之前连续共享过关于画像的一些作业，最近把录音转了文字，并合作PPT做了一些收拾，共享给有需求的小伙伴。
也欢迎小伙伴转载，转载时私信一下，并注明出处，给一个原文链接就行，谢谢。
用户画像也是近几年比较热的一个词，不过许多小伙伴关于画像的认知还仅仅「标签化」的层面，或许是仅仅运用其做一些简略的「分群剖析」；怎么全面地认知并做系统性地测验，背面有十分多的点需求咱们沉思发掘。今天就依据自己的一些浅见进行共享，因为与产品画像的联络，中心也会掺杂一些「产品画像」的常识。假如缺乏和过错之处，还望「咱们批评指正」，enjoy。
今天的共享期望经过介绍怎么经过用户及产品画像来构建数字化系统，前面是整个内容的概述，然后从浅到深咱们去发掘和解说其间的各个模块，因为时刻的原因，咱们会「首要经过用户画像打开」，关于重要或许有意思的「产品画像」相关的点会略做「辅助性的介绍」。
首要咱们来看一下什么是互联网公司的中心。不才的浅见是环绕「产品、供应链、物流、营销活动」等的整一个「购物旅程」背面的「用户体会」的。
已然用户体会十分重要，那怎么去「衡量」和「优化整个流程」呢，那便是站在「用户视点」搜集其在各个模块的数据，并运用「计算」、「概率」思想「建模剖析」；在产品运营、增加进程中找到「雪球效应」的「撬动点」施以影响，终究树立起「良性的闭环」。
作为互联网从业人员，其实咱们常有一些困惑，产品的用户是「谁」？他们是否「满意」？产品是否健康？有哪些「问题」？怎么才干服务好咱们的用户，而且让相互的「收益最大化」？
怎么去构建起更多用户运用的产品，怎么创造一个更多用户喜爱的课程？就像小破站（B站）的生长中一直在解决问题，怎么打破二次元的界说，怎么将「用户圈层」摆开，怎么让「尽量多的人能在B找到自己喜爱的内容」，怎么做到「存量用户保有」及「增量用户拉取」。当然必定不存在每个人都满意的产品和课程，可是怎么在现有系统下去「最大化满意度」呢？这个我觉得是咱们期望得到答案的底子。
那其间的一个手法便是以增量用户拉取，存量用户数量和价值的保有为方针，运用大数据技能精准「用户画像」，并结合「产品画像」，「解构」用户及产品，「精细化」耕耘，终究在要点方针客户集体上构成打破。比方电商猜你喜爱中的个性化引荐技能，全能的淘宝上有海量的产品简直能够满意每个人的收购产品需求，可是怎么让一个用户能够精准快速地找到是大问题，「个性化」是其底子，「用户画像和刻画」则是个性化的底子，期望能够让用户感受到产品「为ta而造的满意感」。
怎么解构用户呢，举一个比方便是说当你很了解某一个人的时分，你跟ta一同去吃饭，你假如在之前每次跟ta的进餐中搜集了ta喜爱及不喜爱吃什么(「用户动态数据」)，然后ta的性情是怎么样的(比较犹疑)(「用户数据」)，是不是喜爱吃辣(「用户数据」)，然后你再结合有哪些菜、是不是辣的(「产品静态数据」)，两头做匹配就能够供应更好的体会了。所以不是单单用户画像，产品画像或其它维度也是需求，「最重要」的「是匹配」。
然后咱们来看看目录，榜首部分是说「what」，便是什么是用户画像；第二部分是说「why」，为什么咱们需求用户画像以及精细化运营；然后第三部分是「how」，咱们怎么构建产品和用户画像；第四部分是「举例」，是一些办法论的介绍；终究，咱们做一个全体的「总结」。
课程方针是期望经过共享，首要让咱们去了解到用户画像和产品画像，全体概念结构以及构建的一些办法；了解常见的产品和用户画像的一些运用；测验结合自己的作业做一些实践。出于关于过往公司数据及技能的保密，无法直接共享给咱们特别细粒度且对应的数据。所以共享进程中我会结合业界的一些事例，以及其他「长辈」揭露在网上的共享内容和数据，协助咱们去了解整个运用。
首要咱们来看一下什么是用户画像，依据维基百科的界说，用户画像便是与该用户相相关的数据的可视化的展示，然后一句话来总结的话便是「用户信息标签化」。从「用户海量」的信息里边去找到一些标签，为用户去贴上这些标签，当然这些标签的「来历」便是一些用户的「行为」。
举个范冰冰的比方，客户这个实体经过客户信息的「搜集」，「映射」到一个客户的画像，终究经过这些画像来「树立认知」，比方说范冰冰是一个艺人，是一个女人，有参加过哪些电影节等。当然你会问那上面的这些标签有什么用呢？这会依据「详细的事务场景」来定，有些标签在X场景下它是没用的，在Y场景下则或许十分有用，当然这也提早阐明晰画像构建的进程必定是需求与事务结合的打开。
比较常见的画像是咱们需求树立途径客户集体化认知时，咱们需求凭借可视化的标签，咱们看一下京东的一个食物用户画像。关于食物这个事务场景，途径上购买的用户他们是长成什么样的？比方性别份额，蓝领与白领占比，点评灵敏的人的占比等，经过「拉平垂类」偏好用户画像与「全站」的「比照」，来寻觅「差异点」和「优化点」。
举个比方来说，你是抢购秒杀频道的运营负责人，你经过相似的上述剖析，找到了「秒杀频道」和「全站」的用户画像「差异点」，那有什么用呢？比方咱们发现秒杀频道女人用户或许大龄女人用户，相关于全站占比高许多，然后咱们经过全站剖分出这类用户喜爱购买的品类是A、B、C；可是频道内咱们发现简直没有A、B、C这些品类的产品，或许A、B、C这些类目的价格段高了许多，乃至是许多的男性产品。那咱们立刻就找到了一个优化点，是否能够在该场景做一些品类和产品的调整进行一些测验，或许就会在测验中找到显着的进步。
比方食物品类下的产品运营怎么去「拓展」自己的流量池，「经过」相似上述的「剖析」，比方在一个某个频道发现有十分多的18-30岁的男性，并他们在途径有十分多的电子类产品的购买，「结合」你的「专家常识」，你的碳酸饮料是否能够考虑进入这个频道呢。
上面的是较直观的运用，进一步其实咱们能够凭借算法发掘「集体偏好」（没有算法根底的能够略过），对频道内产品做进一步改造。比方咱们经过算法能够对近N天频道内的用户，经过算法进行产品召回和排序生成全站他们购买的产品，再经过用户在频道的「活泼度」和「频道LTV」对这些产品经过「embeding」后的向量进行「归约」，构成终究的300或许500个「产品池」，这些产品是你「典型用户」的一个调集，能够与你现有的产品调集进行「交融测验」，会有不错的收益。用户「消费购物」十分「杂乱」，需求「依据详细的事务场景」去打开的，上述办法「不必定适用一切的事务」，「不同的事务场景」需求做「调整和适配」。
趁便介绍一下什么是产品画像，能够简略的了解为•产品画像好像用户画像相同，能够简略了解成是产品海量数据的标签，依据产品的「特征、规划、功用、口味、波次、价位段、盛行度、出售状况、促销力度、出售途径」差异，将他们区别为不同的类型，然后每种类型中抽取出典型特征，「赋予」「姓名、特色、场景、计算学要素等描绘」。
其实「产品」和「用户画像」有许多「交集」和「相互交互」的，比方「产品有个标签」是适用人群，比方女人或许男性，或许便是有许多女人用户常常购买，或许说用户「常常购买」某个品类或许某种色彩的产品，那用户就能够「贴上相似的标签」。产品「有了标签」，运营在做活动的时分，就能够依据活动主页和「分会场人群定位」，「去选品、气氛刻画」，比方时髦会场的产品池选取，比方关于履约欠好(拒收、退货、低评分)的、高点击&低转化「产品」的「操控」。
为什么why这些需求用户画像呢？其实在用户运用产品的进程中，假如咱们做了对的工作让用户的体会十分棒，然后其实咱们就能够有不错的「收益」。但假如咱们做了用户体会较差的工作，「丢失」会十分巨大。
怎么在企业商业化进程中与用户达到双赢是需求逐渐来探究的，一种途径是经过「数据去驱动决议计划」，做到「利益最大化」，也便是这儿共享的。经过用户和产品画像找到并更好地服务「为你产品买单买单的那一群人」。
经过初期构成的产品，构成了咱们途径的一些忠诚的客户，关于这部分集体的解读，就能够驱动产销配一体化。需求（用户）与供应（产品）两头的匹配「GAP」的存在，能够推进精准的「供应系统构建」，比方「C2M、C2B」的或许测验。
微观和微观上咱们看看画像的效果，「微观」上首要是「精细化」，比方「引荐、查找、精准营销、定向投进、风控、定量和定性的剖析、数据化的运营用户剖析」。「微观」上来说便是「具象化关于用户的认知」，在探究用户脚印的进程中，树立「商场细分和用户分群」。
这儿趁便讲一下产品画像的效果，产品画像的前台效果更多是在流量分发上与用户画像的match，相关后的一些引荐、精准推送等。比方用户标签为a类目的价格段偏好，然后产品画像也有价格段的标签，比方说用户偏好的是30-50人民币的连衣裙，然后这个产品是连衣裙而且正好是在30-50人民币的，所以或许相对其它价格段的产品而言，在这一维上更合理；接着再结合其它维度的产品和用户标签的「match」就能够构建更多的匹配维度。
而偏后端一些的维度，产品画像也能够带来十分多的协助，能够去「驱动后端的供应链」。经过产品画像的前史状况(近期曝光、点击、订单、转化等)，能够去做「销量预估」，进行「备货、收购、越库、出产物流」等等环节的优化。
这儿讲一下一致「建模猜测剖析」，首要假如有了人口特点细分，比方说一些性别，年纪段等等，就能够去清晰用户是谁，他在途径上面买了什么，为什么买；有了购买行为细分今后，能够去清晰「商场时机」，商场规模等要害信息；再次是「产品需求的细分」，供应依据差异化的竞赛的产品规格和事务价值，能够去做愈加差异化的竞赛，不做海量的库存，而是更精准、本钱更可控；终究是「爱好情绪的细分」，经过用户画像能够去做不同的途径的战略，定价的战略，产品的战略，品牌战略；比方「途径战略」，咱们能够经过火途径归因并抓取对运用户集体，并调查各个途径集体的差异，比方类目偏好、价格段偏好等的差异，在投进进程中进行产品池和「投进战略」的优化。
总结一下便是产品和用户画像很重要，两者是「相得益彰」的，在整一个用户体会进程中十分重要。
那究竟怎么构建用户和产品画像呢，这儿能够提一个概念叫「」侧写师，电影中常常有一些概念便是侧写师经过调查和搜集犯罪现场的信息（「数据搜集」），去幻想作案人的心思和案发时的动作（「猜测」），并终究为破案带来时机(「施行」)，构建用户画像的办法论与其相似。
榜首步是「搜集数据」，图中办法比较多，各有优缺点，不过现在干流的仍是经过用户静态数据结合海量的途径用户行为数据的方法。经过「埋点」，咱们能够看到用户在咱们途径上看了什么产品，点了什么产品买了什么产品，将这些数据串起来，能够作为进口去「」了解用户，更进一步，经过一些「计算、概率」常识进行建模，比方说「用户细分、生命周期区别、丢失用户研讨」等，做深层次的「发掘」。接下来咱们来解构用户画像。
首要是「人口计算学特点、消费需求、购买才能、爱好爱好、交际特点」等
用户画像的粒度简略来讲，比方年纪标签是「20-30岁」和「21岁」，这两个便是显着「不同粒度的标签」
再次便是能够从层级的视点来看，用户根本特点和行为标签为「浅层用户画像」，这些标签画像首要是「搜集」就行，比方年纪，性别。第二层是稍作处理的「汇总层」，比方手机端大约什么时刻活泼，常常购买的品类等。第三层是依据前2层能够做到营销的灵敏度，交际联系，上网时刻的猜测；终究一个是更深层的，需求「结合事务常识去做定制」。比方稳妥范畴的高中低价值、借款需求程度，危险凹凸一级。
网上找了一个金融范畴的比方，比方依据「活泼」状况，能够区别活泼用户和丢失用户，再依据时刻窗口维度能够拆为48小时活泼和不活泼用户。简略的计算就能够为用户贴上各类的标签，比方曩昔12个月内累计订单超越20次为边界，能够区别为「凹凸频」用户等。不过多打开，能够自行阅览上图。
当然用户画像依靠的产品根底标签是必不可少的，比方用户服装偏好下有色彩偏好(白色)，这个是经过用户前史的点击、加购、保藏等行为相关的产品所带标签的聚合，那其实底层产品的色彩标签是必不可少的。
接下来介绍的是一个构建办法论，但不是仅有办法论。
先从大维度来说，区别为动态和静态两类。比方说人口计算学的「性别、年纪、地域、收入、生活习惯」，是「相对静态」的，性别一般都不会变，年纪的话一年就涨一岁，然后地域的话也很少有大的改变，收入工作所在工作也不会有忽然的改变，这些都能够区别到「静态标签」。而像「用户拜访设备、用户的48小时是否活泼、内容&产品消费偏好」等归于时常在产生改变的，这些能够划入「动态特征」。
静态和动态的区别，其实是依据某个维度来定的，或许是在某个时刻窗口内的。「静态画像」一般是「实时性弱更新慢」；「动态画像改变相对更快一些」，能够再「时效性、空间上有差异」。
不同的工作，不同的事务，也会有不相同的构建方针和方法。在这个进程中，经过「事务运用的要素剖析」，去「驱动标签维度的扩展」，然后经过「标签维度的扩展」。然后我又能够去「驱动事务」。
上述图片介绍了常用的偏好标签建模的思路，不做过多打开，有爱好的小伙伴能够私信沟通。
那「系统化的标签出产」怎么来做呢，能够参阅上图，上图元素和参阅了许多美团的做法，因为篇幅约束，这儿不过多打开，后续的共享能够专门来将构建的细节。
要点是结合事务，「构建闭环」，用数据来进步事务了解，经过「事务了解」来快速构建画像相关的「数据系统」。
第四部分咱们来介绍一些画像的运用
榜首个咱们介绍一下经过用户画像来做与「竞品比照剖析」，在大维度战略调整和挑选的时分，能够有「差异化商场定位」。依据用户标签进行商场细分和群画像剖析，输出剖析陈述；协助企业了解用户的「人群特征、人生阶段、消费偏好」等；协助企业剖析和友商用户群的异同，「优化商场定位和差异化产品战略」。这部分数据有自己「内部的数据」，竞品数据能够经过「第三方等直接获取」。
比方今天「shein」作为跨境快时髦途径做得不错，假好像类型的途径是否能够考虑在「年纪段」标签上做差异化，比方他们切的是18-35岁的年青女人，那是否能够考虑35-50岁的中年女人作为用户群，在运营进程中做调整，反而在「利基点」上有不错的收益。
另一个方向的考虑是，假如咱们在部分用户标签维度差异较大，假如咱们便是期望拿下这部分用户，那就阐明咱们或许有做的不对的当地，经过数据去排查问题，比方是咱们投进的进程中途径挑选带来这样的差异？货是不是有问题，价格过高？品类深度不行？知道到了这种差异，能够进一步「深挖剖析」或许「用户访谈」，来对咱们的产品给用户的「心智营建」做调整。
经过画像数据的比照，能够去确认一件工作，便是说咱们的竞品究竟是谁。真实的竞品忽然在你眼前，画像跟你高度重合的那个，而不是咱们设想的那个。假如你发现本来被认为是竞品的典型用户集体是在「30到50岁」之间，而你们的集体在「20岁到35岁」了，那至少在当时状况下，你们是「弱竞赛联系」。
定位了不同的人群，并结合数据做必定区别后，咱们也能够依据状况针对性做「投进」和「媒体选取」。在广告营销推行的时分，咱们结合画像对用户进行区别，区别为「大盘->成交->高价值用户」，然后咱们经过某些标签进行数据剖析，如上图中的「性别维度」，咱们比照中发现其实女人用户份额在高价值用户中与大盘用户中「刚好反过来」 。
那接下来就有几个动作，能够对「投进途径」、「产品」进行剖析，是「引流的问题」？仍是「货品」上关于男性用户天然不高？「产品运营」有没有问题？假如不做调整，是否后期的投进途径能够选取「女人标签」会「更精准」？
咱们期望依据不同的媒体方针覆盖率凹凸进行一个预算的分配，在途径上人群经过标签进行拆分。上面的问题，咱们拆分了性别，是否有其它的维度能够进一步拆分，比方经过用户上报的APP装置列表，在途径上高价值用户有多种购物类APP和金融类APP的装置，那在投进进程中能够依据途径的「差异」进行挑选，或许在「投进」进程中选取「对应」的一些「标签词」进行测验。
上面的比方是结合用户画像做不同途径的挑选，逐渐测验和优化。而关于产品的定位调整，能够结合产品生命的周期，测验做一些「品类深度与宽度」的运营。
关于「不同生命周期内的用户」，其实数据和画像的丰厚度也会有差异，在精细化运营进程中能够依据状况做「差异化的运营」。这儿再讲一个其他事例，在用户剖析维度，初期会经过用户调研访谈进行初期的产品定位，在投进扩量进程中，结合用户站内的状况作出「功率剖析」，新用户有什么特征？中心的用户特点是否有改变？前后一年内获客或许会有很大差异，这种差异时常去重视，或许会了解到产品的改变是否契合预期。
在精准营销范畴的的一些测验，能够参阅上图。剖析前史某个时刻窗口内的用户，哪些方面是有特性的，比方年纪段，性别，地域，收入，偏好等，有了这样的剖析，能够挑选相应的人群投进。输出到「媒体广告」，做「预算看效果」，然后将「效果数据回流」，再去「迭代」，以进步进一步的准确率。经过某个特性找人，再去剖析这些潜在用户，找到能够触达他们的途径。
上图也跟前面介绍的有点相似，效果相似，便是经过挑选已有用户中的中心用户，结合这群用户的标签，进行投进标签的开始挑选。在本钱需求操控的状况下，能够经过「」中心人群标签投进->强相关人群标签投进->一般用户标签投进，这儿也需求「结合不同人群常常交互」的产品进行「产品池选取」。
在看一个金融范畴的运用事例，依据工作、年纪、存款等进行挑选，并结合前史理财的偏好等进行基金「引荐」。
上述的几张图其实首要也是介绍一些投进、人群圈选定向的功用。
再讲一个概念便是「CRM」，业界有许多讨论，其间也有一些问题点，如上图，后边共享咱们对CRM能够专门打开。
有几个留意点也需求咱们去留意的，其实咱们有时分现有的用户不等于方针用户。在产品运营进程中，会发现途径上用户画像是这样的，可是结合战略以及竞品的一些状况，更大的去做差异化的竞赛。重合的那部分是高价值用户，所以应该投入更多人力去做？结合用户画像去做更细粒度扩人群，是A人群仍是B人群仍是C人群？
然后第二点，构建什么样的用户画像，比方说用户是男性仍是女人，她薪酬多少，喜爱什么样的产品。这些标签或许是「没有意义」的，假如要说「有意义的当地」是这些标签怎么去「影响决议计划」，怎么为用户带来更好的体会，带来「更高的留存、复购」。
「实践出真知」，需求结合详细事务场景，做测验。
要结合事务场景去剖析，然后去不要单看画像，而是要做一些比照，经过前后比照，跟竞品的比照，跟频道内与大盘的比照等手法去剖析，发现缺乏和优势，做纠正和调整。经过数据反应构成数据的闭环，终究在产品的迭代进程中拿到更好的事务成果。总结一下，做画像要「有方针要有数据」，「也不拘泥于技能细节」，「斗胆的测验」，然后「先粗粒度」，「后细粒度」。
感谢你阅览完本文，有需求的能够私信讨论，也可查找重视我的微信大众号“阅览以正确”。
上一年今天运营文章2021:怎么建立个人常识系统（结构篇）(0)2021:产品笔记 | 建立用户生长系统（二）(0)2021:产品笔记 | 建立用户生长系统（一）(0)2021:产品笔记 | 产品拉新战略(0)2021:【读书笔记】《高效变现》之让你的时刻更值钱(0)
微信扫一扫 
支付宝扫一扫 
