用户画像是一个挺新颖的词，最初它是大数据行业言必及之的时髦概念。现在我们运营谈及用户画像，它也是和精准营销、精细化运营直接钩挂的。

作者：王小默，公众号：小默日历

用户画像介绍

什么是用户画像？

从中文概念来讲，用户画像与用户角色非常相近，是用来勾画用户（用户背景、特征、性格标签、行为场景等）和联系用户需求与产品设计的。

简单来将，就是想要在通过从海量用户行为数据中炼银挖金。它根据用户在互联网留下的种种数据，主动或被动地收集，然后尽可能全面细致地抽出一个用户的信息全貌，从而帮助解决如何把数据转化为商业价值的问题。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？

而从英文概念角度，用户画像（User Portrait）、用户角色（User Persona）、用户属性（User Profile）这三个概念其实都是各有侧重和容易混淆的。

用户角色更倾向于业务系统中不同用户的角色区分。例如：学校教务管理系统、老师审核、设置选课、学生查看选课和成绩。那么老师、学生就是不同的用户角色。

用户画像更倾向于对同一类用户进行不同维度的刻画。例如：对同一个电商的买家进行用户画像设计，就是将买家进一步细分和具象，如闲逛型用户、收藏型用户、比价型用户、购买型用户等。

用户属性则更倾向于对属性层面的刻画和描述，特别是基本属性的内涵居多，包括性别、年龄、地域等。

根据以上的讲解，我们就知道，用户画像近似等同于用户角色，统一称为中文概念的用户画像，而用户属性则是用户画像的子集。

用户画像分类

1. 虚拟用户画像

可能你不知道的是，用户画像其实是分为两种的。早期的用户画像和上面的描述有所不同，它是通过对用户多方面信息的调研和了解，将多种信息分类聚合，产出几个有典型特征和气质的虚拟用户。

此种的用户画像没有数据的参与构建，自然粒度也就比较粗，只是用虚拟的用户画像代表真实的用户。

比如，用户画像会用如下的文档描述：

2. 数据用户画像

画虎画皮难画骨，知人知面不知心。通过“虚拟用户画像”我们可以定义用户的性别、年龄等这些表面的基本特征，如若想要深入了解核心层面的东西，非数据用户画像不可。

这种用户画像是随着互联网的不断发展，积累的用户信息、行为记录越来越丰富，同时大数据处理和分析技术也已成熟，可以计算出每一个用户的特征。特征是从人口基本属性、社会属性、生活习惯、消费行为等信息抽象出来的一个个具体的标签表示，标签是某一用户特征的符号化表示。

为每个用户计算用户画像，这样更加贴近真实的世界，每个人都是独一无二，不能随随便便被其他人代表，用户画像精准到人。

用户画像用标签集合来表示，例如：

王某，男， 33 岁，河南人，北京工作，银行业，投资顾问，年收入 50 万，已婚，两套房，有孩子，喜欢社交，不爱运动，喝白酒，消费力强等。

基础信息可以通过用户的注册信息获得，但像是否有孩子、喜欢社交、喝白酒、消费能力等级等，用户不会告诉我们，需要建立数据模型才能计算出来。

当然，用户标签的体系是需要根据业务领域去设计的，比如：银行和电商用户标签体系就会不同。

数据用户画像的用途

（1）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。这样就避免了全量投放造成的浪费，而且可以针对某次活动的拉新用户进行分析，评估活动效果，看是否和预期相符。

（2）数据应用

用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，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、手机等等。

比如：电商网站为准妈妈推荐婴儿用品，为摄影爱好者推荐镜头。在个性化推荐中，计算出用户标签是其中一环，还需要有协同过滤等推荐算法实现物品的推荐。

精准广告可以根据年龄、区域、人群、天气、游戏爱好、内容偏好、购物行为、搜索行为等定向选择进行投放。例如腾讯的广点通，支持用户在微信、QQ精准投放。

（3）数据分析

这个就不用多提了，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。

（4）产品设计

产品方面，它用于辅助产品设计，评价需求是否有价值。把用户进行分群，依据不同用户群特性就行产品设计和测试验证，别让产品偏离核心用户的需求。

（5）匹配度判断

查看某次市场推广的用户画像，事后分析是否和预期一致，判断推广渠道和产品目标用户群的匹配度。

（6）用户分析

产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。

看来用户画像的用途还是蛮多的！真的是这样吗？

其实对大部分产品，用户画像用不到推荐系统，个性化推荐也提高不了几个利润，毕竟它需要大量的用户和数据作支撑。所以这些产品，更适合以用户画像为基础去驱动业务。而且有些时候即使有大量的数据和用户作支撑，有些公司也依然对画像不感冒，为什么呢？

伤不起的用户画像

不少公司，花了一大笔钱招了不少人建设用户画像系统，结果用不起来。或者做了一份用户画像的报告，性别用户地理位置用户消费金额，看上去挺高大上的，看完也就看完了。

归根结底，难以用好。很多用户画像初衷是好的，但是沦为了形式主义。

比如：有的公司建立用户画像划分了百来个维度，用户消费、属性、行为无所不包。本来这不错啊，但是上线后运营看着这个干瞪眼！为何？

问题包含但不限于：用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？

设立好标签，怎么验证用户画像的有效性？我怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？

另外，策略的执行也是一个纠结的问题。从岗位的执行看，运营背负着KPI。当月底KPI完不成时，你觉得他们更喜欢选择全量运营，还是精细化运营呢?

不少公司都存在这样类似情况：使用过用户画像一段时间后，发现也就那么一回事，也就渐渐不再使用。

这是用户画像在业务层面遇到老大难的问题。虽然企业自称建立用户画像，应用还是挺粗糙的。

那么用户画像到底应该如何正确使用呢？我们下一讲来说这个问题！