今天談談大家經(jīng)常聽到卻又一肚子懵逼的“用戶畫像”。

What 基礎概念掃盲

用戶畫像（User Profile）：也稱人物角色，是根據(jù)用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。構(gòu)建用戶畫像的核心工作即是給用戶貼“標簽”。

標簽（tag）：也稱數(shù)據(jù)點，對用戶信息高度精煉的特征標識，一般標簽越精準，對應覆蓋的人數(shù)則越少。所謂千人千面，不同人群有不同的特征和標簽，就像指紋。

用戶畫像多采取層級概念，條理分明地呈現(xiàn)了人群數(shù)據(jù)的特征分布。用戶畫像層級自頂向下包含畫像體系（User Profile）、維度（Dimension）、數(shù)據(jù)點（Tag）。畫像體系這一層可理解為標記畫像類別的文件夾，常見的有基礎信息，地理位置，興趣愛好，設備信息，消費信息等。

畫像層級

當當當當，筆者的畫像強勢入鏡，嗯純粹為了加強大家的理解。看圖說話，以下包含畫像體系有：基本信息，地理位置，興趣愛好，設備信息等，而基本信息下的維度包括性別，年齡，學歷，職業(yè)等，地理位置下的維度包括當前位置、原籍等，設備信息下的維度包括手機品牌、機型、系統(tǒng)等····而每個維度下的取值即可稱作標簽（數(shù)據(jù)點），如職業(yè)下的標簽可以有醫(yī)生、老師、產(chǎn)品經(jīng)理、作家等。這里注意的是，有些地方的標簽定義有所不同，包含多個維度的取值，如：喜歡購買護膚品的一線城市的白領。

用戶畫像舉例

Why?為什么要使用用戶畫像

用戶畫像是當下很多企業(yè)都會提及的概念，多數(shù)情況下會和大數(shù)據(jù)以及營銷掛鉤。

1.從公司戰(zhàn)略層面來說，好的用戶畫像可以幫助企業(yè)進行市場洞察、預估市場規(guī)模，從而輔助制定階段性目標，指導重大決策，提升ROI；更有助于避免同質(zhì)化，進行個性化營銷。

2.從產(chǎn)品本身角度來說，用戶畫像可以圍繞產(chǎn)品進行人群細分，確定產(chǎn)品的核心人群，從而有助于確定產(chǎn)品定位，優(yōu)化產(chǎn)品的功能點。例如美妝類app，則前期可大致鎖定畫像一二線城市，喜歡時尚，年齡段在18至35之間的女性。

3.從數(shù)據(jù)管理角度來說，用戶畫像有助于建立數(shù)據(jù)資產(chǎn)，挖掘數(shù)據(jù)的價值，使數(shù)據(jù)分析更為精確，甚至可以進行數(shù)據(jù)交易，促進數(shù)據(jù)流通?；ヂ?lián)網(wǎng)營銷行業(yè)中常用的DMP（Data Management Platform）就是用戶畫像使用的一個好例子。

How?構(gòu)建方法詳解

構(gòu)建用戶畫像的步驟如下圖所示，短腿的狗不打獵，以下6個步驟缺一不可。

畫像構(gòu)建步驟

采集數(shù)據(jù)：數(shù)據(jù)的來源有多種，很多公司有自己的CRM系統(tǒng)，或者有智能采集系統(tǒng)日志的工具，常用的采集方式包括API、SDK和傳感器采集等，可以通過想要挖掘什么標簽來反推需要的數(shù)據(jù)源。

數(shù)據(jù)清洗：原始數(shù)據(jù)源存在“臟數(shù)據(jù)”，包括數(shù)據(jù)空缺和噪聲、不一致、重復、錯誤等問題，為了保證后期挖掘的準確性，避免對決策造成影響，須對原始數(shù)據(jù)進行預處理。

數(shù)據(jù)標準化：用戶畫像的建立需要有整合多源數(shù)據(jù)（跨屏跨媒體）的能力，例如一個實體可能使用多個設備，擁有網(wǎng)絡世界的多個賬號，則須把多個身份ID組合，建立統(tǒng)一的標準，才能完整標識實體的用戶畫像。

用戶建模：通過算法模型來定義人群的用戶畫像，常見為分類模型和聚類模型，例如SVM，神經(jīng)網(wǎng)絡，k-means。

標簽挖掘：通過平臺來進行標簽的加工和計算，通常需要部署環(huán)境，如通過Hadoop平臺進行訓練和學習，大規(guī)模的并行計算。

標簽驗證：須通過真實case驗證標簽挖掘結(jié)果的正確性，保證標簽對應的處理結(jié)果跟預期大體相符。此步驟有時可以跟上個步驟（標簽挖掘）對調(diào)，即可以先用小樣本數(shù)據(jù)驗證模型的可靠性，再依照結(jié)果進行調(diào)整，再進行挖掘。

數(shù)據(jù)可視化：即視覺呈現(xiàn)群體或個人的用戶畫像，包括柱狀圖/餅狀圖/表格等，市面上也有一些數(shù)據(jù)可視化工具，此步驟可忽略。

?Case 案例探究

舉個栗子，假如我們現(xiàn)在要舉辦一場金融活動，須挖掘用戶畫像為“深圳金融從業(yè)人群”，由于此類人群在辦公點活動時間較長，我們可以通過移動設備的LBS信息篩選出深圳的金融辦公地點，由此簡單篩選出經(jīng)常在此區(qū)域活動的人群；另外，結(jié)合app使用的興趣行為信息，如時常瀏覽使用金融理財類應用的人群篩選出目標人群。當然，還需通過消費水平、年齡等信息排除掉無關人群。數(shù)據(jù)源和算法模型的準確性都會影響到最終加工出來的畫像結(jié)果。

Attention 注意事項

• 用戶畫像的制定須與具體業(yè)務場景或所屬行業(yè)相結(jié)合，避免太過抽象，不同場景下同個標簽名稱可能表示不同意思，例如性別分為真實生理性別以及網(wǎng)絡虛擬性別，須區(qū)別對待；
• 畫像的粒度不是越細越好，劃分的標簽越多，對應覆蓋人群會急速減少，表征能力弱，且可能是偽特征；
• 不能盲目使用用戶畫像，畫像多為靜態(tài)特征，用戶特征隨時間動態(tài)變化，也可能隨場景空間而不同。當然也有動態(tài)的用戶畫像數(shù)據(jù)，如用戶的訪問路徑、訪問時長等信息。

本文由 @藍眼淚 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。