文章目录

• 1.什么是用户画像？
  • 1.什么是标签？
  • 2.为什么需要标签？
• 二、数据分析的本质是什么？
  • 1.信息可视化
• 三.定量验证
• 第四，建立用户画像

如今这个大数据时代，每个用户都被贴上了标签，用用户画像来了解用户，从而推送相关新闻；最常见的情况是，你买了一个产品后，推荐会自动推送与这个产品相关的产品来促进消费；这篇文章的作者分享了什么是真正的用户画像。让我们一起来看看。

用户画像，又称用户角色，作为勾画目标用户、连接用户需求和设计方向的有效工具，被广泛应用于各个领域。

在实际操作过程中，我们经常把用户的属性、行为、期望的数据转换用最简单、最贴近生活的词语联系起来；作为实际用户的虚拟代表，用户画像形成的用户角色并不是在产品和市场之外构建的，形成的用户角色需要有代表性的表现才能代表产品的主要受众和目标群体。(来源百度)

1.什么是用户画像？

用户画像的核心是标签化用户，即将用户的每一个具体信息抽象成标签，并利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。

我理解用户画像是一种标签(浅层次)和数据的集合(深层次)，最终定位是获取用户的信息，提供战略决策。

1.什么是标签？

比如:男，28岁，未婚，收入2万，热爱美食，科技控，喜欢美女，喜欢旅游，有车。

该描述是初步的用户画像，即一组标签信息(即用户信息标签)。

然后让我们看一下这个截图:

(来源站酷，作品集中的一页)

这显然是一本反面教材。你能在这张截图中看到任何标签吗？

从，姓名，学生，年龄，即将毕业，艺校生，探索未知等标签，我们能知道专业水平和学习兴趣吗？这是怎么挖出来的？

标签可分为三类(广义):

统计类标签：这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础。规则类标签：该类标签基于用户行为确定的规则产生。例如：定义该用户为高频投诉用户，规则为“近30天投诉次数＞10”；在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定。学习挖掘类标签：该类标签通过系统智能化学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断；例如：根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度，该类标签需要通过算法挖掘产生。规则(例如，这个规则是用户的消费能力等标签)。

同款产品:姐姐开了一个宝，东西都便宜，我却贵，你知道吗？

2.为什么需要标签？

用户画像的核心工作是给用户贴标签。标注的重要目的之一是使研究或产品易于理解，便于数据统计。

以电子商务为例:

比如标签可以分类统计:有多少用户喜欢好吃的？喜欢美食的男女比例是多少？

精细分类:有多少人喜欢甜食？有多少人喜欢辣条？那么它们的地理分布比例是多少呢？那么男女偏好凉茶的比例是多少呢？

例如，标签可以用于数据挖掘/清理:使用关联规则来计算喜欢食物的人通常喜欢什么样的卧室环境。然后我们还可以分析任何地区的人们更喜欢什么样的食物和环境。

根据初步的数据分析结果，我们可以得出这样的结论:这个上海地区的人一旦登录了某个电商APP，就可以根据该地区喜欢什么快速推送(比如，大部分上海人喜欢吃甜零食，或者小资生活的周边和布局等)。).

那么就会有一个“模型”牵扯进来。通过算法和训练，一个APP可以更好的理解你。

比如我在某宝上买了一款汽车改装产品，疯狂向你推荐汽车相关产品；因为我的购买(成绩)、浏览相关(计算)和浏览时间(训练)，他比较确定，我对这方面有很大的需求。

二、数据分析的本质是什么？

由于本文侧重于交互方面，数据分析留待下次讨论。

数据分析的本质是获取信息和知识，用于判断和决策。

根据分析的方法和目的，数据分析可分为:

描述性分析:将数据整合到可视化报告中，发表演讲或陈述，但不能解释某些结果和未来事件。

1.信息可视化

预测分析:预测分析不仅可以描述数据特征与变量(可以假设为取消范围的因素)之间的关系，还可以根据过去的数据预测未来。

预测分析将首先确定变量值之间的相关性，然后基于这种已知的相关性预测另一种现象的可能性(例如，短视频中将生成一个广告，通过行为事件预测购买/下载产品的可能性)。

2.预测分析

决策分析:通过比较、验证等手段，可以直接反映情况，给出明确的质量。

所以分析数据，至少要包含描述性分析的能力，这样获得的信息才有价值。(回过头看上面，我们可以把标签的含义联系起来)剩下的是高级能力、预测和决策；让学生在研究和产品中更高效、更准确地解决问题，而不是纸上的“我想”和“我感觉”。

数据分为静态数据和动态数据:

静态信息数据:静态数据长时间不会变化，一般不会随操作而变化。包括:人的基本属性、公司的基本属性、业务属性等等；一般来说，从研究中获得的静态数据都是真实的信息，不需要分析和清晰。

动态信息数据:动态数据是指频繁变化、直接反映交易过程的数据，如网站访问量、在线人数、日销售额等。，即用户不断变化的行为。

获得的数据是为了完成用户画像的架构图:

三.定量验证

如果算法或模型不起作用，我们需要通过描述性分析和定量验证来构建初步的用户画像(不要验证算法或模型构建的用户画像)。

本文不关注量化。如果还有其他不知道的朋友，可以去上一篇《定量与定性》。

第四，建立用户画像

以韩梅梅的家庭画像为例，描述其年龄、性别、职位等。，并通过场景探究用户痛点，从而了解用户动机；其中21-30岁是最多的年龄段，以职业为范围，利用数据分析(定性)得到数据标签结果，最终满足业务需求，从而形成构建用户画像的闭环。

以一款健身APP为例:

肖像的重要组成部分:

揭示关键差异(目标行为和观点):给用户一个定义名称，应该围绕产品最关键的特性来突出，或者从目标行为和观点来定义。

基本信息:虚构的典型用户可能与某类用户的大多数人相似，但不会是特定的人；有了这些个人信息，用户的画像就能看起来更像真人，更容易引起用户的共情(根据研究信息擦除真实信息，如姓名、职业等。).

相关设备和产品的使用情况:识别相关特征，如产品的使用情况、日常生活轨迹等，主要与产品、研究对象、研究目标相关。

竞争产品的使用:可以围绕差异提供想法。

简介:比如健身产品，那么整个故事背景就要围绕这个健身。

其他重要属性:其他重要属性可以帮助我们了解用户，以使用户的形象更加生动；个人语录:比如我立了一个减少体脂的旗，我会坚持这个目标。

最后的画像还需要算TGI。

TGI:目标群体指数TGI=[目标用户群体中某功能的总用户数占目标用户群体总用户数的比例/具有该功能的总用户数占总用户数的比例]* 100 TGI指数标准数大于100，表明该功能的用户倾向更强(与平均值相比)小于。

最后，标记图像信息-建立数据分析-验证(例如abtest)-将其转换为实际场景的用户图像-做出最终决定(如果是算法和模型构建的用户图像，则不要验证)。