我来教你用户画像是什么。

在互联网的各项业务中，无论是金融、电商、社交，还是新媒体、新零售，如何优化产品，提升服务都是最重要的事。其中的关键一项，就是理解用户。随着大数据技术的发展，聚焦于产品、服务的效率和质量的精准营销、广告投放、个性化搜索和推荐、风险控制、商业预测、体验优化、商业分析等逐渐展开。作为基础的“用户画像”、“标签”也应运而生。

1、什么是用户画像

一般来说，用户画像就是给用户打标签，如性别、年龄、兴趣爱好、行为偏好等。但是在中文语境中，存在将User Persona、User Profile两个概念混淆，都称作用户画像的情况。其实还是不一样的。

（1）”User Persona”VS”User Profile”

Persona : the aspects of a person’s character that they show to other people, especially when their real character is different（“一个人向他人展示的特征，尤其是不同特征”，更多强调的是特定情景下用户角色的概念）.

Profile : a brief written description that provides information about someone or something（对某人或物的信息的简要描述）.

从定义看，User Profile是用户画像，User Persona翻译为用户角色更合适。

（2）用户角色(User Persona)

用户角色(User Persona)的概念始于1997年，交互设计之父Alan Cooper在《About Face：交互设计精髓》提出了“Personas are a concrete representation of target users” （角色是目标用户的虚拟代表），是一种产品设计和用户研究的系统化方法。其中提出了两种构建用户角色的方法：

用户角色：基于对用户的观察访谈、问卷调查等研究结果建立，严谨可靠但费时。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈等方式了解用户的共性与差异，汇总成不同的虚拟用户。

临时用户角色(ad hoc persona)：基于行业专家或市场调查数据对用户的理解建立，快速但容易有偏颇。

用户角色多出现于产品、服务的策划设计阶段。我们可以站在用户角色的立场，讨论场景、体验、目标，思考用户需求、策划产品，以保持对目标用户的清晰认知，避免产品偏离用户需求。

用户角色作为目标用户的集合，不指代具体的人，但具备一个现实人物的各种特征，包括姓名、性别、年龄、城市、长相、职业、兴趣爱好、生活习惯、行为偏好、婚姻状况、家庭情况、收支情况等。

图1：用户角色(User Persona)示例

为了保持对目标用户认知的一致性，一个产品、服务一般只构建一个用户画像。大型综合性产品可能会构建多个用户画像，但主要画像一般只有一个，其他为辅助画像。

（3）用户画像（User Profile）

用户画像（User Profile）是根据用户属性、用户行为等数据分析抽象出来的标签化用户模型。其核心工作就是给用户打标签，利用一些高度概括、容易理解的特征来描述用户。这样既可以让人更容易理解用户，也方便计算机处理。这些标签的数量越丰富，标签越细化，对用户的刻画就越精准。由这些标签的集合可以抽象出一个用户的信息全貌，如图2所示是某个用户的标签集合，每一个用户标签都分别描述了一个维度，各个维度相互联系，共同构成对用户的一个整体描述。

图2：用户画像（User Profile）示例

比较
用户角色（User Persona）用户画像（User Profile）阶段
产品、服务的策划设计阶段积累了一些用户数据的成熟阶段
来源
主要来源于产品、设计人员对用户的观察访谈、问卷调查、理解。主要基于真实积累的用户数据，结合具体的业务场景产生的用户标签。作用

可以帮助我们形象地了解目标用户的行为特征，作为我们判断用户需求的依据。

构成了对于一个用户的真实描述，可以不断刻画用户，优化产品，提升服务。

随着互联网的发展，产品、服务的运作发生了很大变化：因为产品开发成本高、时间紧、资源有限等，以“快速试错、迭代开发”为特点的精益创业方法开始蔓延开来。

而且随着时间的推移，一个产品、服务的真实用户群体也在变化，在规划设计阶段虚构的用户角色需要重新研究、设想。而这种情况下，用户角色（User Persona）有时候会反应滞后。加之大数据的发展，减少了原先的不确定性，相比于用户角色(User Persona)观察访谈、问卷调查的方法，用户画像（User Profile）具备天然的技术优势，互联网更多的业务转向用户画像（User Profile）。

2、用户画像和用户标签、标签、标签体系的关系

（1）用户画像VS用户标签

用户画像、用户标签是整体和局部的关系。用户画像是整体，相对比较抽象；用户标签是局部，相对比较具象。整体和局部的关系通过“标签体系”体现。例如，一个人有四肢、五官、躯干，但只有合起来，才是一个人。

图3：用户画像、用户标签、标签的关系图

（2）标签体系

在构建用户画像的过程中，对标签进行分层、分类，关联组织，然后形成的体系，即标签体系。例如，一个人的标签包括生日、性别、身高、体重、兴趣爱好、行为偏好等，里面的每一项都是用户标签，他们共同组成了标签体系。

图4：标签体系

（3）标签VS用户标签

标签可以分为用户标签、内容标签、硬件标签、商品标签等。标签包含用户标签，用户标签是标签的一个类别。

3、用户画像的应用

构建用户画像，通常需要大量的数据、时间、人力，是一件高成本、长期投入的事。但大部分互联网公司仍然希望能做一份全面、精准的用户画像。

那么用户画像有哪些应用，使得各公司前赴后继地投入呢?

总结了下，应用大体有以下几个方面：

精准营销：将用户分群，通过邮件、短信、App进行消息推送，在相同的成本下，有更好的营销效果。

广告投放：基于一系列用户属性、行为相关的标签，进行对目标用户的广告投放。

个性服务：用户画像、行为分析是高转化个性推荐、搜索的极重要的数据基础。在细化场景中，把特定用户与意图分析相结合，精细提高转化率的过程中，可以根据人群标签进行有针对性的排序。例如，给大学生情侣推荐情调酒店。

风险控制：通过用户的常用设备、行为习惯、消费偏好、是否有危险伙伴往来、常驻地等用户标签，进行信用判断，控制风险。

体验优化：对产品的受众分析，理解用户的心理动机和行为习惯，优化产品、服务质量，甚至做到产品、服务的私人定制等。

商业分析：通过用户画像，进行行业趋势分析、竞品分析、商品定价、网络规划等，发现商机，进行商业决策。

图5：用户画像的应用

从上面可以看出，用户画像的业务应用较多。通过用户画像的属性、兴趣爱好、行为偏好等标签的应用，可以起到优化产品，提升服务，增加企业利润的作用。

4、怎么做好用户画像

做用户画像的初衷可能很好，但却容易沦为形式主义，到最后可能只出了一份用户画像的报告，性别、年龄、兴趣爱好、地理足迹、消费金额等。看着高大上，却没什么效果。

（1）业务驱动

说到底，用户画像的目标是理解用户，提升业务发展。所以构建用户画像的核心是和业务紧密关联的，需要和业务部门沟通需求，然后进行标签建模。

首先业务部门需要有清晰的业务模型、目标。然后数据人员了解业务的来龙去脉，包括行业特点、业务场景、业务形态、业务需求、用户的消费逻辑等，充分考虑了业务需求后，开始构建用户画像。笔者在这里没有提及数据、算法、模型，是因为在大方向上，业务比技术更重要。

好的用户画像，既是数据生态体系，也是业务和运营的生态体系，它是一个复杂的交叉领域。

而在考虑业务的需求之外，也需要从更高维，考虑需求的背景意义、综合成本、开发周期、业务解耦、投入产出比等。比如，有那么多用户维度，怎么选择标签?选择标签的原则是什么?后续怎么维护、跟踪?什么情况下，标签需要迭代?业务变化了，是否需要调整？

定好了标签，怎么评估用户画像的效果?效果不好怎么办?有没有更多扩展的应用场景？怎么平衡算法的准确度、数据规模、更新速度？

这些都是用户画像在业务中经常碰到的问题。

（2）深入思考

做好用户画像，还要深入思考。不能想当然地做一个全面精准的体系，却忽略了用户画像的核心价值。用户画像是商业目标下的用户标签集合。

一上来就猜测用户的性别，籍贯、常驻地，收入多少，是否谈恋爱，喜欢什么，准备消费购物吗？这些是没有意义的。是男是女如何影响消费决策，收入多少影响消费能力，是否谈恋爱会否带来新的营销场景，消费购物怎么精准推荐，用户决定买什么、不买什么的原因和逻辑，这些才是用户画像背后的逻辑。

不是有了用户画像，便能优化产品、提升业务。而是为了优化产品，提升服务，增加利润，才需要用户画像。这是很容易忘记的。比如，我们想要挽回流失用户，选择70%以上概率的用户，还是50%呢?要考虑业务，挽回流失用户是手段，不是目的，如果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，挽回用户的投入、产出、ROI，选择最优解。

推而广之，个性化推荐也好，广告投放也罢，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购物，想不想旅游。在最恰当时机，把最合适的信息推给用户，获取最大的利益。

像姓名，在电商和消费行业，除了生理上的性别标签，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。

这些举例，是简化的。具体情况，还需要深入思考里面的运行逻辑。

（3）持续优化

解决了业务问题，给出一个全面的用户标签体系，是不是就可以了呢?答案是否定的，这里面有两个原因：

大多数情况下标签体系是开放的，标签和标签值也有时效性，并不可能一劳永逸。直播就是个很好的例子：新的内容、品类、热门话题不断产生，不断地研究、调整也就不可避免了。

而且每家公司、产品服务的用户都有各自的特点，加上数据源、算法的不同，只有根据效果，持续迭代，才有可能取得更好的结果。

总之，用户画像应该从实际业务出发，解决实际的业务问题，根据业务目标、用户画像应用的反馈，不断迭代、演进，才能取得最好的效果。