啥是用户画像：
是一种业务有所需要，分析师运用一技之长，围绕用户对相关信息处理加工后，根据具体目标再进一步分门别类打标签、进行解读的一种分析手段。
二
有什么作用
① 价值
互联网时代最不缺的就是数据。
面对海量数据，如何揭开数据表象的面纱，加工成有价值的信息（标签），
让业务侧了解背后真相，指导业务定方向、做优化、下决策，才是关键所在。
具体来说，用户画像对业务有以下几个作用：
有概念：具象化了解产品的用户是啥样，避免盲人摸象；
定方向：基于平台目标，根据画像，进一步了解用户的痛点在哪里？有哪些诉求没满足？应该朝哪些方向集中资源做努力？
做优化：基于业务现状，具体判断什么业务在哪方面需要改善迭代？
下决策：根据对目标用户的研究，可以高效保证各项目合作方是否奔着一个目标，准确地做相关决策？
不同的应用方，有着不一样的目标，举例：
比如，滴滴打车的长辈版本，就是通过调研中老年群体画像后所做的差异化产品。
相比普通版本，长辈版打车流程更简单、超大字体等界面元素更贴合此类群体的使用习惯。
▼ 对于运营：
eg.对哪一类用户 在什么节点 发多少面额 优惠券更好达到刺激消费的目标；
▼ 对于技术：
比如个性化推荐的抖音视频卡片、淘宝商品卡片等等。
▼ 对于商业化：
比如，拼多多为吸引一二线城市的中高端年轻用户群体，会对B战、小红书不同圈子的博主投放不同品类的广告。
三
有哪些内容
① 用户画像分类
从业务应用角度来看，用户画像的高频目标分为两类：
描述型现状概览：
应用方：通常是一些刚接手的业务方
目标：了解对应业务基础样貌，主要是对相关基础信息进行结构化整合->可视化呈现->现状描述
分析型研究探索：
应用方：亟待探究/解决某些问题的业务方
目标：针对业务现状/目标给到指导，以便辅助业务做相关策略、决策
② 常见标签
按照大分类，常见类型主要分为4大方面：
包括性别、年龄等相关人口统计学基本信息
包括注册渠道、时间、设备等相关注册信息
包括公司、职业、家庭、社交等相关社会属性信息
▼ 行为类：包括访问时间、浏览、点击等用户在平台的行为日志数据
拿电商举例：
四
如何使用
可以分为四步骤：
每一步具体含义为：
① 了解业务诉求
为了防止堆砌“无用”冗长数据的现象发生。
在做分析前 首要第一步 是：
确立业务的背景是啥、目标有啥、是否有必要用到用户画像的方法。
由于业务目标不同，所关注的标签特征也有所差异。
了解清楚业务的目标后，才能对症下药，高效率探究根源。
所以，务必牢记：
带着关键问题，借助有效方法，才能寻找到对业务有帮助的合理答案。
② 梳理分析逻辑
假设想要通过用户画像的分析方法来探究，
则需要围绕业务的实际诉求来捋清楚：
为解决这些问题有哪些初步假设？
映射到数据层面需要哪些数据？
需要构建什么样的特征标签才能有效满足诉求？
以此将相关信息和分析逻辑梳理清楚后再下手去做
才能有效避免陷入无限罗列特征的 “怪圈” 。
③ 收集加工数据
这一步的主要目标是根据第二步的分析思路
对相关数据进行采集、清洗、加工（建模）、抽象。
保证以此 提炼出与问题紧密相关的特征标签。
这里采集和清洗不做赘述
对数据的加工、建模形成便签的方式，一般分为以下几种：
统计型：通常针对原始数据利用一些统计方法处理，例如用户的年龄通过区间、代际方式划分不同层次。 规则型：即依据业务经验判断并结合统计方法，制定相应规则，为数据赋予直观形象的标签定义，例如RFM模型就可以依据业务理解确定判断标准。
算法型：通常利用一些聚类、预测等算法，对相关数据进行挖掘处理，形成相应的总结概括性标签、预测类指数，例如用户的流失指数、忠诚度等。
④ 构建用户画像&应用
构建完所需特征标签后，就是围绕业务具体实际问题，庖丁解牛啦，比如：
如果业务问题是洞察预研型，则对相关人群可视化分析呈现，从数据角度帮助业务 “看得清”；
如果业务问题是异常归因型，则针对初期猜想进行验证，并根据问题提供对应建议，帮助业务“把准脉”、“开好药”；
如果业务问题是策略制定型，则围绕业务目标提供关键特征的挖掘标签，帮助业务 “打辅助”、“做支撑”，这里记得做验证做评估，以便后续优化迭代。
等等...
五
注意事项
▼ 使用前
在使用此方法前，分为客观和主观来做判断：
主观：
对业务的现状、目标是否有充分了解并理解到位？
使用用户画像的方法是否是解决业务问题的首选高效方法？
业务侧是否有资源一起梳理讨论方案？
数据侧是否可以采集到可能用到的高质量、较充足的数据资源？
▼ 使用中
构建标签有很多角度和方式，是否紧贴业务场景&目标找到核心特征？ 要避免陷入开头事无巨细的罗列、下钻各种特征的怪圈中。
是否有考虑业务的实际todo构建易于理解、易于给予落地指导的标签？ 一些标签的命名看似“高大上”，但站在业务角度，应用层面如同鸡肋 
。
用户画像其实作为一个基础数据体系，本质是一个用以描述用户需求的工具。
没有目标没有具体业务场景、没有业务指导含义
单纯罗列用户标签或下钻拆解用户指标，起不到任何分析作用。
▼ 使用后
对于构造的部分复杂标签（例如一些预测类标签）
是否有做评估，以便验证标签的有效性，方便后续迭代；
大多数用户画像的标签是基于过去信息加工而成，对于随时间发展可能产生动态变化的标签（例如用户的购物偏好品牌） 是否有做及时更新和维护，以防错误性指导。
以上，就是本篇关于用户画像定义、价值、内容、使用方法和注意事项的介绍。
Ps. 微信推文改了规则
看完记得点个 “赞” 和 “在看” ~
不然我会消失的
如若盼 追更 【日常学习】干货系列 
往期好文推荐 