編輯導(dǎo)語：如今在這個(gè)大數(shù)據(jù)時(shí)代，每個(gè)用戶都被標(biāo)簽化，運(yùn)用用戶畫像的方式了解用戶，從而推送相關(guān)消息；最常見的情況就是你買了商品后，推薦會(huì)自動(dòng)推送與此商品相關(guān)的商品，促進(jìn)消費(fèi)；本文作者分享了關(guān)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(biāo)用戶、聯(lián)系用戶訴求與設(shè)計(jì)方向的有效工具，用戶畫像在各領(lǐng)域得到了廣泛的應(yīng)用。

我們?cè)趯?shí)際操作的過程中往往會(huì)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(zhuǎn)化聯(lián)結(jié)起來；作為實(shí)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(chǎng)之外所構(gòu)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(biāo)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(biāo)簽，即——將用戶的每個(gè)具體信息抽象成標(biāo)簽，利用這些標(biāo)簽將用戶形象具體化，從而為用戶提供有針對(duì)性的服務(wù)。

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

1. 什么是標(biāo)簽

舉個(gè)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(gè)初步的用戶畫像，就是一組標(biāo)簽信息（即用戶信息標(biāo)簽化）。

那么我們?cè)倏匆幌逻@一張截圖：

（來源站酷，某作品集中的一頁）

這很明顯是一個(gè)反面教材了，大家能在這張截圖中，看出什么標(biāo)簽嗎？

從，姓名、學(xué)生、年齡、快畢業(yè)、藝校生、探索未知等標(biāo)簽就可以了解到專業(yè)水平、學(xué)習(xí)興趣？這是怎么挖掘出來的？

標(biāo)簽又可以分為三大類（寬泛）：

• 統(tǒng)計(jì)類標(biāo)簽：這類標(biāo)簽是最為基礎(chǔ)也最為常見的標(biāo)簽類型，例如：對(duì)于某個(gè)用戶來說，其姓名、性別、年齡、地市、活躍時(shí)長(zhǎng)等，這類數(shù)據(jù)可以從用戶注冊(cè)數(shù)據(jù)、用戶消費(fèi)數(shù)據(jù)中得出，該類數(shù)據(jù)構(gòu)成了用戶畫像的基礎(chǔ)。
• 規(guī)則類標(biāo)簽：該類標(biāo)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(shí)際開發(fā)畫像的過程中，由于運(yùn)營(yíng)人員對(duì)業(yè)務(wù)更為熟悉，而數(shù)據(jù)人員對(duì)數(shù)據(jù)的結(jié)構(gòu)、分布、特征更為熟悉，因此規(guī)則類標(biāo)簽的規(guī)則由運(yùn)營(yíng)人員和數(shù)據(jù)人員共同協(xié)商確定。
• 學(xué)習(xí)挖掘類標(biāo)簽：該類標(biāo)簽通過系統(tǒng)智能化學(xué)習(xí)挖掘產(chǎn)生，用于對(duì)用戶的某些屬性或某些行為進(jìn)行預(yù)測(cè)判斷；例如：根據(jù)用戶的消費(fèi)行為習(xí)慣判斷該用戶的消費(fèi)能力、對(duì)某類商品的偏好程度，該類標(biāo)簽需要通過算法挖掘產(chǎn)生。

標(biāo)簽規(guī)則（舉例：這個(gè)規(guī)則是在給用戶定上具有消費(fèi)力等等標(biāo)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(biāo)簽？

用戶畫像的核心工作是為用戶打標(biāo)簽。打標(biāo)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(jì)。

以電商舉例：

如，標(biāo)簽可以做分類統(tǒng)計(jì)：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(xì)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(duì)涼茶的男女喜好比例又有多少？

如：標(biāo)簽可以做數(shù)據(jù)挖掘/清洗：利用關(guān)聯(lián)規(guī)則計(jì)算，喜歡美食的人，通常會(huì)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(jié)果，我們可以得出，一旦這個(gè)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(huì)牽扯到「模型」，通過算法和培養(yǎng)，能讓一個(gè)APP更加懂你。

比如：我在某寶上，買了一個(gè)汽車改裝用品，就瘋狂給你推薦汽車相關(guān)；因?yàn)槲屹?gòu)買（達(dá)成）、瀏覽相關(guān)（計(jì)算）和瀏覽時(shí)間（培養(yǎng)），讓他更加確定了，我對(duì)這方面的需求很大。

二、數(shù)據(jù)分析本質(zhì)是什么？

由于本文重點(diǎn)傾向交互側(cè)，數(shù)據(jù)分析這一塊留著下次說。

數(shù)據(jù)分析的本質(zhì)是獲得信息和知識(shí)，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(bào)告，進(jìn)行演講或陳述，但它不能解釋某種出現(xiàn)的結(jié)果及未來發(fā)生的事情。

1. 信息可視化

預(yù)測(cè)性分析（Predictive Analysis）：預(yù)測(cè)性分析不僅可以對(duì)數(shù)據(jù)特征和變量（可以假定取消范圍的因素）之間的關(guān)系進(jìn)行描述，還可以基于過去的數(shù)據(jù)預(yù)測(cè)未來。

預(yù)測(cè)性分析首先會(huì)確定變量值之間的關(guān)聯(lián)，然后基于這種已知的關(guān)聯(lián)預(yù)測(cè)另一種現(xiàn)象出現(xiàn)的可能性（如：某短視頻中會(huì)產(chǎn)生廣告，通過行為事件進(jìn)行預(yù)測(cè)你購(gòu)買/下載產(chǎn)品的可能性）。

2. 預(yù)測(cè)分析

決策性分析（Decision Analysis）：通過對(duì)比、驗(yàn)證等手段，直接反應(yīng)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(jià)值。（回顧上文，可以關(guān)聯(lián)標(biāo)簽的含義）剩下的就是進(jìn)階能力，預(yù)測(cè)和決策了；讓用研和產(chǎn)品同學(xué)更高效的、更準(zhǔn)確的解決問題，而不是紙上談兵“我認(rèn)為”、“我感覺”。

數(shù)據(jù)又分為靜態(tài)和動(dòng)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(zhǎng)的一段時(shí)間內(nèi)不會(huì)變化，一般不隨運(yùn)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(diào)研獲得的靜態(tài)數(shù)據(jù)都是真實(shí)的信息，無需進(jìn)行分析和清晰。

動(dòng)態(tài)信息數(shù)據(jù)：動(dòng)態(tài)數(shù)據(jù)是常常變化，直接反映事務(wù)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(gòu)圖：

三、定量驗(yàn)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(yàn)證，去構(gòu)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(yàn)證）。