谈论用户画像的价值

谈论用户画像的价值

用户画像是标签化的用户行为特征

交互设计之父Alan

Cooper最早提出用户画像（persona）的概念:“Personas

area

concrete

representation

of

target

users.”用户画像是从真实的用户行为中抽象出来的的典型用户模型，企业通过收集与分析消费者的社会属性、生活习惯、消费行为的主要信息之后，完整描述产品（或服务）的目标用户特征，为企业中所有与用户有关的决策过程提供信息基础，指导企业的产品服务研发和市场营销。

用户画像的核心在于给用户“打标签”，每一个标签通常是人为规定的特征标识，用高度精炼的特征描述一类人，例如年龄、性别、兴趣偏好等，不同的标签通过结构化的数据体系整合，就可与组合出不同的用户画像。

用户画像源于企业对用户认知的渴求

所谓用户画像的提出，根本上是源于企业对用户认知的渴求，在营销决策的过程中，企业关注的重心不外乎两类，“如何做出用户更喜欢的产品”，“如何把产品卖给对的人”，解决这两个问题离不开对用户需求的洞察，因此决策者不可避免的要考虑两类人：

现有用户-

我的现存用户是谁？为什么买我的产品？他们有什么偏好？哪些用户价值最高？

潜在客户-

我的潜在用户在哪儿？他们喜欢什么？哪些渠道能找到他们？获客成本是多少？

为了回答这些问题，企业必须通过各种方式不断的收集用户信息，最初可能只是通过问卷调查、用户访谈等少量、定性分析的方式进行，当样本的数量逐步提升，这些用户的信息将会以更加标准化、更简单的方式描述出来，形成一个一个“标签”，这也就形成了用户画像的雏形。因此，用户画像并不是大数据时代的“专利”，大数据技术的应用，拓展了企业获取数据的来源和处理数据的方法，让企业有机会得到更多的用户样本，从海量数据中找到那些真正对自己有价值的数据，从更多维度描述自己的用户画像。

对内指导完善产品

对外推动精细营销

用户画像作为企业目标用户的真实写照，在企业的不同决策环节中都将发挥作用，归纳起来主要是以下两个方面。

1对内完善产品，优化用户体验

指导产品研发：改变闭门造车的生产模式，生产逻辑从“造什么用户买什么”逐渐转变为“用户需要什么就造什么”。通过用户需求的调研，设计制造更加适合用户的产品，提升用户体验。产品研发初期没有销售数据的时候，用户画像将直接反应企业对用户的了解程度，决定产品定位。

完善产品运营：产品（或服务）的销售过程中，用户画像将帮助企业改善产品运营，优化与用户交互的流程与体验，提升已有用户的平台粘性和交易转化率。

2对外促进销售，拓展商业模式

精细化营销：根据产品特点，更加精准地找到目标用户，在用户偏好的渠道上进行内容投放，适时交互促成购买行为，实现精准获客。

数据服务：平台的用户信息和用户行为将成为重要的数据源，指导新业务的拓展或为他所用。

数据是构建用户画像的核心

1三类基础数据整合1、用户数据

静态信息数据：用户相对稳定的信息，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗的工作。

动态信息数据：用户不断变化的行为信息，用户搜索了什么商品，浏览了哪个页面，赞了哪条微博消息，发布了积极或消极的评论……这些都是互联网上的用户行为，将成为用户画像中偏好特征和消费行为特征的主要依据。

2、商品数据

客观商品属性：商品的功能、颜色、能耗、价格等事实数据。

主观商品定位：商品的风格、定位人群等。

商品数据可以认为是商品的标签，需要和用户标签进行关联和匹配。

3、渠道数据

信息渠道：用户在信息渠道上获得资讯，如、微博等社交网络。

购买渠道：用户在购买渠道上进行商品采购，例如商品官网、电商平台等。

不同类型的用户对渠道有不同的偏好，精准的选择对应的渠道才能提高效率和收益。

2数据建模方法

有了上述三类数据之后，需要根据用户行为构建相应的数据模型产出标签和权重。每一次的用户行为，可以详细描述为：什么用户，在什么时间，什么地点，发生了什么事。

什么用户：即用户识别，其目的是为了区分用户。互联网主要的用户识别的方式包括Cookie，注册ID，微博，手机号等，获取方式由易到难，不同企业的客户信息数据化程度有所不同，用户识别的方式也可按需选取。

什么时间：在用户行为中，普遍认为近期发生的行为将更反映用户当下的特征，因此过往行为将表现为在标签权重上的衰减。

什么地点：即用户的接触点，包含了两个潜在信息：网址和内容。内容决定标签，网址决定权重。例如，一瓶矿泉水，超市卖1元，景区卖3元，酒店卖5元，商品的售卖价值，不在于成本，而在于售卖地点，这里的权重可以理解为用户对矿泉水的需求程度不同，相应的也有不同的支付意愿。类似的反映到互联网，用户在天猫浏览了iPhone6的信息和在苹果官网浏览也将存在权重的差异，因此，网址的内容反映了标签信息，网址本身则表征了标签的权重。

做了什么：用户的行为类型，例如浏览、搜索、评论、点赞、收藏等，同样反映的是标签的权重。

从上述建模方法中，我们可以简单勾画出一个用户行为的标签权重公式：

标签权重=时间衰减（何时）×网址权重（何地）×行为权重（做什么）

举个直观的例子，“B用户今天在苹果官网购买了iPhone6”反映出的用户标签可能是“果粉1”；而“A用户三天前在天猫收藏了iPhone6”反映出的标签可能只是“果粉0.448”，这些不同用户的标签及相应的权重将在后续的营销决策中发挥指导作用。

3算法输出

通过数据建模，企业可以有效地为能覆盖到的用户打上标签，之后结合渠道信息和商品信息，企业可根据需求定向地选择数据挖掘的方法输出结果，在营销决策中，可能得到的结论例如“具有标签a的人集中购买了商品A”、“购买商品B的用户同样会对商品A感兴趣”、“商品A的购买人群主要集中于渠道c”等等，这些信息将直接指导企业完成营销决策。在这个过程中常用的算法包括聚类和关联规则等，本文不深入展开，这些算法的核心逻辑可以认为是利用现有事实对未来进行预测的过程。

通过上述介绍，本文简单阐释了用户画像及其构建逻辑。但归根到底，技术只是载体，其最终还是为了服务于企业基于用户的营销决策。在市场的迷雾中，用户画像像是一座桥梁，跨越企业与用户之间的信息鸿沟，大数据的手段把用户错综复杂的消费行为和难以捉摸心理状态通过更加理性的方式为企业呈现出来，让未来企业营销决策真正做到“有理有据”。