用户画像的建立方法和流程

如何做好用户画像

用户画像（Personas）这一概念由交互设计之父Alan Cooper提出，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

用户画像的概念

用户画像的价值

1. 决定产品定位

2. 帮助优化产品体验

3. 支持个性化运营

4. 潜在用户挖掘

用户画像的4个价值

用户标签按属性可以分为个人自然属性、社会属性、行为属性等，按行业又可以分为电商、教育、医疗、社交、信息分发等几十上百种。在日常运营工作中，如何让令人眼花缭乱的用户标签为己所用呢？这就涉及用户标签体系的构建。

标签体系指的是对产品需要的多种标签进行分类，并对不同分类的标签属性进行定义的组织形态。用户信息的标签分类与属性定义，需要将相同、相似的标签进行聚类归一，把不同类型但具有一定业务逻辑与关联性的标签在主要标签下做进一步分层，从而保证主要标签分类与核心业务目标对齐，其他分层标签作为辅助信息。一套丰富、完善的标签体系可以赋能用户运营，让用户运营在不同阶段通过标签和用户数据的关联生成用户画像，从而有针对性地进行精细化运营，实现全用户生命周期价值的增长。

什么是标签体系

根据生成方式，标签可分为事实标签、模型标签和策略标签。事实标签即从原始数据中提取的标签，如人口标签、会员标签、行为标签、交易标签、消费标签等事实标签，均是基于用户在App中的注册、交易、点击交互等行为抽取出来的。这些标签还可以进一步拆分出子标签，例如：交易标签侧重于交易偏好，如线上或到店交易，支付工具是微信还是支付宝，充值与优惠券等黏性工具使用是否频繁；消费标签则更关注下单动因、客单价、消费兴趣、搭配偏好等。模型标签是通过先设定一定的规则，然后经过分析处理得出的人为定义的虚拟标签。比如，某中年男性的到店消费记录显示，他工作日在写字楼长期吃快餐，周末在商场消费儿童游乐场团单，由此基本可判断他是一位有孩子的上班族。再比如，对于旅游等低频业务产品，用户3个月未复访，则可以将其归为沉默或流失用户；而对于外卖平台，用户2周或一个月未复访，则基本可以判断其已流失。而策略标签则是根据具体的营销目的圈出特定人群来进行运营的工具。比如，剧本杀App七夕节的运营活动、电商平台在重阳节推出的家用电器运营活动，都需要圈出特定人群进行营销，此时“特定”需要多维度数据构建，以达到区别于事实标签且对业务有实际提升的效果。

用户标签体系的生成

用户标签体系

用户画像的建立由数据源的收集与模型建立两部分组成

用户画像的数据源主要分为两种：一种是用户属性，另一种是用户行为。用户属性主要有两个来源：设备自有的客观被动信息（如设备型号、应用版本、地理位置等），以及用户主动登记的信息（如产品交互中提示用户选择的个人登记信息）。而用户行为类数据多为用户运营提需求，研发人员埋点（标记用户交互行为），在用户发生交互行为后统计点击或其他交互数据得到的。

用户画像的数据源

1.用户画像的数据源

数据源有客观数据和主观数据之分，用户属性属于客观数据，自然属性、商业属性、垂直属性、标签属性这些也都属于客观数据，而用户行为和行为关联则属于主观数据。将

自然属性指的是一个自然人的基本属性

依据自然属性划分的基本参数

（1）自然属性

依据商业属性划分的基本参数

自然属性可以帮助我们确定是什么样的人在用产品，而商业属性则能帮助我们判断有多少用户可能在产品上消费，以及他们的消费意向、消费周期、消费频次。产品良性的商业化是其长线发展中不可或缺的因素，因此单独分析产品用户的商业属性是用户画像中十分重要的组成部分

（2）商业属性

不同类型的产品还有一类专属于产品自身的垂直属性

依据垂直属性划分的示例参数

（3）垂直属性

运营本身赋予用户的——标签属性

用户属性是在产品初期用户行为数据还不够丰富时分析用户的关键数据。需要针对不同的用户类型给出不同的运营策略。从以上4种用户属性可以看出，它们并不是单一维度的数据，而是由多种属性整合得到的用户数据集合。这个数据集合产生关于用户属性的画像，指导着产品经理和用户运营

依据标签属性划分的示例参数

（4）标签属性

2. 用户属性

用户行为的参数主要分为两种：一种是行为类型，另一种是行为来源。

用户行为参数

行为类型可以帮助我们定位产品中最受用户关注的内容和服务。我们在使用一款产品时会自然地做出一些行为，比如浏览、搜索、点击、收藏，在使用体验较好时，还会进一步做出互动行为，比如点赞、评论和分享等。在建立用户画像模型的时候，可以为以上行为设置不一样的权重值。将这些权重值汇总起来就可以定义一个群体的用户特征。

（1）行为类型

行为来源可以帮助用户运营分析从不同渠道来的用户是否有共同特征或特殊偏好。一个产品往往有多种用户渠道，那么用户是从哪里过来的？是产品首页、活动页、公众号、推荐、邀请链接还是广告？行为来源提供了重要信息，对每一个行为来源做好标注，在拿到来源数据后进行进一步的行为关联，就可以得到一个完整的用户画像

（2）行为来源

用户属性与用户行为的关联是建立模型的基础。以用户ID为核心，从来源到属性再到行为进行关联，并根据自身产品的情况设定不同的权重。通常将用户在产品中最核心的交互点的权重值设置得最高，通过筛选可以迅速找到最活跃的核心用户群体，并将次活跃的群体向活跃群体转化。

（3）行为关联

用户行为关联

3. 用户行为

用户数据源类型

所谓数据清洗，主要指的是将冗余、无效的信息剔除。当渠道来源比较杂的时候，部分用户在留下数据时想要隐藏真实信息，这就可能会出现0岁或99岁这样的极端值。我们应当将这种极端值从样本中移除，并据此做一些修正，用修正后的数据建库。

1. 数据清洗

将清洗过的数据梳理成不同维度的队列，输出成标签，再将标签与用户ID进行映射。其中用户ID有唯一的标识码。基于这个标识码，将用户的所有属性和行为抽象为不同的标签，再根据标签与用户ID的映射将用户进行聚类，进行模型输出。

用户画像模型示例

2. 建库与映射

3. 标签化模型输出

用户数据建模

用户画像的建立方法和流程

在每个环节的分析过程中，以用户画像为指引，用户运营能够发现用户特征，有效提升用户增长空间。

1. 用户路径中的用户画像应用

按照活跃层级，可以将用户分成潜在用户、活跃用户、忠诚用户和流失用户四类。

根据活跃层级的用户分类

应用示例

2. 不同用户层级下用户画像的应用

用户画像在运营中的应用

做好用户画像