一般情況下，數據部門會有專業的技術團隊進行用戶畫像建模，但在實際應用中，用戶畫像的建立方法和流程完全可以簡化，以縮短建模周期，為用戶運營指明方向。本文將從用戶的數據源類型和用戶數據建模兩方面詳細介紹用戶畫像的建立方法。今天的文章，我們將從用戶的數據源類型和用戶數據建模兩方面詳細介紹用戶畫像的建立方法。
用戶畫像（Personas）這一概念最初是由交互設計之父Alan Cooper提出的，如圖1所示。互聯網中的用戶畫像是通過多個角度，從用戶行為數據中提取某個產品的使用者的共同特征，通過比對和抽取特征來描繪該產品使用者的畫像的工具。
▲圖1 用戶畫像的概念
在大數據技術已經廣泛應用于各個產業的今天，通過大量的數據塑造，篩選用戶，建立產品的專屬用戶畫像供產品經理和運營人員優化產品和服務，已經成為業界非常推崇和認可的應用方式。
那么，我們該如何建立用戶畫像呢？
01
用戶數據源類型
1）用戶畫像的數據源
用戶畫像的數據源主要分為兩種：一種是用戶屬性，另一種是用戶行為。用戶屬性主要有兩個來源：設備自有的客觀被動信息（如設備型號、應用版本、地理位置等），以及用戶主動登記的信息（如產品交互中提示用戶選擇的個人登記信息）。而用戶行為類數據多為用戶運營提需求，研發人員埋點（標記用戶交互行為），在用戶發生交互行為后統計點擊或其他交互數據得到的。
了解了收集方式，下面來看數據源的具體類型（見圖2）。
▲圖2 用戶畫像的數據源
從前面舉的例子中可以看到，在大數據技術出現之前，無論是小區保安還是朝陽群眾，其信息庫的建立基本依靠口口相傳或者人工記錄。不過，即便是通過這種原始的數據記錄方式所得到的有限數據源都能有一套自己的模型，可見對數據源的整理和關聯具有非常重要的作用。
和原始的數據記錄方式相比，如今的互聯網產品收集數據要容易得多，產品經理和運營人員都不會太擔心數據的來源問題。用戶使用一款產品，從注冊到登錄再到點擊，我們就已經能夠收集到非常多的用戶數據了。哪怕產品依托于其他的大平臺，平臺也會提供已有的海量數據，在此基礎上，我們還可以依據自身產品的特點進一步進行用戶數據的收集。以常用的平臺產品微信公眾號為例，它的后臺提供了多維度的用戶數據和簡單的分析（見圖3）。
▲圖3 微信公眾號后臺用戶分析模塊
2）用戶屬性
數據源有客觀數據和主觀數據之分，其中用戶屬性屬于客觀數據。自然屬性、商業屬性、垂直屬性、標簽屬性這些都屬于客觀數據，而用戶行為和行為關聯則屬于主觀數據。將用戶屬性和用戶行為這些零散的數據輸出為可用、可視的數據模型，用戶畫像就建立了。
- 自然屬性
我們常說的80后、90后、00后是根據年齡劃分的部分人群，在這些稱謂的后面一般會緊跟這些人群的一些特征。這就屬于依據自然屬性來對人群進行劃分的分類方式。
一般來講，自然屬性指的是一個自然人的基本屬性。圖4列出了依據自然屬性劃分時常用的參數。性別屬性是使用較為廣泛的標簽，不同性別的人群對于不同內容的喜好會有明顯不同。而通過年齡、地域、學歷、職業、婚姻狀況、子女狀況等自然屬性標簽，比較容易分析出一個產品用戶群體的基本占比情況。不同產品所關注的點在這些自然屬性里基本都有跡可循。比如目標用戶是針對年輕人群體的，可以通過年齡屬性看到自己產品目前的年齡層占比情況；而目標用戶是媽媽群體的，可以通過婚姻狀況和子女狀況來判斷這部分用戶的占比情況是否符合預期。
▲圖4 依據自然屬性劃分的基本參數
- 商業屬性
商業屬性也是一個比較重要的屬性類別，依據商業屬性劃分的基本參數如圖5所示。
▲圖5 依據商業屬性劃分的基本參數
自然屬性可以幫助我們確定是什么樣的人在用產品，而商業屬性則能幫助我們判斷有多少用戶可能在產品上消費，以及他們的消費意向、消費周期、消費頻次。產品良性的商業化是其長線發展中不可或缺的因素，因此單獨分析產品用戶的商業屬性是用戶畫像中十分重要的組成部分。
- 垂直屬性
自然屬性、商業屬性都是比較通用的屬性，無論何種類型的產品都有分析這類用戶屬性的需求。而不同類型的產品還有一類專屬于產品自身的垂直屬性。在相對垂直的產品里，除了通用的用戶屬性，還有哪些值得關注的用戶垂直屬性？圖6以旅游產品為例，列出了依據垂直屬性劃分的示例參數。
▲圖6 依據垂直屬性劃分的示例參數
旅游類產品的最終目的是向用戶推薦更多的旅游類內容或服務，促使用戶消費，而知道用戶在旅游方面有哪些屬性有助于用戶運營采用針對性的運營手段。其中的屬性數據可以通過用戶的航班信息、不同類型的行程等信息得到。
- 標簽屬性
除了用戶固有的客觀屬性，還有一種屬性是運營本身賦予用戶的屬性——標簽屬性（見圖7）。當一個用戶開始使用產品、產生第一條數據的時候，用戶運營就可以賦予其第一個標簽——新人。之后隨著產品用戶的累積，逐漸可以分出低頻用戶、活躍用戶、高頻用戶。如果是有增值服務的產品，還可以根據用戶購買增值服務的情況分出VIP用戶。
▲圖7 標簽屬性示例參數
用戶屬性是在產品初期用戶行為數據還不夠豐富時分析用戶的關鍵數據。需要針對不同的用戶類型給出不同的運營策略。從以上4種用戶屬性可以看出，它們并不是單一維度的數據，而是由多種屬性整合得到的用戶數據集合。這個數據集合產生關于用戶屬性的畫像，指導著產品經理和用戶運營。
3）用戶行為
相比用戶屬性，用戶行為的數據更為個性化。用戶行為的參數主要分為兩種：一種是行為類型，另一種是行為來源。圖8中分別列舉了與用戶行為類型和用戶行為來源相關的參數。
▲圖8 用戶行為參數
- 行為類型
行為類型可以幫助我們定位產品中最受用戶關注的內容和服務。我們在使用一款產品時會自然地做出一些行為，比如瀏覽、搜索、點擊、收藏，在使用體驗較好時，還會進一步做出互動行為，比如點贊、評論和分享等。在建立用戶畫像模型的時候，可以為以上行為設置不一樣的權重值。將這些權重值匯總起來就可以定義一個群體的用戶特征。
舉個例子，在上述行為中，瀏覽、搜索、點擊都屬于基礎用戶行為，可將每一個行為的權重值設置為1；點贊、收藏則屬于較深層次的用戶行為，可將每一個行為的權重值設置為2；評論、分享屬于交互較深的行為，可將每一個行為的權重值設置為3。那么，結合用戶屬性我們可以看出，屬性A（淺度用戶）的用戶在用戶行為上權重值是B（輕行為），而屬性C（深度用戶）的用戶行為權重值是D（重行為），由此可以組成一套模型，來針對不同屬性的用戶進行個性化運營，目標是將更多A類用戶轉化成C類用戶。
- 行為來源
行為來源可以幫助用戶運營分析從不同渠道來的用戶是否有共同特征或特殊偏好。一個產品往往有多種用戶渠道，那么用戶是從哪里過來的？是產品首頁、活動頁、公眾號、推薦、邀請鏈接還是廣告轉化？行為來源提供了重要信息，對每一個行為來源做好標注，在拿到來源數據后進行進一步的行為關聯，就可以得到一個完整的用戶畫像。
- 行為關聯
用戶屬性與用戶行為的關聯是建立模型的基礎。以用戶ID為核心，從來源到屬性再到行為進行關聯，并根據自身產品的情況設定不同的權重（見圖9）。通常將用戶在產品中最核心的交互點的權重值設置得最高，通過篩選可以迅速找到最活躍的核心用戶群體，并將次活躍的群體向活躍群體轉化。
▲圖9 用戶行為關聯
02
用戶數據建模
1）數據清洗
與數據相關的工作聽起來是偏技術的工作。確實，對于海量數據，人工整理效率很低。然而前面提到，運營人員要進行高頻的用戶分析，但通用的建模時間長，流程長，比較難個性化。可以從數據平臺中進行抽樣，在特定時期抽取隨機樣本，再根據隨機樣本估算出用戶畫像的大概分布。這樣做雖然會有一定的偏差，但具有實際指導意義。
所謂數據清洗，主要指的是將冗余、無效的信息剔除。當渠道來源比較雜的時候，部分用戶在留下數據時想要隱藏真實信息，這就可能會出現0歲或99歲這樣的極端值。我們應當將這種極端值從樣本中移除，并據此做一些修正，用修正后的數據建庫。
2）建庫與映射
將清洗過的數據梳理成不同維度的隊列，輸出成標簽，再將標簽與用戶ID進行映射。其中用戶ID有唯一的標識碼。基于這個標識碼，將用戶的所有屬性和行為抽象為不同的標簽，再根據標簽與用戶ID的映射將用戶進行聚類，進行模型輸出。
通過數據清洗、建庫與映射、模型輸出，我們可以得到滿足分析需求的用戶畫像。對于產品經理和運營人員，最終呈現出來的可視化畫像一般如圖10右圖所示。大數據層面的畫像維度更多，可信度也會更高。
分析圖10所示的用戶畫像，我們能得出什么結論呢？在性別上，男性用戶占比56%，女性用戶占比44%，可知這款產品的男性用戶占比高于女性用戶；在教育程度上，使用這款產品的用戶中本科及以上人群占比為42%，可知這款產品面向的人群學歷相對較高（相比全網網民教育程度）；在年齡上，18~35歲人群占據了60%，可知年輕用戶是這款產品的主要消費群體。
▲圖10 用戶畫像模型示例
3）標簽化模型輸出
大致判斷出用戶屬性特征后，再看一下用戶的轉化消費來源。在消費來源中，轉化占比最高的是分享鏈接，次高的是搜索，與之接近的是某個促銷頁，最低的是信息流。這就給出了這款產品的畫像——以教育程度較高的男性為主的年輕群體，且該用戶群體喜歡通過分享拉新的產品。
聲明：本文由網站用戶竹子發表，超夢電商平臺僅提供信息存儲服務，版權歸原作者所有。若發現本站文章存在版權問題，如發現文章、圖片等侵權行為，請聯系我們刪除。
