編輯導語：如今在這個大數(shù)據(jù)時代，每個用戶都被標簽化，運用用戶畫像的方式了解用戶，從而推送相關消息；最常見的情況就是你買了商品后，推薦會自動推送與此商品相關的商品，促進消費；本文作者分享了關于什么是真正的用戶畫像，我們一起來看一下。

用戶畫像又稱用戶角色，作為一種勾畫目標用戶、聯(lián)系用戶訴求與設計方向的有效工具，用戶畫像在各領域得到了廣泛的應用。

我們在實際操作的過程中往往會以最為淺顯和貼近生活的話語將用戶的屬性、行為與期待的數(shù)據(jù)轉化聯(lián)結起來；作為實際用戶的虛擬代表，用戶畫像所形成的用戶角色并不是脫離產(chǎn)品和市場之外所構建出來的，形成的用戶角色需要有代表性能代表產(chǎn)品的主要受眾和目標群體。（來源百度）

一、用戶畫像是什么？

用戶畫像的核心是為用戶打標簽，即——將用戶的每個具體信息抽象成標簽，利用這些標簽將用戶形象具體化，從而為用戶提供有針對性的服務。

我理解的用戶畫像是一種標簽（淺層次）、數(shù)據(jù)的集合體（深層次），最終的導向還是獲取用戶的信息，并提供戰(zhàn)略決策。

1. 什么是標簽

舉個例子：男，28歲，未婚，收入2萬，愛美食，科技控，喜歡美女、喜歡旅游、有車。

這樣的描述，就是一個初步的用戶畫像，就是一組標簽信息（即用戶信息標簽化）。

那么我們再看一下這一張截圖：

（來源站酷，某作品集中的一頁）

這很明顯是一個反面教材了，大家能在這張截圖中，看出什么標簽嗎？

從，姓名、學生、年齡、快畢業(yè)、藝校生、探索未知等標簽就可以了解到專業(yè)水平、學習興趣？這是怎么挖掘出來的？

標簽又可以分為三大類（寬泛）：

• 統(tǒng)計類標簽：這類標簽是最為基礎也最為常見的標簽類型，例如：對于某個用戶來說，其姓名、性別、年齡、地市、活躍時長等，這類數(shù)據(jù)可以從用戶注冊數(shù)據(jù)、用戶消費數(shù)據(jù)中得出，該類數(shù)據(jù)構成了用戶畫像的基礎。
• 規(guī)則類標簽：該類標簽基于用戶行為確定的規(guī)則產(chǎn)生。例如：定義該用戶為高頻投訴用戶，規(guī)則為“近30天投訴次數(shù)＞10”；在實際開發(fā)畫像的過程中，由于運營人員對業(yè)務更為熟悉，而數(shù)據(jù)人員對數(shù)據(jù)的結構、分布、特征更為熟悉，因此規(guī)則類標簽的規(guī)則由運營人員和數(shù)據(jù)人員共同協(xié)商確定。
• 學習挖掘類標簽：該類標簽通過系統(tǒng)智能化學習挖掘產(chǎn)生，用于對用戶的某些屬性或某些行為進行預測判斷；例如：根據(jù)用戶的消費行為習慣判斷該用戶的消費能力、對某類商品的偏好程度，該類標簽需要通過算法挖掘產(chǎn)生。

標簽規(guī)則（舉例：這個規(guī)則是在給用戶定上具有消費力等等標簽）。

相同的商品：我妹妹打開某寶，東西都賊便宜，而我賊貴，你們懂了吧。

2. 為什么需要標簽？

用戶畫像的核心工作是為用戶打標簽。打標簽的重要目的之一就是為了讓用研或者產(chǎn)品能夠理解并且方便數(shù)據(jù)統(tǒng)計。

以電商舉例：

如，標簽可以做分類統(tǒng)計：喜歡美食的用戶有多少？喜歡美食中的男女比例又是多少？

在做精細分類：喜歡甜食的有多少？喜歡辣條的有多少？那么他們的地域分布比例又是多少？那么針對涼茶的男女喜好比例又有多少？

如：標簽可以做數(shù)據(jù)挖掘/清洗：利用關聯(lián)規(guī)則計算，喜歡美食的人，通常會喜歡什么什么臥室環(huán)境。那么同樣也可以分析出什么地域的人偏好什么樣的美食，什么樣的環(huán)境。

根據(jù)初步數(shù)據(jù)分析結果，我們可以得出，一旦這個上海地域的人登錄了某電商APP，可以快速根據(jù)該地域喜歡的，推就完事了（如：上海人大多數(shù)都喜歡偏甜的零食，或者小資生活的周邊、布置等等）。

那么這里會牽扯到「模型」，通過算法和培養(yǎng)，能讓一個APP更加懂你。

比如：我在某寶上，買了一個汽車改裝用品，就瘋狂給你推薦汽車相關；因為我購買（達成）、瀏覽相關（計算）和瀏覽時間（培養(yǎng)），讓他更加確定了，我對這方面的需求很大。

二、數(shù)據(jù)分析本質是什么？

由于本文重點傾向交互側，數(shù)據(jù)分析這一塊留著下次說。

數(shù)據(jù)分析的本質是獲得信息和知識，從而在判斷和決策中使用。

根據(jù)分析的方法和目的，數(shù)據(jù)分析可以被劃分為：

描述性分析（Descriptive Analysis）：將數(shù)據(jù)整合為一份可視化的報告，進行演講或陳述，但它不能解釋某種出現(xiàn)的結果及未來發(fā)生的事情。

1. 信息可視化

預測性分析（Predictive Analysis）：預測性分析不僅可以對數(shù)據(jù)特征和變量（可以假定取消范圍的因素）之間的關系進行描述，還可以基于過去的數(shù)據(jù)預測未來。

預測性分析首先會確定變量值之間的關聯(lián)，然后基于這種已知的關聯(lián)預測另一種現(xiàn)象出現(xiàn)的可能性（如：某短視頻中會產(chǎn)生廣告，通過行為事件進行預測你購買/下載產(chǎn)品的可能性）。

2. 預測分析

決策性分析（Decision Analysis）：通過對比、驗證等手段，直接反應情況，給出明確的好壞。

所以要分析數(shù)據(jù)，至少要包含描述性分析的能力，這樣獲取的信息才有價值。（回顧上文，可以關聯(lián)標簽的含義）剩下的就是進階能力，預測和決策了；讓用研和產(chǎn)品同學更高效的、更準確的解決問題，而不是紙上談兵“我認為”、“我感覺”。

數(shù)據(jù)又分為靜態(tài)和動態(tài)數(shù)據(jù)：

靜態(tài)信息數(shù)據(jù)：靜態(tài)數(shù)據(jù)在很長的一段時間內(nèi)不會變化，一般不隨運行而變。包含有：人的基本屬性，公司基本屬性、商業(yè)屬性等等；一般來說，做調研獲得的靜態(tài)數(shù)據(jù)都是真實的信息，無需進行分析和清晰。

動態(tài)信息數(shù)據(jù)：動態(tài)數(shù)據(jù)是常常變化，直接反映事務過程的數(shù)據(jù)，比如，網(wǎng)站訪問量、在線人數(shù)、日銷售額等等，也就是用戶不斷變化的行為。

得出的數(shù)據(jù)是為了完成用戶畫像的架構圖：

三、定量驗證

如果算法或者模型沒跑起來的話，我們需要帶著描述性分析+定量驗證，去構建初步的用戶畫像（如果是算法和模型搭建起來的用戶畫像則不要驗證）。

這篇不重點講定量了，如果還有小伙伴不知道的，可以去看前面的文章《定量與定性》。

四、構建用戶畫像

以韓梅梅的戶畫像為例，我們將其年齡、性別、職位、等等，通過場景描述，挖掘用戶痛點，從而了解用戶動機；其中將21~30歲最為一個年齡段，以職業(yè)作為一個范圍，利用數(shù)據(jù)分析（定性）得到數(shù)據(jù)標簽結果，最終滿足業(yè)務需求，從而讓構建用戶畫像形成一個閉環(huán)。

以一個健身APP為例：

畫像重要組成部分：

揭示關鍵差異（目標行為和觀點）：給用戶一個定義名稱，這個名稱要圍繞產(chǎn)品最關鍵的特點凸顯出來，也可以從目標行為和觀點上去定義。

基礎信息：一個虛構的典型用戶，可能跟某類用戶的大部分人比較相似，但不會是某一個具體的人；有了這些個人信息，能夠讓用戶畫像看起來更像一個真實的人，更容易引起用戶的同理心（根據(jù)調研信息抹去真實的信息，如：名字、職業(yè)等等）。

相關設備產(chǎn)品使用情況：標識出相關特點，比如產(chǎn)品的使用情況，一天的生活軌跡等等，這部分內(nèi)容主要跟產(chǎn)品、研究對象、研究目標相關。

競品使用情況：可以圍繞差異點來提供思路。

簡介場景：比如健身類的產(chǎn)品，那么整個故事背景要圍繞這個健身去展開。

其他重要屬性：其他的重要屬性可以幫助我們?nèi)ダ斫庥脩?，為了讓用戶形象更生動；個人語錄：如：我立了一個flag，降低體脂，我會圍繞這個目標堅持下去的。

最后得出的畫像還需要計算TGI。

TGI：Target Group Index（目標群體指數(shù)） TGI=[「目標用戶群」中某一特征的總用戶數(shù)在「目標用戶群」總用戶數(shù)的占比/「全量用戶」中具有該特征的總用戶數(shù)在「全量用戶」總用戶數(shù)的占比]*標準數(shù)100 TGI指數(shù)大于100，則說明該特征用戶傾向較強（和平均相比） 小于100，則說明該類用戶相關傾向較弱（和平均相比） 而等于100則表示在平均水平。

最后將畫像信息標簽化-建立數(shù)據(jù)分析-驗證（如：ABtest）——轉化為實際場景的用戶畫像——最終決策（如果是算法和模型搭建起來的用戶畫像則不要驗證）。

作者：交互思維鋪子；公眾號：交互思維鋪子

本文由 @交互思維鋪子 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協(xié)議。