看完后，终于知道用户画像是什么鬼了
交互设计之父Alan Cooper最早提出了用户画像（persona）的概念，认为“用户画像是真实用户的虚拟代表,是建立在一系列真实数据之上的目标用户模型”。
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？
如下图以母婴、化妆品用户画像为例：
用户画像的应用有哪些？
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，比如推荐系统广告系统。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。
数据分析：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。
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。
以我们现在服务的某个日用快消品牌来说
根据付款时间筛选出4个维度，付款日期距今日分别为：0~30；30~60；60~90；90~120
分别属于活跃期客户，沉默客户、沉睡客户、流失客户，品牌将这部分客户建立用户画像，对不同的客户群体采取不同的营销策略，最终唤醒沉睡客户，挽回流失客户。同时根据各个城市的会员商品排行、各个客单价的会员商品排行等数据洞察进行精准营销对于品牌来说，挽回比拉新更为你重要。
用户画像是精准营销的一个具体的呈现形式，用户画像本身并不神秘，而且随着时间和信息积累也在不断的更新拓展，随着互联网、O2O等交互应用信息越来越多，客户画像能够为品牌了解客户、认知客户、营销客户起到更加重要的积极的作用。8月16日，网聚宝线下“大数据、智能算法与品牌营销变革”，现场倾听品牌如何建立他们的用户画像。
网聚宝（上海云贝）
上海云贝网络科技有限公司为品牌在全域客户关系管理（CRM）领域，提供专业的大数据解决方案及应用。协助企业落实全渠道策略，用数据还原关键业务环节，提升企业数据应用能力、支持企业决策、提升运营能力、提升营销效果。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点注册 | 登录
为成为更优秀的用户体验分析师而孜孜不倦
从零开始学运营，10年运营老司机带路，2天线下集训+1年在线学习，做个优秀的运营人。
我们看过应该不下10篇关于用户画像的干货。但是依旧不知道应该怎么做一份用户画像出来。干货里告诉我们用户画像的价值、用户画像应该有的数据，用户画像应该包含的内容。好的，我都按大神们的教导收集好数据了。麻烦谁能告诉我到！底！这！些！数！据！怎！么！处！理！啊！喂！
今天我就抛砖引玉的说一下我曾经经手的一份用户画像及其每一步的建立步骤吧！当然我觉得那次的结果很粗糙，原因在于还是没人告诉我每一步要怎么做，但是起码应该是一个粗线条的步骤原型了。希望今天之后大家能在收集齐全大神的数据建议之后，终于知道每步要怎么做了！不要像我一样，太惨了。
我们还是要说一下数据源的事情
虽然我从来都秉承着能百度到的东西基本不废话，但是这张图我觉得还是有必要贴出来的。这个图不是我的，原文作者：郭志金。知识产权还是要保护的，大家可以百度一下郭老师关于如何构建用户画像的文章找到更加详细的论述。不多说了。上图。
这里能就是郭老师说的需要准备好的所有的相关用户数据。好的，我觉得这些数据对于大家来说并不那么困难吧。所以收集到了之后呢，就开始真正的处理数据了。
step2 数据收集后的处理步骤
第一步：清洗数据
本来我不打算说这个，但是觉得还是有必要提一句，收集到的数据很多都不能直接使用。需要对数据进行编码和分类，还要去掉异常值和补全缺失值这些。我这里将会用到的分析软件是跟随我五六年的SPSS（用了这么多年依旧不是高手）。我就假设这一步大家都做完了。
第二步：因素分析
本来我也不知道为什么要做因素分析。直到我最近看书才了解，给大家解释一下做因素分析的原因。用户画像就是把一堆数据分类，分到同一组的数据所代表的人就是一类。那么聚类就需要考虑把哪些数据拿出来聚类呢？比如说个人收入和家庭总收入。这是两列数据，最后可能都会决定我是屌丝还是白富美。要把这两个数据放进去一起聚类吗？恐怕不是！聚类是不建议把高度相关的数据都扔进去的。为什么？因为高度相关了就基本等于同一个数据了，你把同一个数据放进去两遍，不就是加重了这个数据在所有数据里的权重了么！这里一些专业统计词我就不过分解释了，这次真的可以百度。
知道了为什么要因素分析，就谈谈因素分析的作用，因素分析就是把N个数据先归归类，特别相同的就是一类的了，我们选其中一些数据就可以了。这样因素分析就可以帮我们把N列数据减少到几列数据。至于因素分析怎么做，我也不在这里废话了。有一个神奇的老师叫吴明隆，他有一本SPSS实操，那里手把手教学。各位可以去自行查阅。
第三步：相关分析
我们已经把数据N列减少到重要的几个了。在开始聚类之前，还要做一件事就是看一下这些数据的相关性。一般我们选择中等相关的数据。太相关不能用原因见上一条。太不相关了也别放进去了，毕竟个人收入的数据和隔壁老王的体重数据放在一起也没什么大用。相关分析怎么做也请见吴老师的宝书。
第四步：聚类分析
好的，我们终于说到我们的主角了，聚类分析。我曾记得当初我做的时候一个恩师姐姐建议我，聚类都做一遍。虽然我还不懂她在说什么。但是就我现在的理解，给大家谈一谈。首先SPSS里有三种聚类方式。见图。
上面看到啦，这是SPSS里的3中聚类方式。我会首先做一下两步聚类。为啥呢，因为两步聚类不需要动脑子。为什么这么说。就是你丢一堆数据进去，你不需要预设你要聚类成几类。就是你可以不知道到底有几类啊，看SPSS大大的心情啊。两步聚类把数据类型分分开就可以了，别把连续的放在类别的里面。就可以了。聚类之后你会得到这样一个结果。上图。
酱紫的。具体的解释和怎么看。建议去看沈浩老师博客的聚类分析，百度一下你值得拥有。然后我们把一些重要程度很低的变量可以试着剔除一些了。这里就是第一次聚类。
然后到了第二次聚类，K均值聚类。第一步已经知道大概的聚类类别了。我这个是聚出了1类。K均值的时候有一个聚类数需要你填写。你就把两步聚类里的聚类数填进去就好啦。然后就得到了K均值聚类的结果。我们这样不断调试删除增加变量的原因是为了让聚类结果更加稳定。
最后的最后，系统聚类。你可以看到一个长得很酷的图，然后可以看看结构什么的。也是为了确定聚类结果的稳定性。具体操作也自行解决吧。
第五步：判别分析
聚类好了之后，我们是有态度有素质的团队嘛。就要看看自己聚类出来的结果准不准。就需要判别分析了，把已经聚类好的数据和待验证的数据放进去看下结果，来评判一下聚类的效果。本来我想上个图，觉得要保护我司的数据安全。就放弃了。大家百度一下贝叶斯判别，很多效果图那边。这里只讲步骤。
好啦。最后的结果如果稳定且验证后效果良好。那你的用户就真的画完了。很多人在说每个标签权重的事情。我个人是这么理解的，看贵司用户占这些分类的多少比较重要。说的更直接点，加权重给每个画像这个事情，我暂时还没有知道要怎么做。如果有牛人用R或者什么统计软件完爆我，我真的认真的说，请收我为徒。我真的很想要一个老师。为了实现我做最好的用研的梦想。
作者：王蕊 （微信号Xiaolan_psy），斗鱼用户研究员。1年互联网用户研究经验，曾主导同程旅游多款项目的产品调研与数据分析工作。
本文由 @王蕊 原创发布于人人都是产品经理。未经许可，禁止转载。
如果觉得写的不错，欢迎打赏支持
收藏已收藏 | 289赞已赞 | 25
为成为更优秀的用户体验分析师而孜孜不倦
产品经理群运营交流群求职招聘群
Axure交流群
PM要学点技术
关注微信公众号
11个回答18人关注
0个回答1人关注
8个回答33人关注
11个回答10人关注
9个回答89人关注
17个回答25人关注5182被浏览410866分享邀请回答 。参考阅读：［1］［2］易观智库：大数据下的用户分析（PPT）［3］杨步涛：基于用户画像的大数据挖掘实践［4］［5］35912 条评论分享收藏感谢收起后使用快捷导航没有帐号？
请完成以下验证码
何谓“用户画像”？如何利用用户画像进行精准营销？
发布时间：
什么是何谓“用户画像”
13:58 上传
什么是何谓“用户画像”
何谓“用户画像”？这个名称也是近几年诞生的。很多营销项目或很多广告主，在打算投放广告前，都要求媒体提供其用户画像。在以前，大多媒体会针对自身用户做一个分类，但是有了大数据后，企业及消费者行为带来一系列改变与重塑，通过用户画像可以更加拟人化的描述用户特点。
“用户画像”把用户信息标签化，拟人化用户画像，即用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础，能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。
“用户画像”把用户信息标签化，拟人化
13:58 上传
用户画像的标签模型
怎样为用户“画像”？
为用户画像的焦点工作就是为用户打“标签”，而一个标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、用户偏好等，最后将用户的所有标签综合来看，基本就可以勾勒出该用户的立体“画像”了。
怎么建立用户“画像”？第一，收集到用户所有的相关数据并将用户数据划分为静态信息数据、动态信息数据两大类，静态数据就是用户相对稳定的信息，如性别、地域、职业、消费等级等，动态数据就是用户不停变化的行为信息，如浏览网页、搜索商品、发表评论、接触渠道等；
第二，通过剖析数据为用户贴上相应的标签及指数，标签代表用户对该内容有兴趣、偏好、需求等，指数代表用户的兴趣程度、需求程度、购买概率等；
第三，用标签为用户建模，包括时间、地点、人物三个要素，简单来说就是什么用户在什么时间什么地点做了什么事。
“用户画像”对精准营销作用消费方式的改变促使用户迫切希望尽快获取自己想要了解的信息，所以说，基于用户画像上的精准营销不管对企业还是对用户来说，都是有需求的，这会给双方交易带来极大便捷，也为双方平等沟通搭建了一个畅通平台。
“用户画像”对精准营销作用
13:58 上传
用户画像精准营销作用
具体包括：
1、分析原有用户属性，找出忠实用户、核心用户、目标用户与潜在用户；2、利用数据管理平台进行用户行为数据收集，搭建并完善用户画像模型；3、寻找迫切需求信息的匹配人群，精准推送相应的营销广告或服务信息；4、营销信息投放一段时间后，剖析用户反馈行为数据，使营销更加精准；5、不断丰富与优化用户画像模型，从而最终达到个性化营销与服务推送。
width:100%">
2017年9月，值得推荐的25份报告2017年8月，值得收藏的25份报告
||||||||||大数据学院
技术大咖告诉你，为什么你做的用户画像模型不精准？
对企业而言，得用户者得天下，能够有一套科学的精准营销、个性化推荐模型，无疑会促进业务的增长；对开发者而言，用户画像也是频繁被提及的技术，这样可以根据目标用户的动机和行为上进行产品设计，远远优于为脑中虚构的东西做设计。
用户画像的应用场景甚多，但即使是从事这方面研发的人，对其内部逻辑也是似是而非。大家都希望自己的用户画像模型更加精准，如何做到？这就要深入解剖，理解用户画像与标签的关系、根据何种理论建模更加有效？大数据时代，需要上帝的视角，有了科学的大数据思维方法和理论指导，才能在结合实际业务建模中游刃有余。
DT时代要从比特流中理解人类行为
水有源木有本，之所以需要用户画像，是因为DT时代相较传统IT时代发生很大变化：DT时代的数据是现实世界的虚拟化表现，数据本身构成了一个虚拟世界，这使得IT系统构建在虚拟系统上，也变得更加智能。
尤其表现在信息化建设、可穿戴设备、信息网络的发展，使全社会的信息化程度越来越高，越来越多的业务需要计算机应用，将设备和人连接在一起，用户与这些应用、设备交互中产生大量数据。
在这种社会科技发展趋势下，人与人沟通的方式发生了根本变革，这就导致“要学会从比特流中解读他人”，因此要构建用户画像；但数据这么大，人工显然无法应对，所以“还要教会机器从比特流中理解人类”，再在画像的基础上构建一些应用，比如个性化推荐、精准广告、金融征信等，进行机器与人的交互。
你真的理解用户画像是什么意思吗？给你深度解析
用户画像、标签、360度用户视图等这些词经常被提起，但实际上连从事研发工作的人，对这些概念也不甚了解。要想搞清楚，还需要从理论层面解读。
用户画像从某种程度上说来源于对事物的描述，但每个人描述事物的方式和角度不一样，梳理共性，可将用户画像分为五个层次：
第一个是目标，目标都是为了描述人、认识人、了解人、理解人。这是用户画像最大的目标。
第二是描述的方式，分为非形式化（语音、文本、视频、图像……）和形式化（读卡器读取信息的形式）两种手段。
第三是组织方式，就是结构化和非结构化的组织方式，我们前面看到的球员数据它就是结构化的。
第四个就是用户画像标准，包括常识、共识、体系。这个很重要（比如说某个人特别二次元，这个词对方就可能听不懂，是因为双方对二次元这个词没有达成共识，所以必须有一套达成共识的知识体系，不然用户画像这件事是没有办法达到的。）
最后一个是验证，依据：事实、推理过程、检验。为什么一定要验证？举个例子，比如说某个人“特别不靠谱”，相当于打上标签，但会被反问为什么不靠谱、依据是什么？所以要提前验证，否则会丧失可信力。
据此，可以得出用户画像的定义：用户画像是对现实世界中用户的数学建模。
一方面，用户画像是描述用户的数据，是符合特定用户需求的对用户的形式化描述。从业务中抽象出来，可以形容为“来源于现实，高于现实”。另一方面，用户画像是一种模型，是通过分析挖掘用户尽可能多的数据信息得到的。对数据做抽象，可以形容为“来源于数据，高于数据”。反过来，根据这个模型，可以挖掘出更多用户画像。
如何构建用户画像？让机器根据一套知识体系理解人类
在90年代流行一种”本体论”方法，但非常复杂。所以重点来了，用户画像构建需要根据一套原则，在这里分享一套相对朴素的方法：
朴素的知识表现方法：符号-概念法。符号与概念是相对应的，比如，狗这个词是一个符号，但人们脑子中的概念是”四条腿、看家的、一个能汪汪叫的动物”。
朴素的用户特征表现方法：标签-模型法。标签的定义是用户特征的符号表现，模型定义是经验总结的用户特征。什么是标签?举例来说，比如”收入高、坐办公室” 这个群体可以打上白领这个标签；同时标签是跟业务场景绑定在一起的，脱离业务场景的符号没有明确的含义。比如在阿里内部，关于男女，这样最简单的标签，也有12个男和女，它与业务密切相关，不仅仅是指生理上的男和女，还包括在互联网喜欢买男性的商品或者女性的商品定义的男女等等。
那么，用户画像和标签有什么关系？其实二者是整体和局部的关系，用户画像是整体，标签是局部，而整体和局部的关系可以通过“标签体系”体现。
根据这个逻辑，可以得出，用户画像可以用标签的集合来表现，即“标签体系”方法，用户画像（整体）和标签（局部）还包含两方面的关系：化整为零，整体如何反映在局部；化零为整，局部如何组成整体。
举例来说：“人都有一双眼睛一个鼻子”，化整为零来看：应该观察到每个人都有一双眼睛和一个鼻子；化零为整：只有位置合适的一双眼睛和一个鼻子才被认为是一个人。
至于标签体系，因为标签是和业务密切相关的，对应的标签体系也要搜集所有业务方的需求，制定出标签体系后，给每一个标签标准进行定义，最后进行标签开发。
另外，在用户画像建模方面，可以将标签建模分为四层：第一层是事实类标签，譬如用户购物了什么品类；第二层是机器学习模型的预测标签，譬如当下需求、潜在需求等；第三层是营销模型类标签，譬如用户价值、活跃度和忠诚度等；第四层是业务类的标签，譬如高奢人群、有房一族等，它是由底层的标签组合生成的，通常由业务人员定义。
最后是验证，对模型的验证可以分成两个方面，一个是准确率的验证，标签打得准不准；第二个是标签打得全不全。但这两个方面没有办法同时满足的。现实业务中无法追求100%完备的标签体系。不过，目前谈得最多的是准确率。其分为两种，一种是有事实标准的，譬如生理性别；另外一种是无事实标准的，譬如用户的忠诚度，只能验证过程，具体效果需要通过线上业务A/B Test进行验证。
构建用户画像的关键难题：需要上帝视角
要想精准构建用户画像还面临着许多技术难题，比如用户多渠道信息打通、多渠道的产品打通、实时采集用户数据，以及用户数据挖掘建模等方面。重点解读下用户多渠道信息打通和多渠道的产品打通两个关键问题。
首先是用户多渠道信息打通，大数据时代我们需要上帝视角。
因为用户与企业的触点非常多，譬如手机、邮箱、Cookie等，要将同一个用户的多个触点进行打通。方法就是把用户ID视为图中的顶点，如果用户的两个触点在同一个场景出现（比如用邮箱登陆），那么就可以把在用户的邮箱和Cookie用一条边进行连接，从而构建一张图。
用户打通可以基于图例的方法进行强拉通，也可以采用机器学习方法进行模糊拉通，预测出拉通的概率。
除了用户打通，不同渠道的产品也需要拉通，可采用标签体系拉通方法：建立一套标准的分类标签体系，比如一颗分类树，任何商品都能划分到这个分类树的叶子节点。根据百分点的实践经验，手工映射的方法成本高、难以大规模开展，实际工作中会采用机器学习模型+少量的人工规则来实现。
但要实现自动分类，其中难点不在于模型，而在于获得训练数据、feature engineering，以及分类树层级节点之间的依赖问题。
用户画像应用，是业务和技术的最佳结合点
可以说，“用户画像”在行业应用中算是曝光率最高的技术之一，有很多用武之地，总结来说，包括：售前的精准营销、售中的个性化推荐，以及售后的增值服务等；用户画像的标签维度包括人口属性、上网特征、购物偏好等。
需要强调的是，标签和应用是相互相承的关系，一方面可以根据现有的标签维度开发应用，另一方面也可以根据应用的需求扩展标签的维度，两者互相促进。
首先，根据用户画像进行精准营销。不同于门户广告等DSP公司投放的程序化广告，百分点着眼点在于帮助企业整合、拉通自己的第一方数据，建立企业用户画像、实现全渠道营销。
而且结合百分点的营销管家产品，可以实现触发式的营销。
比如，用户在某网站下单购买一款手机，便可以立马给他推送该品牌手机对应的手机配件广告。最终效果是，通过用户拉通用户画像，对59万个潜在消费者形成4个精准人群，并进行投放，是盲投点击率的10倍。
其次是售中的个性化推荐。这是百分点最开始创立时做的事情，目前已经服务超过1500家的电商和媒体客户，是国内最大的第三方推荐服务提供商。
值得一提的是百分点推荐引擎的设计架构，核心为四大组件：场景引擎、规则引擎、算法引擎和展示引擎，尤其是规则引擎非常强大，可以根据客户的业务需求可视化配置推荐逻辑，譬如推新品、清库存等等，而不仅仅是点击率最优。
比如百分点的某个团购网站客户，采用这个推荐引擎解决下单率的问题，通过分析发现了该网站用户的一系列特征，譬如忠诚度低、区域性购买等。
最后是如何结合用户画像提供“售后”增值服务。上图是百分点客户的应用系统方案，通过数据接口实时反馈用户相关信息，包括历史维修、历史咨询并进行知识推荐等内容，支撑服务效率、提升客户满意度；同时收集用户的服务满意度数据，进一步补充、完善用户画像信息。
在大数据时代，机器要学会从比特流中解读用户，构建用户画像变得尤其重要，是上层各种应用的基础。
用户画像不是数学游戏，而是严肃的业务问题。构建用户画像的核心是进行标签建模，标签不仅仅是个符号，更要和业务紧密关联，是业务和技术的最佳结合点，是现实与数据化的最佳实践。不断从更深的逻辑角度思考建模理论，并有效匹配业务应用，用户画像在实际业务中的重要价值将会越来越大。
讲师介绍：苏海波，百分点集团研发总监，清华大学电子工程系博士。擅长文本分析、机器学习，精于个性化推荐以及计算广告学；多篇论文发表于GLOBECOM、ICC、IEICE Transactions 等国外顶尖学术会议和期刊；曾负责当当网百货搜索以及adsmart广告系统的算法效果优化；曾负责新浪微博信息流广告产品整体算法策略的设计及研发。