用户画像

朱雀 2021-11-05 09:42 372阅读 0赞

这里不包含算法、技术、架构内容，因为相对来说，用户画像落地比较简单，难的是用户画像的价值落地。

用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们谈及用户画像，它也是和精准营销、精细化运营直接钩挂的。这篇文章主要讲产品运营角度的用户画像。

**什么是用户画像**

用户画像一点也不神秘，它是根据用户在互联网留下的种种数据，主动或被动地收集，最后加工成一系列的标签。比如猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？

![aHR0cHM6Ly9waWMxLnpoaW1nLmNvbS84MC92Mi05MTg4NzdmMjkxMjQ2ZjQwZjdmOThiM2U1YjA0ZWNlMF9oZC5wbmc][]

我们常把用户标签和用户画像对等。但凡用户画像的文章，类似上文图片都会出现，有用烂的趋势。标签化是最直观的解释，但它不等于用户画像。

用户画像的正式名称是User Profile，大家往往把它和User Persona混淆，后者更恰当的名字是用户角色。是产品设计和用户调研的一种方式方法。当我们讨论产品、需求、场景、用户体验的时候，往往需要将焦点聚集在某类人群上，用户角色便是一种抽象的方法，是目标用户的集合。

用户角色不指代具体的谁。「她是一位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」，这段话语，常用来描述产品的典型用户。

本文谈的User Profile，更多是运营和数据息息相关的平台级应用，本质是对任何一个用户都能用标签和数据描述。

## **用户画像的应用** ##

它在企业迈大迈强的过程中有举足轻重的作用。以下是主要的应用。

精准营销：这是运营最熟悉的玩法，从粗放式到精细化，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，驱以关怀、挽回、激励等策略。

数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放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。

用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。

数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。

对大部分产品，用户画像用不到推荐系统，个性化推荐也提高不了几个利润，毕竟它需要大量的用户和数据作支撑。所以这些产品，更适合以用户画像为基础去驱动业务。

提了那么多好处，但是据我了解，不少公司，花了一大笔钱招了不少人建设用户画像系统，结果用不起来。或者做了一份用户画像的报告，性别用户地理位置用户消费金额，看上去挺高大上的，看完也就看完了。

归根结底，难以用好。

很多用户画像初衷是好的，但是沦为了形式主义。

举身边的例子，朋友在公司建立用户画像划分了百来个维度。用户消费、属性、行为无所不包。本来这不错啊，但是上线后运营看着这个干瞪眼。

问题包含但不限于，用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？

设立好标签，怎么验证用户画像的有效性？我怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？

策略的执行也是一个纠结的问题。从岗位的执行看，运营背负着KPI。当月底KPI完不成时，你觉得他们更喜欢选择全量运营，还是精细化呢?

我想不少公司都存在这样类似情况：使用过用户画像一段时间后，发现也就那么一回事，也就渐渐不再使用。

这是用户画像在业务层面遇到老大难的问题。虽然企业自称建立用户画像，应用还是挺粗糙的。

## **怎样深入理解用户画像** ##

画虎不全反类汪，想要用好它，首先得深入理解用户画像。

现在运营按用户生命周期设立了几个标签，比如新用户、活跃用户、流失用户，这些标签当然够细分。但它真的是一个好标签么？不是。

因为这些都是滞后性的。按流失用户的一般定义，往往是用户很长一段时间没有回应和行动，但是都几个月没有响应了，哪怕知道是流失用户也于事无补。它有价值，但太滞后。

聪明的运营会设立一个新的标签，最近一次活跃距今天数，用户有六个月没有活跃，那么天数就是180天。这个比单纯的流失用户标签好，能凭此划分不同的距今天数，设立30天，90天，180天的时间节点。

距今天数也不是最好的。用户有差异，同样两个用户A和B，哪怕不活跃天数相同，我也不能认为它们的流失可能性相等。该问题在低频场景更凸显，旅游APP，半年没有活跃也是正常的，此时距今天数力有未逮。

回过头看流失用户，我们定义它，不是为了设立一个高大上的系统。任何企业，肯定一开始就希望流失用户越少越好，其次才是如何挽回。这种业务前提下，预防性的减少流失用户比已经流失的标签更重要。

所以最好的标签的标签是用户流失概率，流失概率>距今消费天数>流失标签。

不要想当然的归纳一个齐全完备的体系，却忽略了画像的核心价值。用户画像首先得是商业目的下的用户标签集合。

猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。

不是我有了用户画像，便能驱动和提高业务。而是为了驱动和提高业务，才需要用户画像。这是很容易犯的错误。

用户画像的标签一般通过两种形式获得，基于已有数据或者一定规则加工，流失标签和距今天数皆是。另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。

概率是介于0~1之间的数值。拿性别举例，除非能直接获取用户的身份证信息，用户很少会填写性别，填写的性别也不一定准确，网游中性别为女的扣脚大汉一抓一大把呢。

这里就要增加一层推断用户真实性别的算法。中国人的性别和名字是强相关，建国建军，翠花翠兰，很容易判断。算法中常用贝叶斯，通过已有的姓名性别库预测新加入的用户性别。

特殊情况下，不少姓名是中性，男女不辩。像晓晶，可男可女。更特殊的情况，看上去是男性的名字，也有可能是女性，我的初中老师就叫建军，然而是个和蔼可亲的小姐姐。

特殊情况意味着特殊的概率，所以不能用非此即彼的二分法。所谓概率，它更习惯告诉你，通过模型推断，建军有95％的可能是男性姓名，表示为0.95；晓晶有55％的可能是男性，表示为0.55。

虽然为了方便，模型会设立阈值，将50％以上的概率默认为男性，以下默认为女性。但业务部门的同学要清楚，用户标签的本质往往是0～1之间的概率。

概率型的标签很难验证。某位用户被标上学生标签，要么真的哄他上传学籍证明，否则很难知道他是不是真的学生。这种黑箱情况下，针对学生用户进行营销活动，效果好与不好，都受标签准确率的影响。广告、推荐、精准营销都会遇到这个问题。

概率肯定有多有少。90%流失概率的用户，和30%流失概率的用户，虽然是模型建立出的预测值，非真实，我们还是会认为前者更有离开的可能性，凭此设立运营策略。

这带来一个新的问题，如何选择概率的阈值？

我们想要挽回流失用户，选择80%以上概率的人群，还是60%呢？答案已经说过了，要考虑业务，挽回流失用户是手段不是目的，实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的收入和成本，选择最优解。

推而广之，推荐系统也好，广告系统也罢，它们有更复杂的维度、标签、特征，本质也是找出用户最近想不想买车，用户最近想不想旅游。把最合适的信息在最恰当时机推给用户，获取最大的利益。

我列举的案例，是简化过的。像姓名，在电商和消费行业，除了生理上的性别，还会建立消费模型上的性别标签，有些人虽然是男性，但购物行为是女性，这是要区分的。

看到这里别怕，想要建好用户画像，说简单不简单，说难也不难。

## **如何建立正确的用户画像** ##

用户画像首先是基于业务模型的。业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。数据部门也别关门造车，这和做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果无人问津。

理解消费者的决策，考虑业务场景，考虑业务形态，考虑业务部门的需求…这些概念说得很虚，但是一个好的用户画像离不开它们。本文没有说数据、模型和算法，是我认为，它们比技术层面更重要。

我们从一个故事开始设立用户画像吧。

老王是一家互联网创业公司的核心人员，产品主营绿色健康沙拉，老王和绿色比较搭嘛。这家公司推出了APP专卖各式各样的沙拉，现在需要建立用户画像指导运营。

公司现阶段在业务层面，更关注营销和销售：如何将沙拉卖得更好。下图是老王简单梳理的运营流程。

![aHR0cHM6Ly9waWMxLnpoaW1nLmNvbS84MC92Mi03MzJhNTk4ZTVjZWUxMzdiMWJlZmEwNDUxOTI4OGEyMF9oZC5wbmc][]

老王将顾客按是否购买过沙拉，划分成潜在用户和新客。潜在用户是注册过APP但还没有下单，新客是只购买过一次沙拉的用户，除此以外还有老客，即消费了两次及以上的人群。

![aHR0cHM6Ly9waWMzLnpoaW1nLmNvbS84MC92Mi01YzIzM2U3ODVhN2U4YzYxMzU4ZjcxNzk1NTA5N2MzNl9oZC5wbmc][]

为了便于大家理解，我用JSON格式表示一个简易的用户画像。

为什么独立出新客标签？因为老王的沙拉针对未消费用户会有新人红包引导消费，万事开头难。这也带来新客一次后不再消费的问题，所以需要潜在、新客、老客的划分。

作为一个有追求的运营人员，划分老客也是不够，这里继续用户分层。

传统的分层用RFM三个维度衡量，沙拉的客单价比较固定，F和M取一个就够用了。老王现在计算不同消费档次的用户留存度差异，譬如某时间段内消费达XX元的用户,在未来时间段是否依旧消费。

沙拉这类餐饮是高频消费，XX应该选择一个较窄的时间窗口，统计365天内的消费意义不大。还有一点需要注意的是，沙拉不同季节的销量是有差异的，冬天沙拉肯定卖的不如夏天，要综合考虑消费分布。

这里姑且定义，30天内消费200元以上为VIP用户。老王的生意如果特别好，也可以继续划分超级VIP。这种标签往往配合业务，譬如VIP有赠送饮料，优先配送的权益。非VIP人群，也需要激励往VIP发展。

画像的人口统计属性，老王靠用户填写订单上的收货人姓名搞定。籍贯年龄这几个，对沙拉生意没有特别大的帮助，难道为四川籍用户提高麻辣沙拉？

用户地址，可以通过收货地设立规则判断，比如某个地址出现X次，可以将其认为常用地地址。再依据送货地在写字楼还是学校，推算用户是白领还是学生。

老王针对不同属性的人群，采取了特殊的运营策略。像学生群体，因为7,8月份是暑假，所以老王提前预估到校园地区的销售额下降。当9月开学季，又能对返校学生进行召回。

白领相关的群体，更关注消费体验，对价格敏感是次要的。如果平台女用户的消费占比高，老王就主打减肥功能的沙拉，并且以包月套餐的形式提高销量。

![aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi01MTgyMzJiYTYwZDRmMzZiMTk3YTdkNTYyM2UyNTdmYl9oZC5wbmc][]

以一家沙拉店来看，老王的用户画像已经不错了，但他还是焦头烂额，因为用户流失率开始上升。用户流失有各种各样的原因：对手老李沙拉的竞争、沙拉的口味、用户觉得性价比不高、老王不够帅等。

流失是一个老大难的预测问题。老王对流失用户的定义是30天没有消费。想要准确预测，这里得尝试用机器学习建模，技术方面先这里略过。所谓建模，最好要找到用户开始不消费的时间点之前的关键因素，可是是行为，可以是属性。

用户历史窗口内消费金额少，有可能流失；用户历史窗口内消费频次低，有可能流失；用户历史窗口内打开APP次数少，有可能流失；用户给过差评，有可能流失；用户等餐时间长，有可能流失；用户的性别差异，有可能流失；餐饮的季度因素，有可能流失…

老王依据业务，挑选了可能影响业务的特征，提交给数据组尝试预测流失。需要注意的是，这些用户行为不能反应真实的情况。大家不妨想一下，流失用户的行为，是不是一个动态的变化过程？

我曾经消费过很多次，但是突然吃腻了，于是减少消费次数，再之后不怎么消费，最终流失。单位时间段内的消费忠诚度是梯度下降的，为了更好的描述变化过程，将时间窗口细分成多个等距段。前30~20天、前20~10天、前10天内，这种切分比前30天内可以更好地表达下降趋势，也更好的预测流失。

从老王的思路看，所谓流失，可以通过用户行为的细节预判。机器学习的建模虽然依赖统计手段，也离不开业务洞察。这里再次证明，用户画像建立在业务模型上。

流失概率解决了老王的心头之患，通过提前发现降低流失用户。挽回流失推行一段时间后，老王发现虽然流失用户减少了，但是成本提高了，因为挽回用户也是要花钱的呀。亏本可不行，老王心头又生一计，他只挽回有价值的，那种拿了红包才消费的用户老王他不要了！老王要的是真爱粉。于是他配合消费档次区别对待，虽然流失用户的数量没有控制好，但是利润提高了。

上述的用户画像，没有一个标签脱离于业务之外。基于业务场景，我们还能想象很多用户画像的玩法。沙拉有不同的口味，蔬果鸡肉海鲜。用户的口味偏好，可以用矩阵分解、模糊聚类或者多分类的问题计算，也以0～1之间的数字表示喜好程度，相似的，还有价格偏好，即价格敏感度。

![aHR0cHM6Ly9waWMzLnpoaW1nLmNvbS84MC92Mi04YWY3OTZkMGQ4OWI0MzFjY2Q3YjhmMjIxMWM4MDEwZV9oZC5wbmc][]

再深入想一下业务场景，如果某个办公地点，每天都有五六笔的订单，分属不同的客户不同的时间段，外卖小哥得送个五六次，对人力成本是多大的浪费呀。运营可以在后台分析相关的数据，以团购或拼单的形式，促成订单合并，或许销售额的利润会下降，但是外卖的人力成本也节约了。这也是用画像作为数据分析的依据。

老王的运营故事说完了，现在对用户画像的建立有一套想法了吧。

## **用户画像的架构** ##

不同业务的画像标签体系并不一致，这需要数据和运营目的性的提炼。

用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。

![aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi0wYzJkYWFmZjEwYjUzN2M5OTNhNjU0OWJmODNjNGY4Zl9oZC5wbmc][]

上图是随手画的的例子，画一个架构不难，难得是了解每个标签背后的业务逻辑和落地方式，至于算法，又能单独扯很多文章了。

从数据流向和加工看，用户画像包含上下级递进关系。

以上文的流失系数举例，它通过建模，其依赖于用户早期的历史行为。而用户早期的历史行为，即10天内的消费金额、消费次数、登录次数等，本身也是一个标签，它们是通过原始的明细数据获得。

![aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi03M2UxNTQwMGViYWVlODg3N2MxZTI0ZWUzN2YyN2JhZl9oZC5wbmc][]

上图列举了标签加工和计算的过程，很好理解。最上层的策略标签，是针对业务的落地，运营人员通过多个标签的组合形成一个用户群组，方便执行。

公司越大，用户画像越复杂。某家主打内容分发的公司进入了全新的视频领域，现在有两款APP，那么用户画像的结构也需要改变。既有内容相关的标签，也有视频相关的标签，两者是并行且关联的。

比如A用户在内容标签下是重度使用，而在视频标签下是轻度。比如B用户很久没打开内容APP有流失风险，但在视频APP的使用时长上看很忠诚。如此种种，看的是灵活应用。当然，姓名性别这类人口统计标签，是通用的。

用户画像作为平台级的应用，很多运营策略及工具，都是在其基础上构建的。

![aHR0cHM6Ly9waWMyLnpoaW1nLmNvbS84MC92Mi0xMDEwOGNjYzI2ZTM1NmEwODkyODNkZTBjNWVkOTRjZF9oZC5wbmc][]

基于营销和消费相关的标签，新客、老客、用户的流失和忠诚、用户的消费水平和频率等，都是构成CRM（客户关系管理）的基础，可能大家更习惯叫它用户/会员管理运营平台。

它的作用在于，将数据化的标签，转换成产品运营策略。不同的标签对应不同的用户群体，也对应不同的营销手段。CRM的结构中会包含各类触达用户的常用渠道比如短信、邮件、推送等。也包含CMS（内容管理系统），执行人员通过其快速配置活动页、活动通道、优惠券等，靠营销活动拉动数据。

老王的沙拉业务要是做大，那么运营平台就会以图中的结构搭建。老王在CRM中组合标签，新客老客流失客的数据借助BI监控，然后通过CMS系统配置红包啊优惠券啊等等，再通过短或Push触达。

好的用户画像系统，既是数据生态体系，也是业务和运营的生态体系，它是一门复杂的交叉领域。

补充：

## 如何构建用户画像？ ##

“用户画像”的构建需要技术和业务人员的共同参与，以避免形式化的用户画像，具体做法可参考个推构建用户画像的流程：

（1）**标签体系设计**。开发者需要先了解自身的数据，确定需要设计的标签形式。

（2）**基础数据收集、多数据源数据融合**。在建设用户画像时，个推用户画像产品会整合个推以及该 APP 自身的数据。

（3）**实现用户统一标识**。多数情况下，APP 的众多用户分布于不同的账号体系中，个推会将其统一标识，帮助 APP 打通账号，实现信息快速共享。

（4）**用户画像特征层构建**，即将每一个数据进行特征化。

（5）**画像标签规则 + 算法建模**，两者缺一不可。在实际的应用中，算法难以解决的问题，利用简单的规则也可以达到很好的效果。

（6）**利用算法对所有用户打标签**。

（7）**画像质量监控**。在实际的应用中，用户画像会产生一定的波动，为了解决这个问题，个推建设了相应的监控系统，对画像的质量进行监控。

总之，个推用户画像构建的整体流程，可以概况为三个部分：

第一，**基础数据处理**。基础数据包括用户设备信息、用户的线上 APP 偏好以及线下场景数据等。

第二，**画像中间数据处理**。处理结果包括线上 APP 偏好特征和线下场景特征等。

第三，**画像信息表**。表中应有四种信息：设备基础属性；用户基础画像，包括用户的性别、年龄段、相关消费水平等；用户兴趣画像，即用户更有兴趣的方向，比如用户更偏好拼团还是海淘；用户其它画像等。

**在个推用户画像构建的过程中，机器学习占据了较为重要的位置**。机器学习主要应用在海量设备数据采集、数据清洗、数据存储的过程。

[aHR0cHM6Ly9waWMxLnpoaW1nLmNvbS84MC92Mi05MTg4NzdmMjkxMjQ2ZjQwZjdmOThiM2U1YjA0ZWNlMF9oZC5wbmc]: /images/20211104/e0eff5e69f064db0b2b824cc3111f3cf.png
[aHR0cHM6Ly9waWMxLnpoaW1nLmNvbS84MC92Mi03MzJhNTk4ZTVjZWUxMzdiMWJlZmEwNDUxOTI4OGEyMF9oZC5wbmc]: /images/20211104/d257dc6e85c54df9a066ba6ba18f98ed.png
[aHR0cHM6Ly9waWMzLnpoaW1nLmNvbS84MC92Mi01YzIzM2U3ODVhN2U4YzYxMzU4ZjcxNzk1NTA5N2MzNl9oZC5wbmc]: /images/20211104/b69b175e49ff409fad2d952bc54bfe1d.png
[aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi01MTgyMzJiYTYwZDRmMzZiMTk3YTdkNTYyM2UyNTdmYl9oZC5wbmc]: /images/20211104/f578be06b68947df8c2bb057c790657a.png
[aHR0cHM6Ly9waWMzLnpoaW1nLmNvbS84MC92Mi04YWY3OTZkMGQ4OWI0MzFjY2Q3YjhmMjIxMWM4MDEwZV9oZC5wbmc]: /images/20211104/7282e92dfc734d0da65bf7d132300c4b.png
[aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi0wYzJkYWFmZjEwYjUzN2M5OTNhNjU0OWJmODNjNGY4Zl9oZC5wbmc]: /images/20211104/9426573a237e400cbadd034919f10256.png
[aHR0cHM6Ly9waWM0LnpoaW1nLmNvbS84MC92Mi03M2UxNTQwMGViYWVlODg3N2MxZTI0ZWUzN2YyN2JhZl9oZC5wbmc]: /images/20211104/ba5aee50b13c4348aeba915eb78b6593.png
[aHR0cHM6Ly9waWMyLnpoaW1nLmNvbS84MC92Mi0xMDEwOGNjYzI2ZTM1NmEwODkyODNkZTBjNWVkOTRjZF9oZC5wbmc]: /images/20211104/13e2832b777b459ca967315076dad934.png