90%的人都做錯的使用者畫像，到底應該怎麼做？
簡單來說，使用者畫像=給使用者打標籤。標籤是高度精煉的特徵標識，比如說年齡、性別、地域、興趣等。由這些標籤集合能抽象出一個使用者的資訊全貌，每個標籤分別描述了該使用者的一個維度，各個維度相互聯絡，共同構成對使用者的整體描述。
依靠這些資訊，你就會被後臺拆分為無數個標籤，從而讓後臺預判你是個什麼樣的人。那麼目的也就很明顯，依靠這些標籤資訊，對你進行精準營銷，給你推薦的商品資訊流都是價效比高的女性用品，從而提高你的下單成功率。
做這些使用者畫像有什麼用？在看完上面舉的電商例子後，你應該也懂了個五六分，但展開來說，就是因為使用者的行為資料無法直接用於資料分析和使用者模型構建，我們也無法從使用者的行為日誌中直接獲取有用的資訊。
但如果將使用者的行為資料標籤化，形成使用者畫像以後，我們對使用者就有了一個直觀的認識。同時計算機也能夠理解使用者，將使用者的行為資訊用於個性化推薦搜尋、廣告精準投放和智慧行銷。
雖然使用者畫像的作用遠不止這些，但大體不離以下幾個方面
1.精準行銷：透過使用者畫像，將使用者群體分割成更細的粒度，利用簡訊、郵件做精準行銷
2.資料分析：根據使用者的屬性、行為特徵對使用者進行分類後，透過資料分析不同使用者畫像群體的分佈特徵
3.產品應用：使用者標籤是很多資料產品的基礎，諸如個性化推薦系統，CRM基礎搭建等
4.資料探勘：以使用者畫像為基礎構建推薦系統、搜尋引擎、廣告投放系統，提升服務精準度
怎樣才能做出一套可落地的使用者畫像？
不少企業做了使用者畫像，可能只是實現了一些靜態標籤，以使用者基本屬性為主，入門級別就是做些使用者問卷調研、電話訪談，進階的就是透過一些後臺埋點，得出一些些會被業務方痛罵的癢點資料。沒有真正用在實際業務中，對業務產生價值，最終淪為形式主義。
所以要讓使用者畫像真的能發揮出作用，一套可實際落地的使用者畫像是必要條件。
1、明確業務方做使用者畫像的目的這裡先指出大多數人的錯誤思考順序
不是因為有了使用者畫像，從而用畫像去提升業務，而是業務有需求，才需要去建立使用者畫像。舉個例子，內容型社群希望透過上線知識付費模組，將該模式進行商業變現，基於此，我們需要把業務目標和要解決的問題進行梳理，根據要解決的問題去做使用者畫像。只有明白了業務方做使用者畫像的目的，才能在之後選取出更為符合需求的資料標籤。
2、對使用者資料進行收集
常見的使用者資料可分為靜態資料和動態資料。
由靜態資料標籤搭建出就是2D使用者畫像，例如小明，男，25歲，北京；而動態資料標籤+靜態資料標籤，搭建出來的就是3D使用者畫像，例如小明於3.11登入30min，訪問了某頁面4次後，將商品加入購物車，這些就是屬於動態的資訊，是隨著時間不斷變化。
靜態資料：
使用者最基礎的資訊要素，例如姓名、城市、學歷、註冊時間、註冊方式等。
動態資料：
動態資料：使用者不斷變化的行為資訊，開啟網頁，加入購物車、購買物品等一樣都是使用者動態的行為資料。
3、構建使用者畫像模型
收集到基礎使用者資料之後，我們從使用者的基本概況入手，對使用者的年齡、地域、行業等維度進行分析，將使用者畫像進行建模。
①Who（使用者） — — 哪些使用者對使用者的表示，方便區分使用者，定位使用者資訊
②when（時間） — — 什麼時間發生使用者發生行為的時間跨度和時間點，比如瀏覽頁面20s，其中點選按鈕是在5s，返回是在17s，也就是時間跨度20s，發生行為的時間點分別是5s和17s。
③where（地點） — — 使用者行為觸點使用者接觸產品的觸點，比如網址訪問了哪些分頁，在APP上點了哪些按鈕，重新整理了幾次，或者其他互動行為。
④what（事件） — — 觸發的資訊點也就是使用者訪問的內容資訊，比如主要瀏覽了類別，品牌，描述，生產日期等，這些內容也生成了對應標籤。
⑤action(行動） — — 使用者具體行為
比如電商使用者的新增購物車、搜尋、評論、購買、點選贊、收藏等。 使用者畫像的資料模型可以概括為下面的公式：使用者+時間+行為+接觸點，某使用者因為在什麼時間、地點、做了什麼事，然後打上標籤。
不同產品需求不同的標籤組合，不同的標籤組合也就形成了使用者畫像的模型。
4、資料視覺化
構建完模型後，用BI工具對前面產生的使用者畫像進行資料視覺化分析，一般是分析特定群體，比如可以根據使用者價值來細分出核心使用者、評估某一群體的潛在價值空間，以作出針對性的運營等。
而這裡常用到的資料分析模型就是RFM客戶分析模型，利用BI工具計算出每個客戶的RFM指標，這裡我用的是 FineBI ，透過客戶名稱、消費時間、消費金額來處理出上次交易間隔R、交易頻率F、交易金額M三個原始欄位，如下圖所示。
但是要注意的是這三個指標不是死板不變的，要針對自己的行業特點靈活變通，比如在金融行業，最近一次購買時間可能並不適用，此時可以考慮採用金融產品持有時間來代替R，這樣更能體現使用者與金融企業建立聯絡時間的長短。
把使用者按照三個維度指標進行劃分，也就相當於將使用者放到下面這個正方體中：
因此我們要對指標進行切分，設定閾值，也就是為指標設定正負值，確保三個指標將使用者分為八個象限。通常比較常用的方法就是等頻和等寬進行切分，比如將使用者購買花費進行平均值計算。
但是平均值只適合於均類資料，對於一些不規則資料，平均值會造成很大的誤差：
比如一家公司有三家客戶，訂單額分別為1萬、5千和1百，顯然重要客戶應該是前兩個。而三個客戶的訂單平均值為5033，如果按照平均值劃分資料，那麼只有第一個客戶符合重要客戶的標準，這顯然是不對的。
這時候我們就要用到聚合的功能，簡單說，聚合功能就是一堆資料按照內在特徵的不同進行劃分，不同類的資料之間的差別一般是很大的，這樣就能找到大資料量中的“中心點”，而非平均點。
在FineBI中我們可以直接使用聚合功能，聚合指標選擇“訂單金額“、”時間“、”次數“，聚合數選擇”3“，聚合方式選擇”歐氏距離“，這樣就可以得到最終的聚合結果了，最終可以計算出每個客戶的聚合R值、聚合F值和聚合M值，這就是我們要用到的參考值。
使用者分類
我們將三個指標分別進行劃分後，按照下圖的方式進行組合，就可以得到八個象限，代表8類客戶：
最後利用FineBI將其製作成視覺化資料分析模板，以便我們按照需求進行客戶分析。
例如圖中的面積圖，可以顯示出公司各類客戶的佔比，顯而易見一般挽留客戶與一般發展客戶佔據多數，說明該公司的使用者結構不是很合理，需要儘快採取措施進行最佳化；
而右側的環形圖則代表著各種型別客戶的購買數量，可以看出復購率越高、願意花大價錢的客戶買的數量越多
作者：李啟方
文章連結：https://zhuanlan.zhihu.com/p/482053198
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
