今天谈谈大家经常听到却又一肚子懵逼的“用户画像”。

What 基础概念扫盲

用户画像（User Profile）：也称人物角色，是根据用户社会属性、生活习惯和消费行为等信息而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”。

标签（tag）：也称数据点，对用户信息高度精炼的特征标识，一般标签越精准，对应覆盖的人数则越少。所谓千人千面，不同人群有不同的特征和标签，就像指纹。

用户画像多采取层级概念，条理分明地呈现了人群数据的特征分布。用户画像层级自顶向下包含画像体系（User Profile）、维度（Dimension）、数据点（Tag）。画像体系这一层可理解为标记画像类别的文件夹，常见的有基础信息，地理位置，兴趣爱好，设备信息，消费信息等。

画像层级

当当当当，笔者的画像强势入镜，嗯纯粹为了加强大家的理解。看图说话，以下包含画像体系有：基本信息，地理位置，兴趣爱好，设备信息等，而基本信息下的维度包括性别，年龄，学历，职业等，地理位置下的维度包括当前位置、原籍等，设备信息下的维度包括手机品牌、机型、系统等····而每个维度下的取值即可称作标签（数据点），如职业下的标签可以有医生、老师、产品经理、作家等。这里注意的是，有些地方的标签定义有所不同，包含多个维度的取值，如：喜欢购买护肤品的一线城市的白领。

用户画像举例

Why 为什么要使用用户画像

用户画像是当下很多企业都会提及的概念，多数情况下会和大数据以及营销挂钩。

1.从公司战略层面来说，好的用户画像可以帮助企业进行市场洞察、预估市场规模，从而辅助制定阶段性目标，指导重大决策，提升ROI；更有助于避免同质化，进行个性化营销。

2.从产品本身角度来说，用户画像可以围绕产品进行人群细分，确定产品的核心人群，从而有助于确定产品定位，优化产品的功能点。例如美妆类app，则前期可大致锁定画像一二线城市，喜欢时尚，年龄段在18至35之间的女性。

3.从数据管理角度来说，用户画像有助于建立数据资产，挖掘数据的价值，使数据分析更为精确，甚至可以进行数据交易，促进数据流通。互联网营销行业中常用的DMP（Data Management Platform）就是用户画像使用的一个好例子。

How 构建方法详解

构建用户画像的步骤如下图所示，短腿的狗不打猎，以下6个步骤缺一不可。

画像构建步骤

采集数据：数据的来源有多种，很多公司有自己的CRM系统，或者有智能采集系统日志的工具，常用的采集方式包括API、SDK和传感器采集等，可以通过想要挖掘什么标签来反推需要的数据源。

数据清洗：原始数据源存在“脏数据”，包括数据空缺和噪声、不一致、重复、错误等问题，为了保证后期挖掘的准确性，避免对决策造成影响，须对原始数据进行预处理。

数据标准化：用户画像的建立需要有整合多源数据（跨屏跨媒体）的能力，例如一个实体可能使用多个设备，拥有网络世界的多个账号，则须把多个身份ID组合，建立统一的标准，才能完整标识实体的用户画像。

用户建模：通过算法模型来定义人群的用户画像，常见为分类模型和聚类模型，例如SVM，神经网络，k-means。

标签挖掘：通过平台来进行标签的加工和计算，通常需要部署环境，如通过Hadoop平台进行训练和学习，大规模的并行计算。

标签验证：须通过真实case验证标签挖掘结果的正确性，保证标签对应的处理结果跟预期大体相符。此步骤有时可以跟上个步骤（标签挖掘）对调，即可以先用小样本数据验证模型的可靠性，再依照结果进行调整，再进行挖掘。

数据可视化：即视觉呈现群体或个人的用户画像，包括柱状图/饼状图/表格等，市面上也有一些数据可视化工具，此步骤可忽略。

Case 案例探究

举个栗子，假如我们现在要举办一场金融活动，须挖掘用户画像为“深圳金融从业人群”，由于此类人群在办公点活动时间较长，我们可以通过移动设备的LBS信息筛选出深圳的金融办公地点，由此简单筛选出经常在此区域活动的人群；另外，结合app使用的兴趣行为信息，如时常浏览使用金融理财类应用的人群筛选出目标人群。当然，还需通过消费水平、年龄等信息排除掉无关人群。数据源和算法模型的准确性都会影响到最终加工出来的画像结果。

Attention 注意事项

用户画像的制定须与具体业务场景或所属行业相结合，避免太过抽象，不同场景下同个标签名称可能表示不同意思，例如性别分为真实生理性别以及网络虚拟性别，须区别对待；

画像的粒度不是越细越好，划分的标签越多，对应覆盖人群会急速减少，表征能力弱，且可能是伪特征；

不能盲目使用用户画像，画像多为静态特征，用户特征随时间动态变化，也可能随场景空间而不同。当然也有动态的用户画像数据，如用户的访问路径、访问时长等信息。

本文由 @蓝眼泪 原创发布于人人都是产品经理。未经许可，禁止转载。