无论你是营销人、运营人，还是市场人、产品经理，对于“用户画像”，你一定不陌生。

 

但很多人对用户画像的了解往往是片面的，今天就为大家详细地科普一下。

 

这篇文章很长，但内容足够干货，值得收藏起来慢慢看~

 

一、什么是用户画像？二、用户画像有多重要？三、用户画像的价值具体体现在哪？四、用户画像如何建立？五、用户画像构建的基础流程是什么？

 

一、什么是用户画像？

用户画像的概念最早由交互设计之父Alan Cooper提出:“Personas are a concrete representation of target users.” 是指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。

随着互联网的发展，现在我们说的用户画像又包含了新的内涵——通常用户画像是根据用户人口学特征、网络浏览内容、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型。

构建用户画像的核心工作，主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘，给用户贴“标签”，而“标签”是能表示用户某一维度特征的标识。

用户画像包含的内容并不完全固定，根据行业和产品的不同所关注的特征也有不同。

对于大部分互联网公司，用户画像都会包含人口属性和行为特征。人口属性主要指用户的年龄、性别、所在的省份和城市、教育程度、婚姻情况、生育情况、工作所在的行业和职业等。行为特征主要包含活跃度、忠诚度等指标。

除了以上较通用的特征，不同类型的网站提取的用户画像各有侧重点。

以内容为主的媒体或阅读类网站，还有搜索引擎或通用导航类网站，往往会提取用户对浏览内容的兴趣特征，比如体育类、娱乐类、美食类、理财类、旅游类、房产类、汽车类等等。

社交网站的用户画像，也会提取用户的社交网络，从中可以发现关系紧密的用户群和在社群中起到意见领袖作用的明星节点。

电商购物网站的用户画像，一般会提取用户的网购兴趣和消费能力等指标。网购兴趣主要指用户在网购时的类目偏好，比如服饰类、箱包类、居家类、母婴类、洗护类、饮食类等。

消费能力指用户的购买力，如果做得足够细致，可以把用户的实际消费水平和在每个类目的心理消费水平区分开，分别建立特征纬度。

另外还可以加上用户的环境属性，比如当前时间、访问地点LBS特征、当地天气、节假日情况等。

当然，对于特定的网站或App，肯定又有特殊关注的用户纬度，就需要把这些维度做到更加细化，从而能给用户提供更精准的个性化服务和内容。

二、用户画像有多重要？

为什么90%的岗位都需要分析用户画像呢？因为它非常重要！

用户画像的目的是为了精准地定位你的目标群体以及他们的特征。它为你各方面的工作展开提供方向，大到营销推广的战略制定、内容平台的选择考量；小到你如何写一篇文章、如何回复他们的留言。

例如，酷爱二次元的人群和历史深度爱好者是有很大不同的，00后和70后又是不一样的群体。但同时用户画像没有那么神秘，只要你有心有方法，你会越来越懂得你的用户是怎样的一个群体。

用户画像不是简单的消费者分类，而是一个具体的用户形象。这意味我们不会用年龄范围之类的抽象特征来描述它，而是用具体的年龄或其它具体的特征来刻画这个形象。

我们干活总是受到时间和金钱的限制。二八原则告诉我们，通常80%的工作产出来自20%的工作投入。而在用户体验的范畴内，使产品的功能和特征成功地满足用户80%的需求，会比尝试让产品满足用户100%的需求，更容易让用户感到高兴。

而用户画像可以帮助我们了解到最重要的80%用户需求是什么，以及哪些是用户其实没那么在意的20%的需求。

通过建立用户画像，即一个真实用户的形象，我们可以与消费者产生共情，设身处地地去思考用户需求。此外，在与利益相关者沟通时，也可以通过这样一个真实的用户形象，来保证我们更容易达成共识。

它的价值可以说是非常重要的。所以我们必须在开发和营销中解决好用户需求问题，明确回答“用户是谁——用户需要/喜欢什么——哪些渠道可以接触到用户——哪些是我们的种子用户”。更了解你，是为了更好的服务你！

三、用户画像的价值具体体现在哪？

可以说，正是我们对用户认知的渴求促生了用户画像。用户画像是真实用户的缩影，能够为有不少的好处。我这里把他总结为4点：

第一是指导产品研发以及优化用户体验

在过去较为传统的生产模式中，企业始终奉行着“生产什么就卖什么给用户”的原则。这种闭门造车的产品开发模式，常常会产生“做出来的东西用户完全不买账”的情况。

如今，“用户需要什么企业就生产什么”成为主流，众多企业把用户真实的需求摆在了最重要的位置。

在用户需求为导向的产品研发中，企业通过获取到的大量目标用户数据，进行分析、处理、组合，初步搭建用户画像，做出用户喜好、功能需求统计，从而设计制造更加符合核心需要的新产品，为用户提供更加良好的体验和服务。

 

第二是实现精准化营销

这一块则是对我们营销人最重要的部分，精准化营销具有极强的针对性，是企业和用户之间点对点的交互。它不但可以让营销变得更加高效，也能为企业节约成本。

以做活动为例：商家在做活动时，放弃自有的用户资源转而选择外部渠道，换而言之，就是舍弃自家精准的种子用户而选择了对其品牌一无所知的活动对象，结果以超出预算好几倍的成本获取到新用户。

这就是不精准所带来的资源浪费。包括我前面所提到的，网购后的商品推荐以及品牌商定时定点的节日营销，都是精准营销的成功示范。

要做到精准营销，数据是最不可缺的存在。以数据为基础，建立用户画像，利用标签，让系统进行智能分组，获得不同类型的目标用户群，针对每一个群体策划并推送针对性的营销。

 

第三是可以做相关的分类统计

简单来说，借助用户画像的信息标签，可以计算出诸如“喜欢某类东西的人有多少”、“处在25到30岁年龄段的女性用户占多少”等等。

 

第四是便于做相关的数据挖掘

在用户画像数据的基础上，通过关联规则计算，可以由A可以联想到B。

 

那么如果你不懂用户画像，可想而知，这些话应该经常会在耳边出现。“这个方案不通过！”“用户转化率极低！”“用户不喜欢你的活动！”，这些话对于营销人简直是深渊的最底层…

不懂用户怎么做营销？用户不会主动告诉你他想要什么。

培根说“人喜欢习惯，因为造它的就是自己”。用户在使用产品时，大多根据以往的经验依样画葫芦，该怎么用，不该怎么用，看到什么样的标识会联想到什么，这些都基于过往的经验。

然而时代的今天，我们在拿到一台新电视、或者使用一个智能手机，没有人会再认真阅读说明书了，这是为什么？

这就好比你学会用拼音打字，就不会再去学习五笔一样。因为我们已经有了足够的固有经验，不再需要依靠学习才能掌握使用方法，并且，我们的“习惯”让我们很难吸收新的东西。

这些不喜欢改变，喜欢保持现有的、已熟悉的行为模式和习惯的深度懒癌患者，大大增加了营销难度值。

所以在营销之前就要思考：我们的用户是谁？用户的真正诉求是什么？

为什么某牌保温杯保温效果超长到18个小时，用户却永远喝不到适口的水？为什么一个玩具熊孩子玩10分钟就腻了？为什么牛奶在冰箱里放到过期，也没想起来喝？为什么浴室盆的下水管设计在正中间，使储物柜面积减少？

其实，用户的真正诉求是喝到适口的水；孩子需要的是10分钟的陪伴；买牛奶其实是买健康；浴室盆的下方可以储存杂物，需求就是这么简单。

或许是我们自己拉远了产品和用户之间的距离，因此产品被用户抛弃的核心原因是企业或者营销人不懂用户的真正诉求。

那可不可以和用户谈个“恋爱”，拉近和用户之间的距离？

把用户当作爱人，去了解关于他的方方面面。比如说他的星座、血型、生日、喜欢的颜色、偶像、追的剧、今天的心情、消费的品牌、爱的包包、身边的朋友、敷什么面膜等等，已最高效的方式去洞察用户。

在充分了解用户的喜好、爽点、文化、消费观、价值观以及生活方式的基础上做营销，用点、线、面的美去塑造身边的每一份美好。

当你能够很好的搞懂用户，绘制出几个典型的用户画像，针对这些用户进行个性化的营销，想必你的KPI完成度也一定非常不错，升职加薪那就是分分钟的事情了！

纵览成功的案例，他们服务的目标用户通常都非常清晰，特征明显，体现在营销上就是专注、极致，能解决用户的核心痛点及爽点。

比如苹果，一直都为有态度、追求品质、特立独行的人群服务，赢得了很好的用户口碑及市场份额。

又比如豆瓣，专注文艺事业十多年，只为文艺青年服务，用户粘性非常高，文艺青年在这里能找到知音，找到归宿。

所以，给特定群体提供专注的服务，远比给广泛人群提供低标准的服务更接近成功。

 

其次，用户画像可以在一定程度上避免营销人员草率的代表用户。

代替用户发声是在营销中常出现的现象，有时候我们经常不自觉的认为用户的期望跟他们是一致的，并且还总打着 “为用户服务”的旗号。这样的后果往往是：我们精心设计的营销活动，用户并不买账，甚至觉得很糟糕。

最后，用户画像还可以提高决策效率。

在现在的营销方案的策划中，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，当所有参与项目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。

四、用户画像如何建立？

既然用户画像这么重要，那到底怎么做？我们从一个故事开始设立用户画像吧。

小彭是一家互联网创业公司的核心人员，产品主营绿色健康沙拉，这家公司推出了APP专卖各式各样的沙拉，现在需要建立用户画像指导运营。

公司现阶段在业务层面，更关注营销和销售：如何将沙拉卖得更好。

这里是简单梳理后的运营流程：

小彭将顾客按是否购买过沙拉，划分成潜在用户和新客。

潜在用户是注册过APP但还没有下单，新客是只购买过一次沙拉的用户，除此以外还有老客，即消费了两次及以上的人群。

为什么独立出新客标签？

因为沙拉针对未消费用户会有新人红包引导消费，万事开头难。这也带来新客一次后不再消费的问题，所以需要潜在、新客、老客的划分。

作为一个有追求的营销人员，划分老客也是不够，这里继续用户分层。传统的分层用RFM三个维度衡量，沙拉的客单价比较固定，F和M取一个就够用了。

小彭现在计算不同消费档次的用户留存度差异，譬如某时间段内消费达XX元的用户,在未来时间段是否依旧消费。沙拉这类餐饮是高频消费，XX应该选择一个较窄的时间窗口，统计365天内的消费意义不大。

还有一点需要注意的是，沙拉不同季节的销量是有差异的，冬天沙拉肯定卖的不如夏天，要综合考虑消费分布。这里姑且定义，30天内消费200元以上为VIP用户。小彭的生意如果特别好，也可以继续划分超级VIP。

这种标签往往配合业务，譬如VIP有赠送饮料，优先配送的权益。

非VIP人群，也需要激励往VIP发展。画像的人口统计属性，小彭靠用户填写订单上的收货人姓名搞定。籍贯年龄这几个，对沙拉生意没有特别大的帮助，难道为四川籍用户提高麻辣沙拉？用户地址，可以通过收货地设立规则判断，比如某个地址出现X次，可以将其认为常用地地址。再依据送货地在写字楼还是学校，推算用户是白领还是学生。

小彭针对不同属性的人群，采取了特殊的运营策略。

像学生群体，因为7,8月份是暑假，所以小彭提前预估到校园地区的销售额下降。当9月开学季，又能对返校学生进行召回。白领相关的群体，更关注消费体验，对价格敏感是次要的。如果平台女用户的消费占比高，小彭就主打减肥功能的沙拉，并且以包月套餐的形式提高销量。

以一家沙拉店来看，小彭的用户画像已经不错了，但他还是焦头烂额，因为用户流失率开始上升。用户流失有各种各样的原因：对手沙拉的竞争、沙拉的口味、用户觉得性价比不高、小彭不够帅等。

流失是一个老大难的预测问题。小彭对流失用户的定义是30天没有消费。想要准确预测，这里得尝试用机器学习建模，技术方面先这里略过。

所谓建模，最好要找到用户开始不消费的时间点之前的关键因素，可是是行为，可以是属性。

用户历史窗口内消费金额少，有可能流失；用户历史窗口内消费频次低，有可能流失；用户历史窗口内打开APP次数少，有可能流失；用户给过差评，有可能流失；用户等餐时间长，有可能流失；用户的性别差异，有可能流失；餐饮的季度因素，有可能流失……

小彭依据业务，挑选了可能影响业务的特征，提交给数据组尝试预测流失。需要注意的是，这些用户行为不能反应真实的情况。

大家不妨想一下，流失用户的行为，是不是一个动态的变化过程？

我曾经消费过很多次，但是突然吃腻了，于是减少消费次数，再之后不怎么消费，最终流失。单位时间段内的消费忠诚度是梯度下降的，为了更好的描述变化过程，将时间窗口细分成多个等距段。前30~20天、前20~10天、前10天内，这种切分比前30天内可以更好地表达下降趋势，也更好的预测流失。

从小彭的思路看，所谓流失，可以通过用户行为的细节预判。机器学习的建模虽然依赖统计手段，也离不开业务洞察。

这里再次证明，用户画像建立在业务模型上。流失概率解决了小彭的心头之患，通过提前发现降低流失用户。

挽回流失推行一段时间后，小彭发现虽然流失用户减少了，但是成本提高了，因为挽回用户也是要花钱的呀。亏本可不行，小彭心头又生一计，他只挽回有价值的，那种拿了红包才消费的用户他不要了！小彭要的是真爱粉。

于是他配合消费档次区别对待，虽然流失用户的数量没有控制好，但是利润提高了。上述的用户画像，没有一个标签脱离于业务之外。

基于业务场景，我们还能想象很多用户画像的玩法。

沙拉有不同的口味，蔬果鸡肉海鲜。用户的口味偏好，可以用矩阵分解、模糊聚类或者多分类的问题计算，也以0～1之间的数字表示喜好程度，相似的，还有价格偏好，即价格敏感度。

再深入想一下业务场景，如果某个办公地点，每天都有五六笔的订单，分属不同的客户不同的时间段，外卖小哥得送个五六次，对人力成本是多大的浪费呀。

运营可以在后台分析相关的数据，以团购或拼单的形式，促成订单合并，或许销售额的利润会下降，但是外卖的人力成本也节约了。这也是用画像作为数据分析的依据。小彭的营销故事说完了，现在对用户画像的建立有一套想法了吧。

五、用户画像构建的基础流程是什么？

我这里把他分成三步。

第一步是数据的收集与处理

数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。

网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等

服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等

用户内容便好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等

用户交易数据（交易类服务）：贡献率、客单价、连带率、回头率、流失率等

当然，收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。

第二步是给用户打标签

给用户“打标签”是用户画像最核心的部分。所谓“标签”，就是浓缩精炼的、带有特定含义的一系列词语，用于描述真实的用户自身带有的属性特征，方便企业做数据的统计分析。

出于不同的受众群体、不同的企业、不同的目的，给用户打的标签往往各有侧重点，应该具体问题具体看待。但是，有些标签适用于所有情况，应该加以理解和掌握。

我把常见的标签分成两大类别：相对静止的用户标签以及变化中的用户标签。相对应的，由静态标签搭建形成的画像就是2D用户画像;由静态标签+动态标签构建出来的即是3D用户画像。还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。

1、 静态的用户信息标签以及2D用户画像：

人口属性标签是用户最基础的信息要素，通常自成标签，不需要企业过多建模，它构成用户画像的基本框架。

人口属性包括人的自然属性和社会属性特征：姓名、性别、年龄、身高、体重、职业、地域、受教育程度、婚姻、星座、血型……。

自然属性具有先天性，一经形成将一直保持着稳定不变的状态，比如性别、地域、血型;社会属性则是后天形成的，处于相对稳定的状态，比如职业、婚姻。心理现象包括心理和个性两大类别，同样具有先天性和后天性。

对于企业来说，研究用户的心理现象，特别是需求、动机、价值观三大方面，可以窥探用户注册、使用、购买产品的深层动机;了解用户对产品的功能、服务需求是什么;认清目标用户带有怎样的价值观标签，是一类什么样的群体。

因为人口属性和心理现象都带有先天的性质，整体处于稳定状态，共同组成用户画像最表面以及最内里的信息素，由此形成稳定的2D用户画像。

2、 动态的用户信息标签以及3D用户画像：

网站行为属性，这里我们主要讨论的是用户在网站内外进行的一系列 *** 作行为。常见的行为包括：搜索、浏览、注册、评论、点赞、收藏、打分、加入购物车、购买、使用优惠券……在不同的时间，不同的场景，这些行为不断发生着变化，它们都属于动态的信息。

企业通过捕捉用户的行为数据(浏览次数、是否进行深度评论)，可以对用户进行深浅度归类，区分活跃/不活跃用户。社交网络行为，是指发生在虚拟的社交软件平台(微博、微信、论坛、社群、贴吧、twitter、Instagram)上面一系列用户行为，包括基本的访问行为(搜索、注册、登陆等)、社交行为(邀请/添加/取关好友、加入群、新建群等)、信息发布行为(添加、发布、删除、留言、分享、收藏等)。

给用户打上不同的行为标签，可以获取到大量的网络行为数据、网站行为数据、用户内容偏好数据、用户交易数据。这些数据进一步填充了用户信息，与静态的标签一起构成完整的立体用户画像，就是所说的3D用户画像。

第三步是绘制用户画像

这里需要结合两种分析方法。

1、 定性与定量相结合的研究方法：

定性化研究方法就是确定事物的性质，是描述性的;定量化研究方法就是确定对象数量特征、数量关系和数量变化，是可量化的。

一般来说，定性的方法，在用户画像中，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。

定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。

所以说，用户画像的数据建模是定性与定量的结合。

2、 数据建模——给标签加上权重：

给用户的行为标签赋予权重。用户的行为，我们可以用4w表示： WHO(谁);WHEN(什么时候);WHERE(在哪里);WHAT(做了什么)，具体分析如下：

WHO(谁)：定义用户，明确我们的研究对象。主要是用于做用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、身份z、微信微博号等等。

WHEN(时间)：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间;“时间长度”则为了标识用户在某一页面的停留时间长短。越早发生的行为标签权重越小，越近期权重越大，这就是所谓的“时间衰减因子”。

WHERE(在哪里)：就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签，比如小米手机;网址则指用户行为发生的具体地点，比如小米官方网站。权重是加在网址标签上的，比如买小米手机，在小米官网买权重计为1,，在京东买计为0.8，在淘宝买计为0.7。

WHAT(做了什么)：就是指的用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户购买了权重计为1，用户收藏了计为0.85，用户仅仅是浏览了计为0.7。

当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：标签权重=时间衰减因子×行为权重×网址权重

举个栗子：

A用户今天在小米官网购买了小米手机;B用户七天前在京东浏览了小米手机。由此得出单个用户的标签权重，打上“是否忠诚”的标签。

通过这种方式对多个用户进行数据建模，就能够更广的覆盖目标用户群，为他们都打上标签，然后按照标签分类：总权重达到0.9以上的被归为忠实用户，ta们都购买了该产品……这样一来，企业和商家就能够根据相关信息进行更加精准的营销推广、个性化推荐。

我们的用户画像就构建好了，在互联网大数据时代，得用户者得天下。

以庞大的用户数据为依托，构建出一整套完善的用户画像，借助其标签化、信息化、可视化的属性，是企业实现个性化推荐、精准营销强有力的前提基础。可见，深入了解用户画像的含义，掌握用户画像的搭建方法，显得尤其十分重要。