体验面面观 | 用户画像那些事儿

用户画像，可以说是现阶段用研谈论很多的话题，也是较为常见的一种用户研究类型。它看起来很美，看起来很高级，似乎有了用户画像就能解决很多产品研发和推广的问题。然而，用户画像真的是非做不可吗?怎么做才更加系统有效?又怎么样去运用呢?

针对这些问题，本文会围绕用户画像是什么，怎么用，以及怎么去做，给大家一个初步的了解。

一、什么是用户画像

在说用户画像之前，我们需要先了解一下市场细分。市场细分，是指企业按照某种标准将市场上的顾客划分成若干个顾客群，每一个顾客群构成一个子市场，不同子市场之间，需求存在着明显的差别。市场细分，是选择目标市场的基础工作，细分一个市场并把它作为公司的目标市场，设计正确的产品、服务、价格、促销和分销系统“组合”，从而满足细分市场内顾客的需要。

在选择具体进入哪个子市场之前，企业也会通过市场研究，了解总体市场可以进行怎样的消费者细分，而这个细分的过程，是如今用户画像的前身 —— 依靠市场调研，对现有的消费者群体进行分类，进行差异化描述，从而分成不同类的子市场。再根据子市场的大小，和子市场的品牌竞争状况，确定锁定哪个或哪些子市场进行营销推广。

在互联网蓬勃之前，人们通过市场调研对消费者进行尽可能详尽的差异化描述，来实现市场细分。而互联网和大数据成熟之后，市场细分的消费者描述，也加入了大数据的部分，用于行为差异化的精确补充。此时，消费者的差异化细分已经和用户画像可以基本划等号。但是，当我们在互联网产品中说用户画像的时候，它们还是有一些差异。

用户画像的关键就是标签化。作为实际用户的虚拟代表，用户画像所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。标签化成了用户画像的典型特征。用户画像最后的结果，一定是能给每一位用户贴上标签。比如：一位25岁的白领，211大学毕业，现在从事于互联网行业的设计工作，居住在北京。单身，平时喜爱摇滚乐，喜爱日本料理。收入中等。

为什么每个人都要有标签?这就要联系我们接下来要说的用户画像的作用。

二、用户画像的作用

1、帮助产品了解用户并实现用户追踪分析

早期，产品可以通过对新用户进行用户画像分析，了解用户分群，发现关键行为差异，可以针对性提供解决方案，辅助增加更多活跃用户;还可以从核心用户的标签特点，去了解如何可以转化更多的核心;日常，因为新用户都会被贴上相应标签，便可以通过了解不同用户分群的比例变化，了解潜在的流失可能，提前进行干预或者设法召回。

2、帮助运营实现精准营销

在从粗放式到精细化运营过程中，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，驱以更合适的关怀、挽回、激励等策略。

比如甲购买课程的意愿是 40%，乙购买课程的意愿是 90%。为了进一步提高购买量，我们会对购买意愿在 40% 及以下的用户(甲)发放优惠券。如果没有建立这样一个用户画像标签，我们就会对甲和乙发放同样的优惠券。而乙类用户原本是不需要用优惠券进行激励的，这么一发，便会增加很多成本。

3、广告系统应用

有了用户画像的结果，广告投放就可以基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等来进行更精准的投放，提高ROI。

三、怎么做用户画像

做用户画像，从最传统的方式来说，是采用定性的方法(如，深度访谈、焦点小组)或定量的方法(如，定量问卷、行为日志数据)完成用，不同的方法各有优缺点：

所以，这些方法并不是固定的，而是需要根据实际项目的需求和时间以及成本而定，并没有严格意义的最专业和最科学，但是有最适合团队和项目需求的。

要贴标签，就要寻找差异化。跟传统的消费者细分一样，用户细分的几个传统维度，可以通过市场调研问卷完成。收集尽可能多的消费者信息，用于寻找和发现差异。常见的细分维度会包括：地理细分、人口统计细分、心理细分和行为细分。

通常情况下，企业不会只按照一两种细分方式来进行市场细分。这是因为，单从一两个维度细分出的市场，难以真实的反映出用户需求的共性差异，细分出来的市场中的用户需求仍可能千差万别。因此，用户画像所涵盖的维度一般是比较多的。

通常，基础人口信息、社会信息和消费行为信息等，都可以通过定量问卷的询问得出;而关于用户态度和价值观的信息(如对新事物的接受、金钱观、生活态度等)，需要事先通过定性访谈进行探索，再总结归纳出反映消费者价值观或者态度的陈述语句。

定量问卷中，会请被访者对总结出来的各类态度或者价值观语句，进行同意程度或者和自身符合程度的打分(一般是5分评价法);再根据打分的结果，首先通过SPSS的因子分析得出价值观或态度的因子(降维简化) ，给各因子取名字。语句因子分类定下来之后，将每个因子的值保存为新的变量，然后就可以基于这些因子，进一步采用聚类分析的方式，得出最终的细分结果。每个聚类结果代表一种细分。之所以要先因子再聚类，是因为在少数几个综合指标或维度的基础上实行聚类分析，效果会更简洁、明了。

当态度或价值观的语句最终形成稳定且有区别度的变量后，就可以结合其它的维度，进行更深入的交叉分析，从而实现各类用户画像的具象化。

而在互联网时代，除了通过市场调研获得用户画像所需要的维度数据，网站大数据也提供了更为精准的用户行为数据参考，在做用户画像的时候，需要结合考虑。其所占的比重有多大，取决于企业和产品的特点。

理论上，所有的数据都可以通过问卷获得。但是，为了最优化研究效果，更建议采取问卷+行为日志结合的方式。在发问卷的同时，抓取了用户的设备号和ID等标识，以匹配后台数据。同时，这样也保证了可以更精准地给每个用户贴标签。

为了做到调研数据和后台数据严格对应起来，我们需要有每个用户清晰的用户标识，也才能在用户画像做好之后，将结果更好地进行运用。比如，向特定的用户群，推送特定的信息或者功能。常见的用户标识方式如下：

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(通过标识识别)，在什么时间，什么地点，做了什么事。某用户因为在什么时间、地点、做了什么事，所以会打上**标签。这就是行为数据的建模。通过行为数据建模，我们就可以精准地给用户贴上行为相关的标签。

举个例子，我们希望在一个购物平台用户里定义一类电子产品喜好者，给他们贴上电子产品达人标签，就需要先确定如何去判断用户是否电子产品达人。这时候就要确定用户不同相关行为的权重：

有了权重的分配计划，就可以针对某一个用户的特定行为，判断其是否可以贴上特定标签：

实际上，大数据画像的计算是相当复杂的，比如还会考虑到：商品价格权重、用户等级权重等等，但如何计算都是从以上基本的公式中演化而来的，逐步细化模型，由小到大，由粗放到精细去设计完善，同时结合实际的业务需求，形成符合实际情况的建模体系。

给每位用户在后台贴上了我们根据业务需求设计出来的各类标签之后，就可以结合其他基础信息和态度信息的数据，计算不同用户细分类型的大小、特点等，形成更丰富的用户画像信息。比如，电子达人是怎么样一群人?他们有怎么样的消费观念态度?当然，前提是，相关的市场调研，每个被访者能和后台的标签对应得上(通过用户标识数据连接)。这样，一个完整的用户画像就构建完毕了。

最后，再说一下用户画像结果成立的PERSONAL八大要素，希望可以给大家带来更多参考意义：

• Primary：指该用户角色是否基于对真实用户的第一手行为监测和情景访谈
• Empathy：指该用户角色的描述是否可以引起同理心(服务于推广)
• Realistic：指对那些每天与顾客打交道的人来说，角色是否看起来像真实人物
• Singular：每个用户是否是独特的，彼此很少有相似性
• Objectives：该用户角色是否包含相关的目标，是否包含关键词来描述该目标
• Number：用户角色的数量是否足够少，以便团队能记住每个角色的姓名
• Applicable：团队是否能使用用户画像作为一种实用工具进行设计决策
• Long：用户标签有一定的长久性