用戶(hù)畫(huà)像就是根據(jù)用戶(hù)特征晦嵌、業(yè)務(wù)場(chǎng)景和用戶(hù)行為等信息亮航，構(gòu)建一個(gè)標(biāo)簽化的用戶(hù)模型荸实。這也是產(chǎn)品越來(lái)越精細(xì)化的必然結(jié)果。談情懷缴淋、爭(zhēng)格調(diào)准给、強(qiáng)體驗(yàn)都不如給用戶(hù)更多豐富的維度標(biāo)示，并且使用這些維度來(lái)迅速重抖、準(zhǔn)確定位服務(wù)群體露氮，提供高產(chǎn)品設(shè)計(jì)服務(wù)的水準(zhǔn)。在很多場(chǎng)景中钟沛，尤其在金融畔规、電商等業(yè)務(wù)場(chǎng)景中，還會(huì)借助用戶(hù)畫(huà)像恨统，采取垂直或精準(zhǔn)營(yíng)銷(xiāo)的方式叁扫，來(lái)了解客戶(hù)三妈、挖掘潛在客戶(hù)、找到目標(biāo)客戶(hù)莫绣、轉(zhuǎn)化用戶(hù)畴蒲，提升運(yùn)營(yíng)效果。具體有以下好處：
用戶(hù)分析：產(chǎn)品早期对室，PM們通過(guò)用戶(hù)調(diào)研和訪談的形式了解用戶(hù)模燥。在產(chǎn)品用戶(hù)量擴(kuò)大后，調(diào)研的效用降低掩宜，這時(shí)候會(huì)輔以用戶(hù)畫(huà)像配合研究蔫骂。新增的用戶(hù)有什么特征，核心戶(hù)的屬性是否變化等等牺汤。
數(shù)據(jù)分析：這個(gè)就不用多提了纠吴，用戶(hù)畫(huà)像可以理解為業(yè)務(wù)層面的數(shù)據(jù)倉(cāng)庫(kù)，各類(lèi)標(biāo)簽是多維分析的天然要素慧瘤。數(shù)據(jù)查詢(xún)平臺(tái)會(huì)和這些數(shù)據(jù)打通戴已。
精準(zhǔn)營(yíng)銷(xiāo)：這是運(yùn)營(yíng)最熟悉的玩法，從粗放式到精細(xì)化锅减，將用戶(hù)群體切割成更細(xì)的粒度糖儡，輔以各類(lèi)運(yùn)營(yíng)手段，驅(qū)以關(guān)懷怔匣、挽回握联、激勵(lì)等策略。
數(shù)據(jù)應(yīng)用：用戶(hù)畫(huà)像是很多數(shù)據(jù)產(chǎn)品的基礎(chǔ)每瞒，諸如耳熟能詳?shù)耐扑]系統(tǒng)廣告系統(tǒng)金闽。一般廣告投放基于一系列人口統(tǒng)計(jì)相關(guān)的標(biāo)簽，性別剿骨、年齡代芜、學(xué)歷、興趣偏好浓利、手機(jī)等等挤庇。
下面簡(jiǎn)單總結(jié)下用戶(hù)畫(huà)像到行為分析，以及應(yīng)用的方法：
一贷掖、建立元數(shù)據(jù)庫(kù)
元數(shù)據(jù)即對(duì)數(shù)據(jù)本身描述的數(shù)據(jù)嫡秕。比如一幅畫(huà)本身是數(shù)據(jù)，而這幅畫(huà)的作者苹威、完成時(shí)間昆咽、尺寸、價(jià)格、類(lèi)型等等掷酗，就是它的元數(shù)據(jù)调违。元數(shù)據(jù)的價(jià)值在于能夠從側(cè)面描述對(duì)象，同時(shí)可以結(jié)構(gòu)化信息化汇在。有了元數(shù)據(jù)庫(kù)作為基礎(chǔ)的數(shù)據(jù)應(yīng)用翰萨，會(huì)使得應(yīng)用更簡(jiǎn)潔脏答，效率更高糕殉。因?yàn)樵獢?shù)據(jù)而非數(shù)據(jù)本身描述對(duì)象的意義在于大數(shù)據(jù)上產(chǎn)生的價(jià)值：對(duì)于非結(jié)構(gòu)化的、非量化的對(duì)象本身殖告，結(jié)構(gòu)化的元數(shù)據(jù)可以用以快速計(jì)算和判斷阿蝶。
比如有一批數(shù)據(jù)資料，如果只是通過(guò)非結(jié)構(gòu)化的數(shù)據(jù)去查詢(xún)量會(huì)非常大黄绩，但幾個(gè)關(guān)鍵性數(shù)據(jù)排序會(huì)讓結(jié)果產(chǎn)生的效果和效率大大的增強(qiáng)羡洁。
二、收集數(shù)據(jù)
收集數(shù)據(jù)是用戶(hù)畫(huà)像中十分重要的一環(huán)爽丹。用戶(hù)數(shù)據(jù)來(lái)源于自身的各項(xiàng)業(yè)務(wù)筑煮，也可以來(lái)源于網(wǎng)絡(luò)。而如何提取有效數(shù)據(jù)粤蝎，比如打通各平臺(tái)間的用戶(hù)及產(chǎn)品信息真仲，引流渠道的用戶(hù)信息，收集用戶(hù)實(shí)時(shí)數(shù)據(jù)等初澎。以及怎么把這些數(shù)據(jù)進(jìn)行規(guī)劃就需要產(chǎn)品和技術(shù)人員充分探討秸应。
數(shù)據(jù)收集主要包括用戶(hù)行為、偏好碑宴、交易等類(lèi)型软啼。以某快遞網(wǎng)點(diǎn)為例，他就包括活躍網(wǎng)點(diǎn)延柠、網(wǎng)點(diǎn)操作方式祸挪、登陸方式、操作項(xiàng)贞间、付費(fèi)項(xiàng)匕积、回頭率、流失率榜跌、客戶(hù)轉(zhuǎn)化率等闪唆。我們可對(duì)收集的數(shù)據(jù)做分析，讓網(wǎng)點(diǎn)形成標(biāo)簽化钓葫，從而搭建網(wǎng)點(diǎn)的基礎(chǔ)賬戶(hù)悄蕾，建立數(shù)據(jù)倉(cāng)庫(kù)，實(shí)現(xiàn)平臺(tái)數(shù)據(jù)共享，打通相關(guān)數(shù)據(jù)帆调。
三奠骄、行為建模
行為建模就是根據(jù)用戶(hù)行為數(shù)據(jù)進(jìn)行建模。通過(guò)對(duì)用戶(hù)行為數(shù)據(jù)進(jìn)行分析和計(jì)算番刊，為用戶(hù)打上標(biāo)簽含鳞，可得到用戶(hù)畫(huà)像的標(biāo)簽建模，即搭建用戶(hù)畫(huà)像標(biāo)簽體系芹务。標(biāo)簽建模主要是基于原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)蝉绷、分析和預(yù)測(cè)，從而得到事實(shí)標(biāo)簽枣抱、模型標(biāo)簽與預(yù)測(cè)標(biāo)簽熔吗。
標(biāo)簽建模的方法廣泛應(yīng)用于推薦引擎、廣告投放和智能營(yíng)銷(xiāo)的領(lǐng)域佳晶。在面向2B領(lǐng)域的產(chǎn)品也可以應(yīng)用桅狠，只是需要做一個(gè)有效的轉(zhuǎn)換。
三轿秧、構(gòu)建畫(huà)像
用戶(hù)畫(huà)像包含的內(nèi)容并不完全固定中跌，不同企業(yè)對(duì)于用戶(hù)畫(huà)像有著不同對(duì)理解和需求。根據(jù)行業(yè)和產(chǎn)品的不同菇篡，所關(guān)注的特征也有不同漩符，但主要還是體現(xiàn)在基本特征、社會(huì)特征逸贾、偏好特征陨仅、行為特征等。
用戶(hù)畫(huà)像的核心是為用戶(hù)打標(biāo)簽铝侵。即將用戶(hù)的每個(gè)具體信息抽象成標(biāo)簽灼伤，利用這些標(biāo)簽將用戶(hù)形象具體化，從而為用戶(hù)提供有針對(duì)性的服務(wù)咪鲜。
以某用戶(hù)畫(huà)像為例狐赡，我們將其年齡、性別疟丙、婚否颖侄、職位、收入享郊、資產(chǎn)標(biāo)簽化览祖，通過(guò)場(chǎng)景描述，挖掘用戶(hù)痛點(diǎn)炊琉，從而了解用戶(hù)動(dòng)機(jī)展蒂。其中將21~30歲作為一個(gè)年齡段又活，薪資20~25K作為一個(gè)收入范圍，利用數(shù)據(jù)分析得到數(shù)據(jù)標(biāo)簽結(jié)果锰悼，最終滿(mǎn)足業(yè)務(wù)需求柳骄，從而讓構(gòu)建用戶(hù)畫(huà)像形成一個(gè)閉環(huán)。
用戶(hù)畫(huà)像作為一種勾畫(huà)目標(biāo)用戶(hù)箕般、聯(lián)系用戶(hù)訴求與設(shè)計(jì)方向的有效工具耐薯，被應(yīng)用在精準(zhǔn)營(yíng)銷(xiāo)、用戶(hù)分析丝里、數(shù)據(jù)挖掘曲初、數(shù)據(jù)分析等”撸總之用戶(hù)畫(huà)像根本目的就是尋找目標(biāo)客戶(hù)复斥、優(yōu)化產(chǎn)品設(shè)計(jì)营密，指導(dǎo)運(yùn)營(yíng)策略械媒，分析業(yè)務(wù)場(chǎng)景和完善業(yè)務(wù)形態(tài)。
四评汰、應(yīng)用舉例
1纷捞、用戶(hù)分類(lèi)
維度指的就是用戶(hù)分類(lèi)，雖然公司在產(chǎn)品定位和市場(chǎng)細(xì)分階段已經(jīng)對(duì)用戶(hù)群體有清晰的定位被去，但是在產(chǎn)品運(yùn)營(yíng)階段主儡，對(duì)使用產(chǎn)品的用戶(hù)群體還需要更加細(xì)分。一般有以下劃分方式：
a惨缆、按照個(gè)人屬性或標(biāo)簽劃分：例如性別糜值、年齡、地區(qū)坯墨、學(xué)歷等寂汇，也可以為用戶(hù)貼上標(biāo)簽，如星座捣染、行業(yè)骄瓣、職業(yè)、消費(fèi)能力耍攘、支付偏好等
b榕栏、按照用戶(hù)使用產(chǎn)品的生命周期劃分一般是：免費(fèi)試用、付費(fèi)使用蕾各、結(jié)束使用扒磁。
c、同期群劃分指的是按用戶(hù)初始使用產(chǎn)品的時(shí)間將用戶(hù)劃分式曲。因?yàn)楫a(chǎn)品總是在更新迭代中的妨托，對(duì)不同的同期群的影響是不一樣的。比如去年上架的 A 產(chǎn)品，在2月注冊(cè)用戶(hù)的付費(fèi)轉(zhuǎn)化率為10%始鱼，3月注冊(cè)用戶(hù)的付費(fèi)轉(zhuǎn)化率為20%仔掸，4月注冊(cè)用戶(hù)付費(fèi)轉(zhuǎn)化率為30%，則可以看出2-4月中產(chǎn)品的發(fā)展是穩(wěn)健上漲的医清。
適用于分析：產(chǎn)品業(yè)務(wù)的整體情況起暮、產(chǎn)品改版效果、產(chǎn)品改進(jìn)后的用戶(hù)體驗(yàn)会烙、用戶(hù)留存/流失分析等负懦。
d、按照用戶(hù)使用產(chǎn)品的頻率活躍度劃分為：新增用戶(hù)柏腻、普通用戶(hù)纸厉、活躍用戶(hù)、核心用戶(hù)五嫂、流失用戶(hù)颗品。
活躍度的指標(biāo)需根據(jù)不同類(lèi)型業(yè)務(wù)在不同發(fā)展階段進(jìn)行自我定義，例如是微信等超高頻次社交類(lèi)應(yīng)用沃缘，可能指的是日均使用時(shí)長(zhǎng)躯枢；假如是外賣(mài)等 O2O 類(lèi)應(yīng)用，可能是周均使用次數(shù)等槐臀。
e锄蹂、在電商領(lǐng)域還有個(gè)通用的按照用戶(hù)價(jià)值的RFM模型，可應(yīng)用于成交金額的優(yōu)化水慨。
R：最近一次消費(fèi) Recency
F：消費(fèi)頻率 Frequency
M：消費(fèi)金額 Money
于是這五層的用戶(hù)分類(lèi)得糜，我們運(yùn)營(yíng)對(duì)于每一類(lèi)都有不同的需求：新用戶(hù)我們希望他下載，那么給新手福利晰洒；下載用戶(hù)希望他們使用朝抖，那么給予傻瓜式的操作引導(dǎo)；而使用的用戶(hù)又希望他多來(lái)欢顷，常來(lái)槽棍，建立信任，那么就要有不斷的刺激和優(yōu)化抬驴。而興趣用戶(hù)炼七，當(dāng)然希望他付費(fèi)了，自然促銷(xiāo)是常用手段布持。至于付費(fèi)用戶(hù)豌拙，那么服務(wù)肯定要做好，希望人家二次購(gòu)買(mǎi)题暖，三次購(gòu)買(mǎi)按傅，甚至推薦給其他人捉超。
基于以上的用戶(hù)分類(lèi)，我們還可以有效的對(duì)根據(jù)用戶(hù)的正態(tài)分布模型唯绍，來(lái)分配不同的資源拼岳。尤其當(dāng)資源非常有限的時(shí)候，就可以應(yīng)用况芒。舉例惜纸，當(dāng)把所有的客戶(hù)資源分配超出預(yù)算，根據(jù)設(shè)定的核心目標(biāo)绝骚，如果是利潤(rùn)優(yōu)先的時(shí)候耐版，我們就可以來(lái)調(diào)整優(yōu)化資源，重點(diǎn)維護(hù)利潤(rùn)客戶(hù)压汪，同時(shí)也要核心關(guān)注不給利潤(rùn)但是占據(jù)大部分公司資源的客戶(hù)粪牲，而中間大多數(shù)在恒定值附近的客戶(hù)，則要進(jìn)行標(biāo)準(zhǔn)化服務(wù)止剖，節(jié)省資源腺阳，讓邊際成本降低。
2滴须、指標(biāo)優(yōu)化
a舌狗、基于業(yè)務(wù)模型的指標(biāo)——AARRR漏斗模型
AARRR 對(duì)應(yīng)移動(dòng)應(yīng)用生命周期的 5 個(gè)重要環(huán)節(jié)
A：Acquisition 思考：用戶(hù)何處得知你的存在叽奥？更多的獲取用戶(hù)
A：Activation思考：提高活躍度扔水，跳過(guò)的客戶(hù)是否使用其他操作？
R：Retention思考：提高留存率朝氓，用戶(hù)是否持續(xù)使用魔市？
R：Revenue思考：獲取收入，用戶(hù)的行為是否具有價(jià)值赵哲？
R：Refer思考：自傳播待德，用戶(hù)會(huì)否幫你推廣產(chǎn)品？
b枫夺、基于業(yè)務(wù)模型的指標(biāo)——長(zhǎng)漏斗模型
這里根據(jù)不同業(yè)務(wù)模型将宪，企業(yè)分析的指標(biāo)模型也不一致。例如針對(duì)電商類(lèi)應(yīng)用的長(zhǎng)漏斗模型如下：
電商路徑：搜索——瀏覽——加入購(gòu)物車(chē)——提交訂單——完成支付——物流收單——完成交易——用戶(hù)傳播
需要注意橡庞，具體在做分析的時(shí)候较坛，指標(biāo)間的邏輯關(guān)系非常關(guān)鍵，才真正能有利于作出決策扒最。比如雙十一實(shí)時(shí)監(jiān)測(cè)的交易額丑勤，即時(shí)的數(shù)字不具任何參考意義，但模型里幾個(gè)關(guān)鍵數(shù)據(jù)吧趣，是否能帶來(lái)接下來(lái)的數(shù)據(jù)變化才是關(guān)鍵法竞。例如加入購(gòu)物車(chē)的數(shù)量耙厚，就非常有參考意義，此時(shí)可以去看為什么沒(méi)有達(dá)成岔霸，作出是否需要給用戶(hù)在設(shè)置提醒之類(lèi)的決策薛躬。
五、塑造背后的隱私
從龐雜的數(shù)據(jù)背后挖掘呆细、分析用戶(hù)的行為習(xí)慣和喜好泛豪，找出更符合用戶(hù)口味的產(chǎn)品和服務(wù)，并結(jié)合用戶(hù)需求有針對(duì)性地調(diào)整和優(yōu)化自身侦鹏，就是大數(shù)據(jù)的價(jià)值诡曙。但現(xiàn)在大數(shù)據(jù)能做到的早已不止這些，甚至已經(jīng)開(kāi)始在塑造我們的生活略水。
未來(lái)我們每個(gè)人的衣食住行价卤、生活起居，都將有大量的數(shù)據(jù)記錄渊涝。我們的行為會(huì)變成一串串?dāng)?shù)字成為可量化的數(shù)據(jù)慎璧，成為描述我們的信息。我們工作用印象筆記跨释、吃飯用美團(tuán)胸私、打車(chē)用滴滴、搜東西用百度鳖谈、社交用微信岁疼，每一步都事無(wú)巨細(xì)被記了下來(lái)。這樣的未來(lái)自然有利有弊缆娃。利是我們無(wú)處不在享受著大數(shù)據(jù)帶來(lái)的便利捷绒，弊是徹底被我們的過(guò)去所束縛，而且這個(gè)時(shí)候的塑造完全是攫取了隱私獲取的贯要，這個(gè)倫理問(wèn)題了可能終究會(huì)被瓦解暖侨。
更多文章關(guān)注公眾號(hào)：饅頭的筆記
