用户画像

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，在各领域得到了广泛的应用，本图快速理解并帮助使用用户画像，同时罗列了一些雷区。

用户画像

• 概述
  • 定义
    • 真实用户的虚拟代表, 是建立在一系列属性数据之上的目标用户模型
  • 组成
    • 用户是什么人;用户是做什么的;用户喜欢什么
  • 举例
    • 抖音用户画像（以前）：女性略大于男性; 用户群体开始向三四线城市渗透; 用户标签为音乐、美食、旅游为主; 社交风格更趋向于流行时尚、文艺小清线
• PERSONA
  • P 代表基本性（Primary research）指该用户角色是否基于对真实用户的情景访谈
  • E 代表移情性（Empathy）指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引同理心。
  • R 代表真实性（Realistic）指对那些每天与顾客打交道的人来说，用户角色是否看起来像真实人物。
  • S 代表独特性（Singular）每个用户是否是独特的，彼此很少有相似性。
  • O 代表目标性（Objectives）该用户角色是否包含与产品相关的高层次目标，是否包含关键词来描述该目标。
  • N 代表数量（Number）用户角色的数量是否足够少，以便设计团队能记住每个用户角色的姓名，以及其中的一个主要用户角色。
  • A 代表应用性（Applicable）设计团队是否能使用用户角色作为一种实用工具进行设计决策
  • 该称呼对应于产品用研与交互设计
• Profile
  • 利用已经获得的数据，用来勾勒用户需求、用户偏好的数据分析方法
  • 该称呼用于运营与数据分析
• 作用
  • 精准营销：精准直邮、短信、App 消息推送，个性化广告等
  • 用户研究：指导产品优化，甚至做到产品功能的私人定制等
  • 个性服务：个性化推荐，个性化搜索等
  • 业务决策：排名统计，地域分析，行业趋势，竞品分析等
• 构建步骤
  • 用户建模，指确定提取的用户特征为度，和需要使用到的数据源
  • 数据收集，通过数据收集工具，如Flume或自己写的脚本程序，把需要使用的数据统一存放到Hadoop集群
  • 数据清理，数据清理的过程通常位于Hadoop集群，也有可能与数据收集同时进行，这一步的主要工作是把收集到各种来源杂乱无章的数据进行字段提取，得到关注的目标特征
  • 模型训练，有些特征可能无法直接从数据清理得到，比如用户感兴趣的内容或用户的消费水平，那么可以通过收集到的已知特征进行学习和预测
  • 属性预测，利用训练得到的模型和用户的已知特征，预测用户的未知特征
  • 数据合并，把用户通过各种数据源提取的特征进行合并，并给出一定的可信度
  • 数据分发，对于合并后的结果数据，分发到精准营销、个性化推荐、CRM等各个平台，提供数据支持
  • 以用户性别为例：提取用户自己填写的资料——提取用户的称谓——根据用户姓名预测用户性别——利用其他特征如用户访问过的网站
• 误区
  • 应用层面
    • 为了画像而画像
      • 用户画像行业内外都在谈，别人有，那我们不能没有。所以，不管三七二十一，有些企业就先搞一个用户画像平台再说
    • 重形式、轻实效
      • 市面上所输出的分析结果，大多是静态指标或标签的图形化展示，只是展现形式上融入了数据可视化元素，其它方面倒是没有实质性的变化
    • 把画像当作临时性需求
      • 一些企业的业务部门并没有充分认识到用户画像的重要作用，总是到需要用到用户画像的时候，再临时提需求，找数据相关部门来救急支持下
  • 实现层面
    • 重数量、轻质量
      • 不少企业认为标签越多越好、越全面越好
    • 认为打标签可以一劳永逸
      • 有些企业在标签生产时，只重视对动态指标对应的标签做维护和更新，却缺乏对静态标签进行生命周期的管理
    • 片面追求标签完整性
      • 有些企业为了做好用户画像平台的“形象工程”，不惜重金与外部数据源合作，丰富了用户标签的维度，补齐了用户画像所缺失的信息，高估了预期效果
    • 标签评估时用准确性代替有效性
      • 在生产用户标签时，负责用户画像产品的人经常会被各种问到“你的标签准确吗？”没有抓住标签的实用性和效果
    • 没有基于用户数据的客观表现
      • 有些公司采取用户调研的方式获取数据、验证标签，提问式是存在弊端的
    • 忽视了标签的权重
      • 忽视标签的权重就会导致标签有偏差
    • 标签设置没有把握好用户的隐私尺度
      • 当下大多数互联网用户频遇信息骚扰、产生安全隐私焦虑