用户画像就是根据用户特征、业务场景和用户行为等信息，构建一个标签化的用户模型。这也是产品越来越精细化的必然结果。谈情怀、争格调、强体验都不如给用户更多丰富的维度标示，并且使用这些维度来迅速、准确定位服务群体，提供高产品设计服务的水准。在很多场景中，尤其在金融、电商等业务场景中，还会借助用户画像，采取垂直或精准营销的方式，来了解客户、挖掘潜在客户、找到目标客户、转化用户，提升运营效果。具体有以下好处：
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，核心户的属性是否变化等等。
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。
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，辅以各类运营手段，驱以关怀、挽回、激励等策略。
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。一般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。
下面简单总结下用户画像到行为分析，以及应用的方法：
一、建立元数据库
元数据即对数据本身描述的数据。比如一幅画本身是数据，而这幅画的作者、完成时间、尺寸、价格、类型等等，就是它的元数据。元数据的价值在于能够从侧面描述对象，同时可以结构化信息化。有了元数据库作为基础的数据应用，会使得应用更简洁，效率更高。因为元数据而非数据本身描述对象的意义在于大数据上产生的价值：对于非结构化的、非量化的对象本身，结构化的元数据可以用以快速计算和判断。
比如有一批数据资料，如果只是通过非结构化的数据去查询量会非常大，但几个关键性数据排序会让结果产生的效果和效率大大的增强。
二、收集数据
收集数据是用户画像中十分重要的一环。用户数据来源于自身的各项业务，也可以来源于网络。而如何提取有效数据，比如打通各平台间的用户及产品信息，引流渠道的用户信息，收集用户实时数据等。以及怎么把这些数据进行规划就需要产品和技术人员充分探讨。
数据收集主要包括用户行为、偏好、交易等类型。以某快递网点为例，他就包括活跃网点、网点操作方式、登陆方式、操作项、付费项、回头率、流失率、客户转化率等。我们可对收集的数据做分析，让网点形成标签化，从而搭建网点的基础账户，建立数据仓库，实现平台数据共享，打通相关数据。
三、行为建模
行为建模就是根据用户行为数据进行建模。通过对用户行为数据进行分析和计算，为用户打上标签，可得到用户画像的标签建模，即搭建用户画像标签体系。标签建模主要是基于原始数据进行统计、分析和预测，从而得到事实标签、模型标签与预测标签。
标签建模的方法广泛应用于推荐引擎、广告投放和智能营销的领域。在面向2B领域的产品也可以应用，只是需要做一个有效的转换。
三、构建画像
用户画像包含的内容并不完全固定，不同企业对于用户画像有着不同对理解和需求。根据行业和产品的不同，所关注的特征也有不同，但主要还是体现在基本特征、社会特征、偏好特征、行为特征等。
用户画像的核心是为用户打标签。即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。
以某用户画像为例，我们将其年龄、性别、婚否、职位、收入、资产标签化，通过场景描述，挖掘用户痛点，从而了解用户动机。其中将21~30岁作为一个年龄段，薪资20~25K作为一个收入范围，利用数据分析得到数据标签结果，最终满足业务需求，从而让构建用户画像形成一个闭环。
用户画像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，被应用在精准营销、用户分析、数据挖掘、数据分析等。总之用户画像根本目的就是寻找目标客户、优化产品设计，指导运营策略，分析业务场景和完善业务形态。
四、应用举例
1、用户分类
维度指的就是用户分类，虽然公司在产品定位和市场细分阶段已经对用户群体有清晰的定位，但是在产品运营阶段，对使用产品的用户群体还需要更加细分。一般有以下划分方式：
a、按照个人属性或标签划分：例如性别、年龄、地区、学历等，也可以为用户贴上标签，如星座、行业、职业、消费能力、支付偏好等
b、按照用户使用产品的生命周期划分一般是：免费试用、付费使用、结束使用。
c、同期群划分指的是按用户初始使用产品的时间将用户划分。因为产品总是在更新迭代中的，对不同的同期群的影响是不一样的。比如去年上架的 A 产品，在2月注册用户的付费转化率为10%，3月注册用户的付费转化率为20%，4月注册用户付费转化率为30%，则可以看出2-4月中产品的发展是稳健上涨的。
适用于分析：产品业务的整体情况、产品改版效果、产品改进后的用户体验、用户留存/流失分析等。
d、按照用户使用产品的频率活跃度划分为：新增用户、普通用户、活跃用户、核心用户、流失用户。
活跃度的指标需根据不同类型业务在不同发展阶段进行自我定义，例如是微信等超高频次社交类应用，可能指的是日均使用时长；假如是外卖等 O2O 类应用，可能是周均使用次数等。
e、在电商领域还有个通用的按照用户价值的RFM模型，可应用于成交金额的优化。
R：最近一次消费 Recency
F：消费频率 Frequency
M：消费金额 Money
于是这五层的用户分类，我们运营对于每一类都有不同的需求：新用户我们希望他下载，那么给新手福利；下载用户希望他们使用，那么给予傻瓜式的操作引导；而使用的用户又希望他多来，常来，建立信任，那么就要有不断的刺激和优化。而兴趣用户，当然希望他付费了，自然促销是常用手段。至于付费用户，那么服务肯定要做好，希望人家二次购买，三次购买，甚至推荐给其他人。
基于以上的用户分类，我们还可以有效的对根据用户的正态分布模型，来分配不同的资源。尤其当资源非常有限的时候，就可以应用。举例，当把所有的客户资源分配超出预算，根据设定的核心目标，如果是利润优先的时候，我们就可以来调整优化资源，重点维护利润客户，同时也要核心关注不给利润但是占据大部分公司资源的客户，而中间大多数在恒定值附近的客户，则要进行标准化服务，节省资源，让边际成本降低。
2、指标优化
a、基于业务模型的指标——AARRR漏斗模型
AARRR 对应移动应用生命周期的 5 个重要环节
A：Acquisition 思考：用户何处得知你的存在？更多的获取用户
A：Activation思考：提高活跃度，跳过的客户是否使用其他操作？
R：Retention思考：提高留存率，用户是否持续使用？
R：Revenue思考：获取收入，用户的行为是否具有价值？
R：Refer思考：自传播，用户会否帮你推广产品？
b、基于业务模型的指标——长漏斗模型
这里根据不同业务模型，企业分析的指标模型也不一致。例如针对电商类应用的长漏斗模型如下：
电商路径：搜索——浏览——加入购物车——提交订单——完成支付——物流收单——完成交易——用户传播
需要注意，具体在做分析的时候，指标间的逻辑关系非常关键，才真正能有利于作出决策。比如双十一实时监测的交易额，即时的数字不具任何参考意义，但模型里几个关键数据，是否能带来接下来的数据变化才是关键。例如加入购物车的数量，就非常有参考意义，此时可以去看为什么没有达成，作出是否需要给用户在设置提醒之类的决策。
五、塑造背后的隐私
从庞杂的数据背后挖掘、分析用户的行为习惯和喜好，找出更符合用户口味的产品和服务，并结合用户需求有针对性地调整和优化自身，就是大数据的价值。但现在大数据能做到的早已不止这些，甚至已经开始在塑造我们的生活。
未来我们每个人的衣食住行、生活起居，都将有大量的数据记录。我们的行为会变成一串串数字成为可量化的数据，成为描述我们的信息。我们工作用印象笔记、吃饭用美团、打车用滴滴、搜东西用百度、社交用微信，每一步都事无巨细被记了下来。这样的未来自然有利有弊。利是我们无处不在享受着大数据带来的便利，弊是彻底被我们的过去所束缚，而且这个时候的塑造完全是攫取了隐私获取的，这个伦理问题了可能终究会被瓦解。
更多文章关注公众号：馒头的笔记