目标用户画像

1. 目标用户画像

一、忠实顾客类
  
  
 1、目标人群：家庭主妇、工薪阶层、学生族、退休人员、高收入阶层
  
 2、年龄范围：18—70岁
  
 3、所属地区：珠三角地区
  
 4、用户需求点：家居生活、美容护肤、身体保健、运动健身
  
 5、是否知道我与认可信任我：知道我，认可我
  
  
 二、创业伙伴类
  
 1、目标人群：学生、工薪一族、家庭主妇、退休人员
  
 2、年龄范围：18—65岁
  
 3、所属地区：珠三角地区
  
 4、用户需求点：不满生活现状，追求高品质生活，希望增加业余收入
  
 5、是否知道我与认可信任我：知道我与认可信任我
  
  
 三、事业合伙人
  
 1、目标人群：工薪阶层、公务员、自由职业者、私营企业主
  
 2、年龄范围：22-60岁
  
 3、所属地区：珠三角地区
  
 4、用户需求点：不满现状，追求保障性事业，有创业欲望
  
 5、是否知道我与认可信任我：认可信任我。

2. 用户画像的标签体系

一、为什么需要标签？ 
  
 随着互联网的兴起，每天有大量的内容以视频等形式被生产并上传到各大平台，面对海量的内容，如何提升这些内容的智能分发效率是各大平台面临的重要课题。
  
 而要实现这一目标，第一步就是更好地认识我们的用户。构建用户画像的过程的本质就是对用户信息进行标签化管理的过程。通过标签体系的建设，一方面让数据变得可阅读、易理解，方便业务使用；另一方面通过标签类目体系将标签组织排布，以一种适用性更好的组织方式来匹配未来变化的业务场景需求。如何合理规划标签体系对产品的运营影响非常大，因此，标签是产品策略中特别关键的一环。
  
  二、标签是什么？ 
  
 对于标签的定义在不同场景中往往是不同的，太纠结或执着于单一概念定义，会无法推进实际的业务和工作。我们所有的技术和业务层面的工作是为了业务目标，并且要实用和适用，并不是纯学术层面的研讨。
  
 一般来说，我们认为标签是指 “利用原始数据，通过一定的加工逻辑产出，能够为业务所直接使用的可阅读、易理解、有业务价值的数据。” 
  
 标签体系有两种组织方式：结构化标签和半结构化/非结构化标签。
  
 所谓结构化标签是按照某个分类法制定一个层次标签体系，其中上层的标签是下一层的父节点，在人群覆盖上是包含关系。一些面向品牌广告的受众定向往往采用这种结构化较强的标签体系。需要指出，这一体系中的标签是根据需求方的逻辑而制定，某些在媒体方意义很大的分类标签，如军事等，由于没有明确的需求对应，不宜出现在标签体系中。
  
 另外一种兴趣标签的组织方式，是根据具体需求设置相应的标签，所有的标签并不能为同一个分类体系中所描述，也不存在明确的父子关系。这种半结构化或非结构化的标签体系往往包含一些比较精准的标签的集合，因而主要适用于多种目标，特别是效果目标并存的对内容精准投放的诉求。
  
 选择结构化兴趣标签体系还是非结构化的兴趣标签体系更多地是基于业务场景的决策，当标签仅仅是投放系统需要的中间变量，作为CTR预测或者其他模块的变量输入时，那么结构化的标签体系其实是没有必要的，应该完全按照效果驱动的方式来规划或挖掘标签，而各个标签之间也不太需要层次关系的约束。
  
 还有一种特殊的标签形式，关键词。直接按照搜索或浏览内容的关键词划分人群和投放广告，往往可以达到比较精准的效果。关键词这种标签体系是无层级关系、完全非结构化的，它虽然很容易理解，但并不太容易操作。不过由于搜索在互联网中的重要地位，选择和优化投放关键词这样一项专门技术已经发展得相当充分，因此这种标签也是实践中常用的。
  
  三、如何构建标签体系？ 
  
  1.确定对象 
  
 进行标签建设，首先要清楚对哪类对象建设标签，也就是确定对象。对象是客观世界中研究目标的抽象，有实体的对象，也有虚拟的对象。在企业经营过程中可以抽象出非常多的对象，这些对象在不同业务场景下交叉产生联系，是企业的重要资产，需要全面刻画了解。
  
 经过对多个行业、多个标签体系建设经验的总结，可把对象分为 “人”“物”“关系”三大类 。三种对象是不一样的，“人”往往具有主动性和智慧，能主动参与社会活动，主动发挥推动作用，往往是关系的发出者。“物”往往是被动的，包括原料、设备、建筑物、简单操作的工具或功能集合等，是关系的接收者。当常规意义上的设备具有了充分的人工智能，变成了机器人，那么它就属于“人”这一类对象。“人”和“物”是实体类的对象，即看得到、摸得着的对象，而“关系”属于一种虚拟对象，是对两两实物实体间的联系的定义。因为关系很重要，企业大多数情况下反而是在对关系进行定义、反复发生、记录、分析、优化，因此需要“关系”这种对象存在，对关系进行属性描述和研究。关系按照产生的动因不同，又分为事实关系和归属关系，事实关系会产生可量化的事实度量，归属关系只是一种归属属性。
  
 明确了对象的定义和分类，就可以根据业务的需要确定要对哪些对象建立标签体系。 基于内容的对象非常多，不可能对所有对象都建立独立的标签体系，一般我们会根据业务流量的需求，稿件数量的多少，类目的相似性，类目间的关系进行排名，确定标签的优先级和必要性。 
  
  2.设计框架 
  
 一般来说，互联网产品需要使用的标签类目数量非常庞大，当标签项超过一定数量时，业务人员要使用或查找标签就开始变得麻烦，管理标签也会变得困难。因此笔者借鉴了图书管理学中的经典方法：海量图书需要有专门的图书分类体系对书本进行编号并按照编号分柜排放，阅读者在查阅图书时只需要按编号索引即可快速找到自己所需图书，图书管理员也可以方便、有效地理清所有图书状况。
  
 构建标签类目体系首先需要确定根目录。根目录就是上文提到的对象，因此有三大类根目录：人、物、关系。根目录就像树根一样直接确定这是一棵什么树。
  
 如果根目录是人，即这个标签类目体系就是人的标签类目体系，每个根目录都有一个识别列来唯一识别具体对象。人这种大类下包括自然人和企业法人两种亚根，同时自然人群体或企业法人群体也可以认为属于人的对象范畴内，也是亚根。自然人实例可以有消费者、员工、加盟商等，因此可以形成消费者的标签类目体系、员工的标签类目体系、加盟商的标签类目体系。同样法人也可以细分为实体公司、营销公司、运输公司等。从最大的“人”根目录、到“自然人/法人/自然人群体/法人群体”亚根，再到实例“用户/员工/加盟商”，都属于根目录的范畴。
  
 根据类似的方式，也可以将物细分为“物品”“物体”“物品集合”“物体集合”等亚类，各亚类下也可以细分根；关系也可以细分“关系记录”“关系集合”。
  
 标签类目体系是对业务所需标签采用类目体系的方法进行设计、归属、分类。类目体系本身是对某一类目标物进行分类、架构组织，分类通常使用一级类目、二级类目、三级类目等作为分类名。
  
 类目结构可以用树状结构来比拟，根上长出的第一级分支，称为一级类目；从第一级分支中长出的第二级分支，称为二级类目；从第二级分支中长出的第三级分支，称为三级类目。一般类目结构设为三级分层结构即可。没有下一级分类的类目叫叶类目，挂在叶类目上的具体叶子就是标签。
  
 需要注意的是，类目框架的建设一般是基于业务展开的，因为类目体系存在的核心意义即为帮用户快速查找、管理数据/标签。
  
 下图为某银行构建的客户标签类目体系，其中客户是根目录，会由custom_id来进行唯一识别，根目录下有“基本特征”“资产特征”“行为特征”“偏好特征”“价值特征”“风险特征”“营销特征”等一级类目。“基本特征”一级类目下又分“ID信息”“人口统计”“地址信息”“职业信息”等二级类目。“地址信息”二级类目下再细分为“账单地址”“家庭地址”“工作地址”“手机地址”等三级类目。“账单地址”三级类目下挂有“账单详细地址”“账单地址邮编”“账单地址所在省”等标签。
  
 标签类目设计完成，整个标签体系的框架就有了，接下来要做的就是往每个叶类目下填充有业务价值并且可以加工出来的标签，进而完成整个标签体系的设计。
  
  3.填充内容 
  
 通过标签类目设计，已经有了某类对象的标签体系框架，只是还没有具体的标签内容。标签设计就是设计合适的标签并将其挂载到标签类目。 在这一部分，笔者将尽量脱离技术视角，从产品视角出发，剖析如何“制作标签”。 
  
 首先，是如何拆解内容。对内容的拆解首先还是分为三个部分：“用户”“内容”“关系”，作为根目录。接下来，关于“人”这个部分，我们可以拆分为：人口属性、兴趣属性、行为偏好、发表时间等；同理，关于内容，我们可以拆分成“统计类”、“质量类”、“向量类”。接着，我们再对二级类目进行拆分，比如“统计类”中包含“点击率”“时长”“完播率”“转评赞”“跳出率”等。
  
 要特别注意的是，往常习惯给别人打标签、贴标签的动作，其实不是在设计标签，而是在设计特征值。例如对某个人的定义“女、20～30岁、白领、活泼开朗”，分别是性别、年龄段、职业、性格标签的具体特征值。
  
 这些特征会进行一定的交叉，赋予这个特征更多的含义。比如说使用用户画像和内容画像做交叉，可以得到用户的长短期的兴趣匹配、Session兴趣泛化匹配、用户年龄对于某些内容类别的偏好、用户性别对于某些内容类别的偏好等。如果拿用户特征与请求的上下文进行特征的交叉，则会得到用户常驻地在什么地方、用户的兴趣随时间的变化，比如有的用户会在早上看新闻，而在晚上看一些娱乐类的资讯；还有一些场景的刻画，如用户喜欢在地铁上看视频，而在办公的时候喜欢看图文。通过这些特征值组合，我们可以尽可能高效地对用户群进行划分，从而实现内容的精准分发。
  
  现在，我们知道了如何建设标签体系以及如何通过标签体系对用户群进行划分，但想要做好标签，我们不仅要从需要解构技术，还要立足于“好的内容”。在这一部分，笔者将通过运营&创作者的视角简单分析如何制作“好的标签”。 
  
 要想制定能够打动人心的标签，首先要了解用户，切中他们的痛点。
  
 如何才能了解用户？一种办法是角色转换，换位思考，把自己看作用户，而且是什么都不懂的“小白用户”，以这样的视角去看问题、去思考。
  
 举个例子，你作为一个UP主，接了一份宣传“降噪耳机”的营销单，你的任务是让用户下单，完成内容的价值转化。思考一下，该怎么设计这个故事？
  
 下面的一段参考文案：你在银行做经理，维护客户关系很艰难，你的职位不上不下。你有房贷和车贷，每月按揭五千元。你孩子的数学成绩不好。你老婆在市人民医院做护士，她母亲有尿毒症并透析多年，她不爱你。你年轻的时候觉得能成一番事业，但现在也就这样，朋友们混得都比你好。生活太糟了，你需要一个独立的环境抒发情绪，这时候你戴上了降噪耳机。
  
 这就是一个典型的“用户视角”，它描述的是一个场景，它让你一边看一边产生强烈的代入感，不由自主受到内容的感染，产生情绪波动，在情绪的驱使下完成下单的行为，实现价值转化。
  
 除了上面这种基于内容体验的打标方法，还有另一种方式，也就是我们之前提过的“特征值”，基于算法生成的高精度内容标签，一般是基于视频帧、标题、作者、内容属性、地理属性、时间等。这些由算法生成的内容标签可以替换人工标注，从而节省人力成本，提高内容标签生产效率。目前的内容标签技术，其精度已经达到了90%以上，通过算法对内容的分析自动生成一些标签值。
  
 比如上面这个视频，所生成的标签值就可能是“中华田园犬”“农村”“百万播放”“狗”“华农兄弟”“萌宠”“动物”等。
  
 经过对象确定、框架设计、类目设计、标签设计、打标这几个步骤，我们就完成了整个标签体系的建设，文章写得比较简单，全当抛砖引玉。
  
  四、一些问题 
  
 在标签体系落地的过程中我们还会遇到很多问题，以下几个问题也是笔者一直在思考的。如果有任何好的建议可以加笔者微信一起交流：shmusk
  
  内容的时效性： 任何一个内容，包括视频或者图文，是有生命周期在里面的，内容有长有短，其中预测一个内容的生命周期是一个挺难的事情，不论通过算法也好或者其它技术也好；假设我们已经知道内容的生命周期，如何在有效的周期内给予内容有效的曝光量，也是个很难的问题。如何Balance这两个问题，时效性是非常重要的，因为过了内容的生命周期，再给用户推荐，是没有意义的，用户体验会非常差。
  
  内容质量的判定： 怎样判定一个内容质量到底是好还是坏，好的标准到底是什么，以及我们如何去建模，如果可以建模，特征是什么，以及我们的模型如何有效的利用特征去判别？
  
  冷启动问题： 分为内容冷启动与用户冷启动。内容冷启动就是一个新内容进入平台，没有被分发出来；而用户冷启动就是一个新的用户，交互数据和行为非常的稀疏，如何做比较好的推荐、能够引导进行后续更加稠密的交互，增加粘性，以此来提升用户体验，更好的满足用户的需求？

3. 用户画像概述

用户画像就是使用产品的用户形象，通过描述用户与产品有关联的相关属性特征，例如外貌特征、工作职业、使用习惯、行为偏好、等的用户信息。建立用户画像也就是给用户在这些用户信息打上“标签”。
  
 例如：
  
 用户A、男、20-30岁、短发、籍贯江西、常住地址上海、160-170cm、70-80kg、未婚、白领职员、地铁出行、早出晚归、周日单休、使用电脑上班、坐着上班、
  
 用户B、女、20-30岁、长发、籍贯湖南、常住地址深圳、150-160cm、40-50kg、未婚、辅导班教师、地铁出行、早出晚归、周一周二双休、不用电脑上班、站着上班、
  
 这时对用户画像有一个大致的理解了，那么为什么建设这种用户画像呢？
  
 在互联网进入大数据时代，企业在经营中产生了海量的数据，此时需要将大量的原始数据中的挖掘出有用的数据，可以利用这些数据进行分析和评估，发现经营中的一些问题，减少经营中浪费，更加精准地营销客户，是定向广告投放与个性化推荐的前置条件，为数据驱动运营奠定了基础。
  
 并且还可以通过用户画像的挖掘，甄别出高风险的用户，帮助企业风险控制。
  
 还可以划分不同的用户群体，进行更加精准的需求分析与挖掘。
  
 根据不同企业的业务，定义业务上需要关注的标签，例如：用户的性别、年龄、收入情况、消费档次等等，都可以指导业务帮助决策。
  
 定义标签有三种方式：
  
 1、统计标签
  
 所有可以统计的数据量，例如：下单数，7天内登录次数，停留时长；
  
 根据业务场景，达到一定的数量可以定义对应的规则，
  
 例如：
  
 下单数超过了100单，就定义为“忠实用户”，给他打上标签，对他进行推荐、营销。
  
 7天内登录次数超过了70次，定义为“活跃用户”。
  
 
  
  
 2、规则标签
  
 基于一定用户行为、数量对比，再结合业务确定一下个规则，达到这个规则就打上这种标签。
  
 例如：
  
 一个用户点击“女妆类”、“女妆类”、“女鞋”、“女性内衣”的商品次数一共超过30次，同时收藏数超过了10，那么就定义该用户为“女性”。
  
 
  
  
 3、挖掘标签
  
 根据某些属性或某些行为进行预判
  
 例如：连续三年的1月份，前三周都会有大量的订单需求，那么暂且判定，第四年也会出现这种情况。
  
 
  
  
 接下来会学习和研究用户画像的标签开发流程，标签存在的数据结构，如何落地等等方面。

4. 用户画像

什么是用户画像?用户画像-百度百科用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

用户画像的起源用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
用户画像的优点用户画像可以使产品的服务对象更加聚焦，更加的专注。在行业里，我们经常看到这样一种现象：做一个产品，期望目标用户能涵盖所有人，男人女人、老人小孩、专家小白、文青屌丝...... 通常这样的产品会走向消亡，因为每一个产品都是为特定目标群的共同标准而服务的，当目标群的基数越大，这个标准就越低。换言之， 如果这个产品是适合每一个人的，那么其实它是为最低的标准服务的，这样的产品要么毫无特色，要么过于简陋。
用户画像还可以提高决策效率。在产品设计流程中，各个环节的参与者非常多，分歧总是不可避免，决策效率无疑影响着项目的进度。而用户画像是来自于对目标用户的研究，当所有参与产品的人都基于一致的用户进行讨论和决策，就很容易约束各方能保持在同一个大方向上，提高决策的效率。

5. 用户画像分析怎么做

用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。
可以运用营销自动化微信用户标签库来给用户打标签，“标签“就是带有特定含义用于描述真实的用户自身带有的属性特征。“标签”相较于其他用户画像基础要素来说，标签可以是动态的，通过动态的社交活动行为，例如：搜索、浏览、评论、点赞等构建出3D的用户画像。
通过对折叠屏手机用户的标签数据分析，可以得知用户的购物偏好特征和生活属性，从而品牌可以更针对性地展示不同用户想看的内容，还有为以用户需求为导向的产品研发，提供数据支持。

用户画像基本要素
1、地域
即用户所在的地理位置，不同城市的生活消费形态也是不同的。普遍一二线城市的居民平均收入要比三四线城市的居民平均收入要高一些。
2、性别
性别也是对消费需求影响较大的因素之一。参考该要素来宣传产品或服务，能够大大提高品牌的营销效率。
3、年龄
即用户的社会角色，每个年龄段的用户社会角色也不同，感兴趣的商品特性也不同。
4、受教育程度
受教育程度不同的用户对营销内容的要求也会不同，对于生活的态度和关注的事情也不同。
5、行业特征
了解用户所在行业，对产品或服务的关注点不同。

6. 用户画像分析怎么做

首先，是找到目标用户。以Tik Tok为例。在Tik Tok刚刚开始上线之后，分析我们的用户是谁是非常重要的，比如什么年龄，性别，地域教育等等。这样可以快速帮助产品找到当前的主流用户群体是否是产品的初始定位。如果完全不同，那就是产品的设计出了问题，偏离了方向。
上线一段时间后，我们可以把用户分成不同的活跃程度。比如都玩Tik Tok，有的天天玩有的偶尔玩，有的能刷很久，有的刷完就走了。频率和时长成了此时用户最大的特征差异。那么，不同频率和时长的用户在年龄、性别、地域上有什么区别呢？这些是对特征的进一步认识。
一段时间后，部分用户会保留和流失用户，需要分析保留用户和流失用户在行为特征上是否有特殊差异。
https://iknow-pic.cdn.bcebos.com/f703738da977391294357ff1ea198618367ae20b?x-bce-process=image%2Fresize%2Cm_lfit%2Cw_600%2Ch_800%2Climit_1%2Fquality%2Cq_85%2Fformat%2Cf_auto

7. 用户画像-前篇（数据采集）

做产品的都知道，产品分为三要素：用户、场景、需求，一切的决策都离不开这三个要点。所以作为产品狗，了解自己的用户是首要条件，那么怎么去了解自己的用户呢？
  
 调研？访谈？还是抽取用户反馈？NONONO，这些都是老套路啦！现在都会有专门的部门，专门的同学去了解用户，描绘用户的特征，输出的成果就是——用户画像（官话是根据用户人口统计学信息、社交关系、偏好习惯和消费行为等信息而抽象出来的标签化画像）。
                                          
 上图就是一个简单的用户画像，根据不同业务需要，画像内的属性标签也不尽相同，主要包含：
  
 人口属性：姓名、性别、年龄、生日、星座、身份证等
  
 设备属性：电话、机型、设备价格、操作系统等
  
 地域属性：常住地点、工作地点等
  
 社会属性：好友、职业、收入、学历、婚姻状况等
  
 消费属性：消费水平、消费周期等
  
 产品属性：使用自身产品的行为
  
 其他产品属性：使用其他产品的行为
  
 
  
  
 所有的标签，都是通过采集用户各类属性数据，再根据相关的算法生成。如果底层的数据缺乏真实性，那么最终得到的标签也是无法使用的。那么重点来了，这些数据都是如何采集过来的呢？
  
 手动敲打小黑板，重点来了！下面主要以APP为例来介绍采集数据的方法。（其实这块东西处于灰色地带，所以世面上也很少有人拿出来讲，所以大家自己看看就好。。）
  
 
  
  
 1、人口属性（姓名、性别、年龄、生日、星座、身份证等）
  
 1.1、在产品内引导用户填写相关信息或进行实名认证（身份证内其实包含了性别、年龄、出生地、生日、星座）
  
 1.2、通过第三方登录（openID）的形式，可以从第三方开放接口拿到部分信息，比如QQ（昵称、性别、年龄、生日、星座、地域）、微信（昵称、性别、地域）、微博（昵称、地域、最近发的微博）
  
 1.3、接入第三方数据服务（如贵士、极光等），但采样率和准确率有待商榷
  
 
  
  
 2、设备属性（电话、机型、设备价格、操作系统等）
  
 2.1、安卓：一般系统有很多接口供客户端调取，机型、操作系统可直接调取，电话一般能获取联通和电信的（采样率60%左右），移动由于不在sim卡内，貌似无法拿到，但是现在三大运营商都提供号码验证的增值服务，可以通过这套服务来直接获取。设备价格的话可以通过机型，然后去爬淘宝数据来得到。
  
 2.2、IOS：除了无法直接采集电话，其他和安卓基本一致。
  
 2.3、接入第三方数据服务（如贵士、极光等），采样率和准确率还不错。
  
 
  
  
 3、地域属性（常住地点、工作地点等）
  
 3.1、目前来说系统已经提供接口给客户端直接采集地域数据了，开关就是你每次进入应用提示是否让该产品获取你的地域信息（但是部分安卓机就算拒绝也可以被获取到我就不说啥了），常住地和工作地可以通过使用时间变化来判断。
  
 3.2、接入第三方数据服务（如贵士、极光等），采样率和准确率还不错。
  
 
  
  
 4、社会属性（好友、职业、收入、学历、婚姻状况等）
  
 4.1、这块数据除了好友（通过社交链或读取通讯录可以直采），其他基本无法获取，但貌似运营商那边是能提供解决方案（你懂得）
  
 4.2、通过机器学习来训练得到（这里不详述）
  
 4.3、接入第三方数据服务（如贵士、极光等），但采样率和准确率有待商榷
  
 
  
  
 5、消费属性（消费水平、消费周期等）
  
 5.1、对接电商产品来获得（如果你自己就是电商产品那再好不过了）
  
 5.2、通过机器学习来训练得到（这里不详述）
  
 5.3、接入第三方数据服务（如贵士、极光等），但采样率和准确率有待商榷
  
 
  
  
 6、产品属性（使用自身产品的行为）
  
 6.1、开发埋点，统计上报
  
 6.2、接入第三方数据服务（一般是SDK，例如友盟），由第三方统计上报
  
 
  
  
 7、其他产品属性（使用其他产品的行为）
  
 7.1、安卓可以直接采集（安装列表、前后台运行情况），IOS无法做到
  
 7.2、对接第三方服务（例如贵士、极光），通过IMEI获得该数据（一般提供MD5加密后的IMEI），采样率和准确率还不错。IOS无法做到（不过最近有些第三方服务正在研究这块，可以关注下）
  
 
  
  
 题外话：PC上通过插件进程采集游览记录真的很普遍，大家注意呐。。
  
 好啦，数据采集的方法就讲到这里，如果有更多的方案可以积极交流。。！
  
 
  
  
 二哈，互联网产品狗，码字很慢，性格尚可，不喜可以喷，不定期更新中。。。

8. 用户画像

目录：
  
 一、概念
  
 二、目的
  
 三、用法和具体应用场景
  
 四、如何构建
  
 
  
  
 用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析得来的高度精炼的特征标识。
  
 User Persona和User Profile似乎都可以译成用户画像，本文讨论的是User Persona，区分如下：
  
 产品经理通过调研（问卷、访谈等）找出用户（目标、行为、观点上）的共性与差异，将其区分为不同类型，每种类型中抽取出典型特征。赋予名字、照片、人口统计学要素、场景描述，构建出人物原型。它让产品经理做设计时抛开个人喜好——“为具体的用户做设计，要远远优于为脑中虚构的人物做设计。”
  
 Alan Cooper（交互设计之父）最早提出Persona的概念：“Personas are a concrete representation of target users.”  Persona是目标用户的具体表示，是建立在真实数据上的目标用户模型。Persona是为产品设计服务的，关注焦点在用户行为、动机、态度上。
  
 Profile的标签是每个用户独有的，是利用已获得的数据，勾勒用户偏好的数据分析方法。猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。这些数据为运营人员实现精准营销、个性化推荐、获取、挽留客户提供了依据。对电商、金融行业、内容类产品（知乎、豆瓣、微博、短视频等）尤为重要。
  
 在知乎上有一个与此相关的帖子 User Persona 和 User Profile 
  
 1.精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；
  
 2.用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数；
  
 3.数据挖掘，构建智能推荐系统，利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析，喜欢红酒的人年龄段分布情况；
  
 4.进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务；
  
 5.对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。
  
 6.业务经营分析以及竞争分析，影响企业发展战略
  
 
  
  
 用户画像在阶段和目标不同的时候承担的使命也不尽相同，咱们分别针对三个阶段来说说用户画像的意义：
  
 1.初创期：产品还未定型
  
 这个阶段往往指的是公司刚刚创立，产品还未成形，需要通过用户画像来定义产品模式与功能的阶段，这个阶段你需要做大量偏宏观的调研，明确你的产品切入的是哪一个细分市场，这个细分市场中的人群又有哪些特点，他们喜欢什么，不喜欢什么，平均消费水平怎么样，每天的时间分配是怎么样等等等等。
  
 在这个阶段，你做用户画像的意义在于为你的产品定义一个市场，并且你能够清楚地知道这个市场能不能做，能不能以你现有的产品构思去做，做的过程中会不会出现一些与基本逻辑相违背的问题。如果分析之后可以做，那就立马作出产品原型，小步快跑、试错迭代；如若不行，赶紧换个方向、换个思路。
  
  所以，这个阶段的用户画像意义在于业务经营分析以及竞争分析，影响企业发展战略战略。 
  
 2.成长期：产品运营中
  
 在这个阶段你公司产品已经被市场认可，各项数据处于一个上升期。这个时候用户画像所承担的责任就又变了。在这个阶段，你需要通过产品后台所反馈的数据（显性、隐形等，后文会介绍）进行整理，得出一个详细的用户画像，这里不像在初创期那样做泛调查，抓宏观。而是需要改变策略，从细节抓起，从每一次和用户的交互中寻找用户的真实需求。比如，你是做微信运营的，昨天的阅读量和前天相比是多了还是少了？转发数和收藏数都是什么变化？用户留言是增加还是减少？后台反馈怎么样？通过这些对比，你大致就会得出结论，并指导优化往后的工作。如果是产品运营那涉及的数据就更多了，访问数据、打开频率、登录次数、活跃时间等等，结合起来分析，用户的需求会更加明确。
    
  所以，这个阶段的用户画像意义在于精准营销，使产品的服务对象更加聚焦，更加的专注，能更好地满足用户的需求，优化运营手段，并提升公司的经营效益。 
  
 3.成熟期：寻求突破口
  
 这个阶段，产品已经很成熟了，公司也已经有了稳定的运作模式，市场地位趋于稳定，日常工作也大多以维护为主。这个时候，用户画像用来干嘛？寻找新的增长点和突破口。
  
 当产品转型时，老用户会有什么样的反应？离开还是成为新的核心用户？新产品预计会有多少用户导入？结合老用户需求，新产品有哪些功能不能被遗弃？
  
 这都是你要考虑的问题，这个阶段的用户画像建议将初创期的泛调查与成长期累积的用户画像结合起来做，这样对于新产品才有一个更好的保障。
  
 
  
  
 用户画像不是拍脑袋想出来的，是建立在系统的调研分析，数据统计基础之上得出的科学结论。
  
 用户画像一般会存在多个，要考虑用户画像的优先级，不能为超过三个以上的用户设计产品，容易产生需求冲突，要分清楚哪些是核心用户，哪些是打酱油用户。
  
 同时，用户画像不是一确定就一成不变的，而是根据实际情况不断修正。
  
 显性画像：即用户群体的可视化的特征描述，如目标用户的年龄、性别、职业、地域、兴趣爱好等特征；
  
 隐性画像：用户内在的深层次的特征描述。包含了用户的产品使用目的、用户偏好、用户需求、产品的使用场景等。
                                          
 一般分为三个步骤：基础数据采集、分析建模、结果呈现
  
  1）基础数据采集 
  
 数据不说谎，是构建用户画像的核心依据，建立在客观数据基础上的用户画像才是有说服力的。
  
 在基础数据采集方面，可以通过列举法，先列举出构建用户画像所需要的基础数据。
  
 具体的思路如下：
                                          
 当然上面列举的数据纬度相对比较多，在构建用户画像过程中会根据需求进行相关的数据筛选。
  
 在基础资料和数据收集环节我们会通过一手资料和二手资料获取相应的基础数据。
                                            
 关于通过问卷调查和访谈的形式做用户画像调研：
  
 A.问卷调研
                                          
 问卷调查第一要考虑样本的数量，其次内容的设计，要考虑研究的目的，毕竟这是一项有目的的研究实践，另外，通过问卷获取的信息，不一定是非常确定的，存在很多变量因素，数据可以作为参考，要以质疑的眼光看待。
  
 B.用户访谈
  
 访谈之前要列好访谈提纲，围绕用户的角度，他的想法，他的行为等角度，具体步骤如下：
                                          
 在分析访谈结果时，采取关键词提炼法，针对每个用户对每个问题的回答，进行关键词提炼，将共性词汇总，具体思路如下：
                                          
  2）分析建模 
  
 当我们对用户画像所需要的资料和基础数据收集完毕后，需要对这些资料进行分析和加工，提炼关键要素，构建可视化模型。
  
 案例：
  
 有一个网络来源资料，关于95后的用户群体的研究。
  
 通过搜索你可以获取到以下资料（ 基础数据采集 ）：
  
 企额智库《透视95后：新生代社交行为》
  
 QQ空间独家大数据《“95后”新生代社交网络喜好报告》
  
 百度《00后用户移动互联网行为洞察》
  
 中国大数据产业观察《2015年95后生活形态调研报告》
  
 接着，对这些报告进行分析和关键词提炼，概括出整个95后群体标签（ 分析建模 ），具体如下：
                                          
  3）画像呈现 
  
 画像呈现即从显性画像、隐性画像、场景和需求等方面，给用户打标签。
  
 案例：
                                          
 这一步也要将收集到的信息进行整理和分析并归类，创建出用户角色框架（更全面地反映出用户的状态），然后根据产品侧重点提取出来，进行用户评估分级，并结合用户规模、用户价值和使用频率来划分，确定主要用户、次要用户和潜在用户。
                                          
 构建用户画像的目的，是为了充分了解用户，为产品设计和运营提供有有价值的参考，为运营战略服务。