90%的人都做错的用户画像，到底应该怎么做？

Posted 2022-03-24 Leo.yuan

前几天，有个搞运营的小伙伴向我吐槽，熬了几个夜做出来的用户画像被老板说垃圾。不管是市场人员、运营人员还是产品经理，都躲不开“用户画像”，但经常听到伙伴们抱怨，这个词太大了，根本不知道从哪里下手。

老李给大家归纳了一套用户画像学习方法，从理论到实践，教大家怎么做好用户画像。

什么是用户画像？

简单来说，用户画像=给用户打标签。举个例子，如果你关注老李的头条，每天看的都是数据分析类的内容，那你就会被打上“数据分析”、“职场”等标签，下次打开头条，给你推荐的就是“如何转行数据分析”、“数据分析必备工具”等文章。用户画像涉及的范围很广，下图给大家归纳了一下7个可以参考的方面。

做这些用户画像有什么用？

做用户画像的过程，就是将无法具像化的用户行为数据转化成能够直观认识的用户标签。

虽然用户画像的作用远不止这些，但大体不离以下几个方面

1.精准营销：通过用户画像，将用户群体分割成更细的粒度，利用短信、邮件做精准营销

2.数据分析：根据用户的属性、行为特征对用户进行分类后，通过数据分析不同用户画像群体的分布特征

3.产品应用：用户标签是很多数据产品的基础，诸如个性化推荐系统，CRM基础搭建等

4.数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度

怎样才能做出一套可落地的用户画像？

不少企业做了用户画像，可能只是实现了一些静态标签，以用户基本属性为主。入门级别就是做些用户问卷调研、电话访谈，进阶的就是通过一些后台埋点，得出男女比例7:3，华南华北比例4:6这些会被业务方痛骂的痒点数据。没有真正用在实际业务中，对业务产生价值，最终沦为形式主义。

所以要让用户画像真的能发挥出作用，一套可实际落地的用户画像是必要条件。

1、明确业务方做用户画像的目的

这里先指出大多数人的错误思考顺序：不是因为有了用户画像，从而用画像去提升业务，而是业务有需求，才需要去建立用户画像。举个例子，内容型社区希望通过上线知识付费模块，将该模式进行商业变现，基于此，我们需要把业务目标和要解决的问题进行梳理，根据要解决的问题去做用户画像。只有明白了业务方做用户画像的目的，才能在之后选取出更为符合需求的数据标签。
90%的人都做错的用户画像，到底应该怎么做？

2、对用户数据进行收集

常见的用户数据可分为静态数据和动态数据。由静态数据标签搭建出就是2D用户画像，例如小明，男，25岁，北京；而动态数据标签+静态数据标签，搭建出来的就是3D用户画像，例如小明于3.11登入30min，访问了某页面4次后，将商品加入购物车，这些就是属于动态的信息，是随着时间不断变化。

静态数据：

用户最基础的信息要素，例如姓名、城市、学历、注册时间、注册方式等。

动态数据：

动态数据：用户不断变化的行为信息，打开网页，加入购物车、购买物品等一样都是用户动态的行为数据。

3、构建用户画像模型

收集到基础用户数据之后，我们从用户的基本概况入手，对用户的年龄、地域、行业等维度进行分析，将用户画像进行建模。

①Who（用户）—— 哪些用户

对用户的表示，方便区分用户，定位用户信息

②when（时间）—— 什么时间发生

用户发生行为的时间跨度和时间点，比如浏览页面20s，其中点击按钮是在5s，返回是在17s，也就是时间跨度20s，发生行为的时间点分别是5s和17s。

③where（地点）—— 用户行为触点

用户接触产品的触点，比如网址访问了哪些分页，在APP上点了哪些按钮，刷新了几次，或者其他交互行为。

④what（事件）—— 触发的信息点

也就是用户访问的内容信息，比如主要浏览了类别，品牌，描述，生产日期等，这些内容也生成了对应标签。

⑤action(行动）—— 用户具体行为

比如电商用户的添加购物车、搜索、评论、购买、点击赞、收藏等。 用户画像的数据模型可以概括为下面的公式：用户+时间+行为+接触点，某用户因为在什么时间、地点、做了什么事，然后打上标签。

不同产品需求不同的标签组合，不同的标签组合也就形成了用户画像的模型。

4、数据可视化

构建完模型后，用BI工具对前面产生的用户画像进行数据可视化分析，一般是分析特定群体，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营等。

客户整体分析

而这里常用到的数据分析模型就是RFM客户分析模型，利用BI工具计算出每个客户的RFM指标，这里我用的是FineBI（可在文末获取），通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段，如下图所示。

但是要注意的是这三个指标不是死板不变的，要针对自己的行业特点灵活变通，比如在金融行业，最近一次购买时间可能并不适用，此时可以考虑采用金融产品持有时间来代替R，这样更能体现用户与金融企业建立联系时间的长短。

把用户按照三个维度指标进行划分，也就相当于将用户放到下面这个正方体中：

因此我们要对指标进行切分，设定阈值，也就是为指标设定正负值，确保三个指标将用户分为八个象限。通常比较常用的方法就是等频和等宽进行切分，比如将用户购买花费进行平均值计算。

但是平均值只适合于均类数据，对于一些不规则数据，平均值会造成很大的误差。

这时候我们就要用到聚合的功能，简单说，聚合功能就是一堆数据按照内在特征的不同进行划分，不同类的数据之间的差别一般是很大的，这样就能找到大数据量中的“中心点”，而非平均点。

在FineBI中我们可以直接使用聚合功能，聚合指标选择“订单金额“、”时间“、”次数“，聚合数选择”3“，聚合方式选择”欧氏距离“，这样就可以得到最终的聚合结果了，最终可以计算出每个客户的聚合R值、聚合F值和聚合M值，这就是我们要用到的参考值。

用户分类

我们将三个指标分别进行划分后，按照下图的方式进行组合，就可以得到八个象限，代表8类客户：

最后利用FineBI将其制作成可视化数据分析模板，以便我们按照需求进行客户分析。

    例如图中的面积图，可以显示出公司各类客户的占比，显而易见一般挽留客户与一般发展客户占据多数，说明该公司的用户结构不是很合理，需要尽快采取措施进行优化；
    而右侧的环形图则代表着各种类型客户的购买数量，可以看出复购率越高、愿意花大价钱的客户买的数量越多；

评论并回复“RFM”即可获取工具和模板～