写在前面
随着互联网的高速发展，互联网软硬件设施的不断升级迭代，我们见证了互联网用户的近10年的高速增长。而在今天，我们已经可以明显的感知到互联网用户的增长已经逐渐趋于缓和，整个互联网环境的流量红利已在逐渐衰减，互联网用户的增量在减少。
因此，当大部分人还在讨论如何快速获取增量用户时，已有望得更远更聪明一小部分人在思考如何盘活存量用户了。这一小部分更加注重用户的留存，更注重用户的活跃，更注重如何用更加切合用户的产品和服务去满足用户。
他们每天挖空心思的揣测处在以太网另一端的用户到底是长什么样的？他们喜欢什么？他们需要什么？他们这一刻在想什么？他们还有哪些潜在需求？……
而这一切的猜想，都源于一个基础，那就是——用户画像。
什么是用户画像？
用户画像，简单来说就用可视化的具象的标签、数据，来描述使用你的产品的用户，描述的越具体越好。
例如：描述某电商产品的用户。
- A是一个新注册男性用户。（用户轮廓）
- A是一个广东地区的90后大学生男性用户。（用户标签画像）
- A是一个广东地区的90后大学生男性用户，喜欢电子数码产品和计算机类书籍，追求高性价比。（用户偏好画像）
再比如，下图：
*球员能力值属性图*
如上述例子的简单描述，用户画像即用户信息的标签化及语义化，是通过获取用户信息及行为数据而抽象出来的一个数据集合。用户画像必须是先有数据之后才能画像。
用户画像的构建是一个动态的逐渐丰满的过程，而这一过程的背后必须有大量的数据及数据分析作支撑。同时，用户画像也是一个双向反馈不断修正优化的过程。
而如今我们做产品谈到用户画像的时候，绝大部分产品的用户画像都是人们主观臆想、拍脑袋决定的。很多时候，你以为你了解用户，但用户并不是你想象的样子。因此，当我们提到用户画像的概念时，即使技术条件不允许，我们也不能简单臆想，也要通过用户调研、用户访谈的形式进行用户画像的初探，等有了技术条件时再通过自身或借助第三方工具进行用户画像的构建。
用户画像有什么用？
这里，为了更容易理解用户画像的作用，我将采用递进的形式讲解它的作用，分别分析浅层作用和深层作用。
浅层作用。
1.用户数据挖掘记录。
这里的用户数据分为两种，一种是动态的用户数据，另一种的静态的用户数据。
静态用户数据一般包括：
- 个人属性数据（性别、出生日期、年龄、地域、婚姻状况…）
- 社会属性数据（职业、收入、社交信息…）
- 消费属性数据（消费水平、已购商品、购物频次、购买渠道…）
动态用户数据一般包括：
- 用户浏览数据（浏览页面及时间）
- 用户行为数据（点击、发表、评论、点赞、搜索、下单、购买）
以上的各种数据都是用户在产品上留下的信息和行为痕迹，但是能够很好将以上数据记录下来并二次使用的其实很少。用户画像的建立就需要以上的各种数据的收集和处理，通过以上数据的挖掘记录及分析，我们将会更加懂我们的用户。
深层作用。
1、满足产品运营需求。
用户画像可以让你的产品更加懂得用户。比如，在一段时间内，用户的活跃度下降了，我们必须知道为什么用户活跃度下降了；哪些用户还在用我们的产品；哪些用户已经不用了…而这就可以通过用户画像而很简单的获取相关数据。
获取相关数据后，我们便可以针对不用产品的用户做一些活跃目的相关的运营活动。因此，利用用户画像我们可以不断完善丰富我们的产品运营体系，提升用户体验；改变错误以我为中心的产品做法，而是以用户为中心，不断了解用户，不断满足用户，设计更适合用户的产品，提升用户体验。
比如，下图的知乎的推荐的内容，大概也是根据用户过往的行为数据，根据某种算法进行推荐的。
知乎推荐问题
2、满足产品营销需求。
这在大部分的电商产品及广告产品中都非常常见，通过浏览的或搜索的数据从而为用户推荐相关的产品或广告。这样的推荐会不断的向用户的偏好靠拢，从而减少给用户无用的打扰。会让产品的用户体验更好。比如，淘宝上的猜你喜欢，再比如前不久推出的朋友圈广告。
这样的做法会让产品根据产品特点，找到精准地目标用户，在用户偏好上与用户交流，促成购买，实现精准运营与营销。
根据我个人的经验，淘宝上的猜你喜欢一般是根据你近期浏览的商品为你推荐相似的商品。
淘宝-猜你喜欢
如何构建用户画像？
1、行为数据的收集。
静态用户数据的收集。
前面已经说到静态的用户数据大部分为用户的各种属性数据，这一类的数据大概可以通过以下渠道进行获取：
- 用户注册数据获取。通过对属性的标签化，从而通过文本挖掘对相关数据进行获取，存入用户数据库。
- 用户事件获取。这部分的数据不一定都在注册动作中发生，但又是相对静态的数据。比如，用户的相关社会属性或购物偏好可以在使用产品中通过文本挖掘及自然语言的处理进行获取相关数据。
动态用户数据的收集。
用户动态数据的收集主要通过对用户的行为动作进行收集统计；
- 用户浏览数据。该类数据一般通过页面浏览统计工具进行数据的收集统计，比如统计不同用户浏览不同的页面的偏好，通常会自建数据后台或是借助第三方工具比如GA、比如百度统计。
- 用户行为数据。该类数据一般通过在产品上设置相关埋点进行数据收集统计，比如统计用户点赞、收藏、评论等等，通常也会自建数据后台或是借助第三方工具比如growing io、比如神策数据。
2、数据建模。
数据建模则是一项技术性相对强的一项工作，通常需要采用Hadoop、Hive、Spark等大数据的相关技术。在这里将不对技术的相关问题进行解释，而是通过例子进行形象的解释用户画像在数据建模上的实现。
①用户文本标签的处理。比如，性别属性的标签，年龄属性的标签，职业属性的标签，已购商品的标签。用户画像通过相关技术统一获取这几类标签的文本内容，然后进行文本的处理，通过聚类算法将具有同一类属性的用户分为一类，将不同的用户进行区分，从而实现用户属性的分群处理，在以后的的产品运营中提供重要的参考作用。
②用户偏好数据的处理。用户偏好数据的处理除了通过上面一种方式进行处理之外，也会采用用户的行为数据进行计算分析。比如，我们计算一个用户的对于某电商平台的忠诚度指标。
通常我们会有以下的评判指标：
- 用户入口（app、官网、淘宝、微信号、第三方渠道等等）
- 用户购买行为（购买频次、购买客单价等等）
- 用户产品其他行为（分享商品、收藏、评价等等）
接着，我们会给这三项不同的指标赋予不同的权重，然后再加上相关环境因素（如:时间衰减因子、热度干扰因素等等）根据相关模型进行计算。
如：用户忠诚度=用户入口权重（30%）用户购买行为权重（50%）用户产品其他行为权重（20%）*时间衰减因子。
这样我们就可以通过数据建模提供的相关数据对用户忠诚度进行计算和评判。
3、构建用户画像。
通过以上步骤的数据的收集获取及处理计算，我们就可以根据相关用户模型进行用户画像的构建。
通常有以下几种：
- 用户数据画像。展现用户相关行为数据。
- 用户标签画像。展现用户的标签属性数据。
- 用户偏好画像。展现用户的行为偏好数据。
用户画像输入与输出的展现
1、用户画像的输入展现。
用户画像的输入展现是指我们在产品上是如何让用户很自然的输入自己的用户数据的，这样的设计即不会让用户觉得产品是在纯粹的获取他的数据也会让用户很愿意的输入自己的数据。
比如，国外问答社区Quora。在用户完成注册之后，产品便会让用户选择自己感兴趣的topic，而且每个topic间都有相关联及递进关系。
Quora在注册后topic的选择
再比如，最近被人吐槽挺多的今日头条。他会让你去完善你对当前内容的反馈，从而根据你的反馈去更新你的用户数据。
今日头条对于新闻内容的行为反馈
2、用户画像的输出展现。
用户画像的展现是指我们在产品上如何让用户更加了解自己，知悉自己使用产品的数据。
其实，这样的例子我们会很经常看到，比如微信公开课的例子，滴滴出行的例子，都是通过我们以往的用户数据，来去展现出我们的用户数据及轨迹记录。
下图淘宝的例子，就是一个简单的呈现了，通过用户的购买数据及行为，汇总统计出了一部分有趣的用户数据。不知道你有没有看过自己的数据呢？
淘宝-会员俱乐部
最后几句：最近发现挺多关于用户画像的问题，于是就有了这篇文章，文章不足之处仍有不少，希望可以跟各位交流学习。btw，欢迎关注我的微信公众号：addoilbuddies，即加油伙伴们的意思。
网友评论