編輯導語：如今在這個大數據時代，每個用户都被標籤化，運用用户畫像的方式瞭解用户，從而推送相關消息；最常見的情況就是你買了商品後，推薦會自動推送與此商品相關的商品，促進消費；本文作者分享了關於什麼是真正的用户畫像，我們一起來看一下。
用户畫像又稱用户角色，作為一種勾畫目標用户、聯繫用户訴求與設計方向的有效工具，用户畫像在各領域得到了廣泛的應用。
我們在實際操作的過程中往往會以最為淺顯和貼近生活的話語將用户的屬性、行為與期待的數據轉化聯結起來；作為實際用户的虛擬代表，用户畫像所形成的用户角色並不是脱離產品和市場之外所構建出來的，形成的用户角色需要有代表性能代表產品的主要受眾和目標羣體。（來源百度）
一、用户畫像是什麼？用户畫像的核心是為用户打標籤，即——將用户的每個具體信息抽象成標籤，利用這些標籤將用户形象具體化，從而為用户提供有針對性的服務。
我理解的用户畫像是一種標籤（淺層次）、數據的集合體（深層次），最終的導向還是獲取用户的信息，並提供戰略決策。
1. 什麼是標籤舉個例子：男，28歲，未婚，收入2萬，愛美食，科技控，喜歡美女、喜歡旅遊、有車。
這樣的描述，就是一個初步的用户畫像，就是一組標籤信息（即用户信息標籤化）。
那麼我們再看一下這一張截圖：
（來源站酷，某作品集中的一頁）
這很明顯是一個反面教材了，大家能在這張截圖中，看出什麼標籤嗎？
從，姓名、學生、年齡、快畢業、藝校生、探索未知等標籤就可以瞭解到專業水平、學習興趣？這是怎麼挖掘出來的？
標籤又可以分為三大類（寬泛）：
- 統計類標籤：這類標籤是最為基礎也最為常見的標籤類型，例如：對於某個用户來説，其姓名、性別、年齡、地市、活躍時長等，這類數據可以從用户註冊數據、用户消費數據中得出，該類數據構成了用户畫像的基礎。
- 規則類標籤：該類標籤基於用户行為確定的規則產生。例如：定義該用户為高頻投訴用户，規則為“近30天投訴次數＞10”；在實際開發畫像的過程中，由於運營人員對業務更為熟悉，而數據人員對數據的結構、分佈、特徵更為熟悉，因此規則類標籤的規則由運營人員和數據人員共同協商確定。
- 學習挖掘類標籤：該類標籤通過系統智能化學習挖掘產生，用於對用户的某些屬性或某些行為進行預測判斷；例如：根據用户的消費行為習慣判斷該用户的消費能力、對某類商品的偏好程度，該類標籤需要通過算法挖掘產生。
標籤規則（舉例：這個規則是在給用户定上具有消費力等等標籤）。
相同的商品：我妹妹打開某寶，東西都賊便宜，而我賊貴，你們懂了吧。
2. 為什麼需要標籤？用户畫像的核心工作是為用户打標籤。打標籤的重要目的之一就是為了讓用研或者產品能夠理解並且方便數據統計。
以電商舉例：
如，標籤可以做分類統計：喜歡美食的用户有多少？喜歡美食中的男女比例又是多少？
在做精細分類：喜歡甜食的有多少？喜歡辣條的有多少？那麼他們的地域分佈比例又是多少？那麼針對涼茶的男女喜好比例又有多少？
如：標籤可以做數據挖掘/清洗：利用關聯規則計算，喜歡美食的人，通常會喜歡什麼什麼卧室環境。那麼同樣也可以分析出什麼地域的人偏好什麼樣的美食，什麼樣的環境。
根據初步數據分析結果，我們可以得出，一旦這個上海地域的人登錄了某電商APP，可以快速根據該地域喜歡的，推就完事了（如：上海人大多數都喜歡偏甜的零食，或者小資生活的周邊、佈置等等）。
那麼這裏會牽扯到「模型」，通過算法和培養，能讓一個APP更加懂你。
比如：我在某寶上，買了一個汽車改裝用品，就瘋狂給你推薦汽車相關；因為我購買（達成）、瀏覽相關（計算）和瀏覽時間（培養），讓他更加確定了，我對這方面的需求很大。
二、數據分析本質是什麼？由於本文重點傾向交互側，數據分析這一塊留着下次説。
數據分析的本質是獲得信息和知識，從而在判斷和決策中使用。
根據分析的方法和目的，數據分析可以被劃分為：
描述性分析（Descriptive Analysis）：將數據整合為一份可視化的報告，進行演講或陳述，但它不能解釋某種出現的結果及未來發生的事情。
預測性分析（Predictive Analysis）：預測性分析不僅可以對數據特徵和變量（可以假定取消範圍的因素）之間的關係進行描述，還可以基於過去的數據預測未來。
預測性分析首先會確定變量值之間的關聯，然後基於這種已知的關聯預測另一種現象出現的可能性（如：某短視頻中會產生廣告，通過行為事件進行預測你購買/下載產品的可能性）。
決策性分析（Decision Analysis）：通過對比、驗證等手段，直接反應情況，給出明確的好壞。
所以要分析數據，至少要包含描述性分析的能力，這樣獲取的信息才有價值。（回顧上文，可以關聯標籤的含義）剩下的就是進階能力，預測和決策了；讓用研和產品同學更高效的、更準確的解決問題，而不是紙上談兵“我認為”、“我感覺”。
數據又分為靜態和動態數據：
靜態信息數據：靜態數據在很長的一段時間內不會變化，一般不隨運行而變。包含有：人的基本屬性，公司基本屬性、商業屬性等等；一般來説，做調研獲得的靜態數據都是真實的信息，無需進行分析和清晰。
動態信息數據：動態數據是常常變化，直接反映事務過程的數據，比如，網站訪問量、在線人數、日銷售額等等，也就是用户不斷變化的行為。
得出的數據是為了完成用户畫像的架構圖：
如果算法或者模型沒跑起來的話，我們需要帶着描述性分析+定量驗證，去構建初步的用户畫像（如果是算法和模型搭建起來的用户畫像則不要驗證）。
這篇不重點講定量了，如果還有小夥伴不知道的，可以去看前面的文章《定量與定性》。
四、構建用户畫像以韓梅梅的户畫像為例，我們將其年齡、性別、職位、等等，通過場景描述，挖掘用户痛點，從而瞭解用户動機；其中將21~30歲最為一個年齡段，以職業作為一個範圍，利用數據分析（定性）得到數據標籤結果，最終滿足業務需求，從而讓構建用户畫像形成一個閉環。
以一個健身APP為例：
畫像重要組成部分：
揭示關鍵差異（目標行為和觀點）：給用户一個定義名稱，這個名稱要圍繞產品最關鍵的特點凸顯出來，也可以從目標行為和觀點上去定義。
基礎信息：一個虛構的典型用户，可能跟某類用户的大部分人比較相似，但不會是某一個具體的人；有了這些個人信息，能夠讓用户畫像看起來更像一個真實的人，更容易引起用户的同理心（根據調研信息抹去真實的信息，如：名字、職業等等）。
相關設備產品使用情況：標識出相關特點，比如產品的使用情況，一天的生活軌跡等等，這部分內容主要跟產品、研究對象、研究目標相關。
競品使用情況：可以圍繞差異點來提供思路。
簡介場景：比如健身類的產品，那麼整個故事背景要圍繞這個健身去展開。
其他重要屬性：其他的重要屬性可以幫助我們去理解用户，為了讓用户形象更生動；個人語錄：如：我立了一個flag，降低體脂，我會圍繞這個目標堅持下去的。
最後得出的畫像還需要計算TGI。
TGI：Target Group Index（目標羣體指數） TGI=[「目標用户羣」中某一特徵的總用户數在「目標用户羣」總用户數的佔比/「全量用户」中具有該特徵的總用户數在「全量用户」總用户數的佔比]*標準數100 TGI指數大於100，則説明該特徵用户傾向較強（和平均相比） 小於100，則説明該類用户相關傾向較弱（和平均相比） 而等於100則表示在平均水平。
最後將畫像信息標籤化-建立數據分析-驗證（如：ABtest）——轉化為實際場景的用户畫像——最終決策（如果是算法和模型搭建起來的用户畫像則不要驗證）。
作者：交互思維鋪子；公眾號：交互思維鋪子
本文由 @交互思維鋪子 原創發佈於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。