用户画像研究

编辑导语：在这个大数据时代，数据变得越来越值钱，用户画像也被越来越广泛的应用。即使在用户画像这么火的情况下，仍然有多人不知道该如何创建和使用用户画像。今天，本文作者就结合自身经验，为我们做了总结，帮助你创建用户画像，了解用户想法，满足用户需求。在《重新认识用户画像》一文中，我们从定义产品和服务的功能角度，重新审视了用户画像的定义、作用和重要性，本文我们将重点讨论：如何创建和使用用户画像。过去的产品设计思维，不考虑用户分类，不做针对性需求分析，而是追求大而全的设计。但实际上这种大而全的设计反而不能有效的获取用户，自然也很难达到好的销售效果。比如做一款车，不同人群对于车的需求是不同的：孕妇对车的要求首先是安全性和稳固；大学生会追求炫酷；驴友则是需要底盘高、操控能力好的越野车。如果一款车，符合所有人群的需求，那这个车就会变成四不像；同样的，如果一款车，能够满足每个人60%的需求，这个产品最多打60分。因为从根本上说，这款车并没有真正满足任何一方的需求。只有搞清楚目标用户，针对这部分用户，把产品做到他们心目中的100分，才是一个好的设计。搞清楚目标用户，就需要通过创建用户画像来实现：一、创建用户画像的思路以用户为中心的产品设计路线图用户画像不是简单的用户细分，也不是平均用户，更不是某一个真实用户。而是指针对产品目标群体真实特征的勾勒，是真实用户的综合原型。无论是做设计、做营销策略，还是做广告，都需要事先通过各种手段勾勒出目标用户，然后将设计或自然、或“劲爆”地融入到目标用户的生活轨迹中。用户研究的过程实际上是一个定性研究和定量研究循环穿插的过程，用户画像的创建也是如此，下面是创建用户画像的三种思路：1. 创建定性用户画像的过程Step A：进行定性研究，通过一些小样本的研究，比如用户访谈、可用性测试、现场调查等形成直观感受。Step B：用户细分，基于用户的目标、观点或行为将相似的人群归集到群组中。Step C：建立用户画像，为每个细分群体加入详细信息。2. 创建经定量检验的定性用户画像的过程Step A：进行定性研，通过一些小样本的研究，比如用户访谈、可用性测试、现场调查等形成直观感受。Step B：用户细分，基于用户的目标、观点或行为将相似的人群归集到群组中。Step C：定量研究验证用户细分，调查问卷、网站流量分析等方法核实用户群的差异。Step D：建立用户画分，为每个细分群体加入详细信息。3. 创建定量用户画像的过程：Step A：进行定性研究，通过一些小样本的研究，比如用户访谈、可用性测试、现场调查等形成直观感受。Step B：形成分类假设，得到用于定量分析的多个候选细分选项列表。Step C：定量研究，调查问卷、网站流量分析等收集细分选项的数据而非证实。StepD ：用户细分，基于统计聚类分析来细分用户。Step E：建立用户画像，为每个细分群体加入详细信息。二、创建用户画像的方法前面提到，创建用户画像是一个定性和定量研究循环穿插的过程。实际执行中，可以根据时间的跨度、用户画像的精细度和用户覆盖度来决定，先做定性研究，定量研究，还是定性定量研究结合进行。这里，我们先从定性研究开始。1. 第一步：定性研究定性研究从用户访谈开始。访谈的步骤不再赘述，需要注意的是，对于定性研究中的用户访谈，一般会覆盖以下几方面的内容：产品的使用情况：接触渠道和方式、接触原因、第一印象、使用产品的关注因素、使用频率等；行业经验和知识：对行业的理解、同类产品对比、其产品的优劣势等；目标和行为：使用步骤、典型过程、使用功能或内容、未满足的需求、可优化的地方等；观点和动机：对产品的描述、可能的推荐动机、最喜欢/不喜欢的地方、提升使用频率的可能性等；机会点和反馈：新功能新内容的反馈、新功能的使用情况、需要重点改进的地方、机会点和创意点等。除此之外，为了能够获得更丰富完整的用户画像，常常会把情景研究、概念验证和可用性测试和用户访谈进行结合。2. 第二步：用户分类经过定性研究，我们搜集了创建用户画像的素材，接下来就需要对这些用户进行分类。1）创建定性细分以健身房用户为例，为健身房的20个用户做用户画像，首先要有几个关键的维度，把这20个人进行有效分类，然后再去详细地刻画每一类人的特征。分类有很多种不同的维度，比如身材管理、生命周期和阶段、身体健康情况、自制力或者对健身的专业性要求等等。如何做用户的定性分群，关键在于研究的主题。选取的维度可以根据用户目标、使用周期、用户的行为和观点进行划分，这个是需要大量的时间探索。2）评估分类选项分类可以考虑这几个选项：这些群体分类是否可以解释已知的关键差异：比如健身房要卖私教课，关键差异是需要被解释的，为什么 a和b这两类人不一样？首先，用户的支付能力和支付意愿可以很好的解释a和b之间的差异。其次，用户有没有时间也可以解释a和b之间的差异，所以找到分类的维度，可以很好的解释买不买的关键差异；这些群体分类是否已经足够不同：划分出来的人与人之间会不会有很大的交叉。这些群体分类是否像真实的人：要保证每一类都像真实的人；这些群体分类是否能快速地被描述出来：比如给健身房的人贴一些标签：他是健身达人、他可能存在身材管理的问题、他又穷又懒等等，可以很有效、很明确地把每一类人标识出来；这些群体分类是否覆盖了全部的用户；这些群体分类将如何影响决策制定。3. 第三步：定量验证这一步是对定性研究所搜集到的问卷调查结果和产品行为数据进行分析和检验，检查上一阶段形成的用户细分群体之间是否存在差异和遗漏。4. 第四步：建立画像设置形象照，可以是图片或卡通形象，看上去更真实。揭示关键差异（目标行为和观点）：给用户一个比较典型的名字，这个名字要把产品最关键的特点凸显出来，也可以从目标行为和观点上去定义。姓名、照片、个人信息、家庭结构：一个虚构的典型用户，可能跟某类用户的大部分人比较相似，但不会是某一个具体的人。有了这些个人信息，能够让用户画像看起来更像一个真实的人，更容易引起用户的同理心。相关设备产品使用情况：标识出相关特点，比如产品的使用情况，一天的生活轨迹等等，这部分内容主要跟产品、研究对象、研究目标相关。简介场景：比如某父母类产品，最典型的场景是跟小孩有关。所以产品需求就是容易操作，跟小孩有关。其他重要属性：其他的重要属性可以帮助我们去理解用户，为了让用户形象更生动，还可以添加用户语录，帮助我们更好的理解用户的需求。三、用户画像的使用1. 产品设计决策指导建立信息架构和交互设计、根据用户画像确定内容、风格和语气、为每个角色建立风格指南指导视觉设计。2. 产品功能定义使用用户画像引导头脑风暴、产出满足用户需求的想法、参考竞品和用户画像确定功能优先级。3. 商业策略将用户需求和策略整合可以弥补用户空白、易理解的普通人的故事可以弥合沟通的差距、可以作用于策略制定到执行的全流程。作者：刘溯源，中山大学社会学博士、ISAR华南项目总监、国家高级用户研究工程师。本文由 @伊飒尔UXD 原创发布于人人都是产品经理，未经作者许可，禁止转载。题图来自Unsplash，基于CC0协议。

前面几篇文章中作者梳理了对比分析法、多维度拆解法、漏斗观察法、分布分析法和用户留存分析法，本篇文章继续聊聊第6种数据分析方法：用户画像分析法。作为一枚产品汪，用户画像这个词你一定不陌生，那用户画像到底是什么呢？我们又该如何结合业务场景创建可用的用户画像呢？用户画像有什么作用呢？大家可以先思考一下上面三个问题~首先，我们来聊聊什么是用户画像。一、什么是用户画像？用户画像是通过对用户各类特征进行标识，通过标识给用户贴上各类标签，再通过标签把用户分为不同的群体，以便对不同的群体分别进行产品/运营运作。二、标签都有哪些？这里呢我们把标签分为四大类：第一类：基础属性像年龄、性别、生日、星座、教育、身高、收入、职业等。第二类：社会关系婚姻、有无女孩、有无男孩、家里是否有老人、性取向等。第三类：行为特征行为特征又分为两块儿：基本行为：注册时间、来源渠道、最近一次活跃的时间、最近一次支付的时间。业务行为：是否买过特惠商品、是否曾获优秀学员，这些标识都会对产品的后期运营有所帮助。第四类：业务相关这一类跟其他类不太一样，就像第三类中的业务行为，它是通过业务行为产生出来的特征，而业务相关呢，它是积累了其他的业务不会去记录的一些数据，比如运动健身类的产品。它会涉及到：胖瘦高矮、体脂率、BMI、在练胸或者练臀、日均10000步、收藏了多少份健身计划等等。三、标签从哪儿来？第一：直接填写通过产品的一些特殊的步骤，让用户直接填写，比如注册页面，下图是某陌生人社交产品，通过用户注册让用户去填写年龄和性别。还有一些偏内容性的产品，可以通过让用户选择他感兴趣的话题，如下图：还有一些是运用借地打地的手段，比如一些电商、外卖类的产品和地图类的产品，首先是让用户填写地址，其次是让用户选择标签，表面上是提供一个工具，事实上让用户帮助产品获取结构化的工具，让系统知道，用户作为一个个体，他的家、公司、学校在什么地方。还有一些像装修类的产品，看上去是一个便捷的功能，平台方通过这个功能可以收集到大量跟业务相关的详情信息。随着用户的自我保护意识越来越强，而且呢用户又非常的懒，莫名其妙填一些信息用户也比较反感。那就有了第二种获取标签的途径。第二：通过用户自己的已有特征推导当然，这种方式的成本比较高，没有让用户直接填写来的简单方便，一般的产品不会经常去这样做，它适用的场景有以下几种：（1）做活动时相信大家都有做活动的经验，我们在做活动时会筛选一批用户出来做定向推广，比如说年龄、地区、新老用户。举个栗子：你是某电商平台的产品经理，现在要做一个推广活动，面向的用户群体为在消费能力强的上海女性。现在需要向这个群体的用户去宣传这个活动，那怎么做？首先，区分出来性别，即男、女。用户如果没有填写性别，我们可以从他买过的东西去推，比如说买过女士衣服+化妆品。其次，推算出在上海的用户。假设大部分人买东西是给自己买，收货地址是上海市的，我们可以推算出此用户是上海市的。最后，验证消费能力是否强。消费能力如果从她历史消费的总金额推算，感觉有点不合理，但它也能验证一部分，我们可以再加一些条件，比如购买过进口的小商品，比如牙膏，一般消费能力不强的用户，很少会花将近百元去买一支进口的牙膏。上面是通过用户的业务特征做的推断。但是，不是所有的用户都发生过以上的行为，通过以上业务行为筛选之后，可以给部分用户打上标签，还有一部分用户她没有标签，所以，我们再做进一步的推导。性别：除了通过从购买的商品推导以后，还可以通过她使用的是手机是否为美图手机；地区：可以用常用IP进行推导；消费能力：可以用使用的手机为最新款且价格在5000元以上的用户。当然，这里面肯定会有误判，但是，就算是有误判我们也认了，因为很难做到百分百精准。（2）简单的个性化运营比如说首页的某个推广模块，面对不同的用户群体推广不同的内容。（3）业务分析在做业务分析时，需要把用户拆分成不同的群体，看在业务中的表现情况，比如是否领取七天/15天的会员卡。（4）用户研究如果有用户标签的基础，做用户研究的童鞋的研究效果会更加的精准。如果通过前面两种方式已经把80%的用户打标签了，还剩下的20%怎么办？这里我们就会运用到第三种推导方式：第三：通过用户身边的人推断首先，通过距离：基于某些属性，周围的人都具备，用户大概率也具备。其次，是通过行为：通过协同过滤，找到行为相似的目标用户。比如说，刚才我们通过买过女士衣服和化妆品的用户打上了女性的标签，但是这种方式有局限性，可能有些用户本身就不在你的平台上买衣服和化妆品，这里我们可以通过这种用户的其他行为，比如说买了卫生巾或者其他的女性用品，然后通过她购买的商品，再找到跟她购买过相似商品的用户打上女性用户的标签。说在最后：第三种的精确度是最低的，但是在一些场景中，不需要精确度那么高，当然，我们也可以通过此类用户的后期行为，迭代这些标签。至少我们通过这三种方式把所有的用户都分了群。好啦，用户画像分析法到这里就完结啦。那最后通过一张架构图来总结一下：下篇预告：数据分析（6）：归因查找法，欢迎继续关注~本文由 @菜菜 原创发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于CC0协议。

对于互联网从业者，经常会提到一个词——用户画像。作为一名刚主要做用户画像DMP的数据PM，工作中总是会被需求方问到——我要查看XXX的用户画像 或是 能否能够XXXX类用户的画像。 抑或是有别的产品会问到：你们是怎么做用户画像的？然而在沟通的过程中，我发现，不同的人对用户画像的理解差异还是非常大的。有的人认为用户画像就是包含了用户的详细的信息，有的人认为用户画像是能够反映出一个群体的统计学特性，有的人认为用户画像可以做用户研究.....这些想法或多或少有一些片面的，本文就用户画像的基础知识进行说明，并结合一些DMP产品进行分析，同时对用户画像在K12产品中的应用做一说明。1、当我们谈论DMP和用户画像时，我们在谈论什么？此部分结合常见DMP&用户画像定义和我工作中对DMP&用户画像的定义进行说明用户画像是DMP中非常重要的一个环节，因此将DMP和用户画像拆开进行说明1.1DMP1.1.1 DMP是什么？DMP即 datamanagement system,数据管理平台，单从名称上来看，这个定义还是非常宽泛的，所以国内很多企业或者个人会将dmp的核心功能理解错。结合我的理解，DMP其实是一个全面的数据收集，加工，整合的平台，吸收各种数据源的数据，以用户为基本单位，清洗，整理形成结构化的数据表，并进行用户标签的计算，以期能够精准的描述各种用户。纯碎的DMP平台是指小型的、定制能力极强、中立性好的DMP技术服务商。美国DMP市场是极度细分的，中国市场是高整合的，往往DMP的需求是和DSP、SSP紧密联系在一起的，目前还很难有纯粹的DMP平台。1.1.2 DMP可以做什么精准营销，广告投放，个性化推荐，其他应用1.1.3 DMP的基础架构及数据加工流程DMP的基础架构：DMP的数据加工流程：1.1.5 DMP的实际应用（市面上能够看到的产品）DMP广告平台：腾讯广点通、阿里妈妈达摩盘；独立第三方DMP：talkingdata、神策数据；个性化推荐：今日头条、一点资讯、淘宝、京东等；说明：个性化推荐的应用我们能够感受到，但是背后的逻辑我们是看不到的其他应用1.2用户画像1.2.1 用户画像是什么关于用户画像，有两类定义：User Persona 和User ProfileUser Persona：是产品设计、运营人员从用户群体中抽象出来的典型用户。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户；经典案例——《用户体验要素》中提到的用户画像UserProfile：根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。本文所提到的用户画像，指的是User Profile1.2.2 用户画像怎么做基础数据收集：收集用户在网站内外的静态数据和动态数据；行为建模：基于用户的基础数据，通过技术手段进行行为建模；构建画像：通过行为建模，可以输出一系列的用户标签，每个用户的标签都可以形成一个集合，这个标签的集合可以表示出这个用户的特点。1.2.3 用户画像的常见应用个性化推荐（电商、资讯类产品）、风控、预测等1.2.4 用户画像与DMP的关系DMP是数据管理平台，可以简单理解为，把数据提供到DMP平台，DMP平台输出一系列标签，或其他想要的结果。用户画像是输入用户数据到DMP，DMP输出了用户标签。DMP不只可以输出用户标签，也可以输出其他的标签，比如输入文章，输出文章标签。因此，用户画像是DMP的一个应用方向。2 相关产品介绍由于用户画像主要是作为底层应用，因此它的很多应用都是能感知，但不可见。比如电商平台的个性化推荐页面，资讯类App首页的个性化推荐背后，就是用户画像在发挥着作用，用户标签和内容标签/商品标签进行智能组合。由于本人从事K12教育行业，所以只选取了两类竞品：开放DMP平台、教育类产品，其中以开放DMP平台为主。3 竞品分析3.1 开放DMP平台3.1.1 产品说明3.1.2 功能对比达摩盘广点通神策数据说明：神策数据看起来更像是一个数据分析工具，但是其底层的搭建、对数据的管理与DMP有类似的地方，并且我们可见的部分即类似BI的功能，可看作DMP在应用层的表现，因此也把它列为竞品3.1.3界面对比说明：由于这三个产品均需付费才可体验全部产品功能，界面主要来自于说明文档，可能与真实节面有一定出入达摩盘-标签达摩盘-新建标签达摩盘-人群报表达摩盘-人群明细达摩盘-整体报表广点通操作界面广点通-创建广告广点通-创建广告2神策数据-用户分析-事件分析神策数据-用户分析-用户属性3.1.4产品底层技术架构思考对比说明：1）此部分内容为通过产品体验和阅读说明文档，思考抽象出可能的底层架构，并非真实情况；2）产品底层技术架构：我们所看到的功能模块，都是由不同的技术模块相互协作实现的。产品底层技术架构描述了产品对应的底层技术模块、以及模块之间的关系。达摩盘神策数据3.1.5总结总结来看，达摩盘和广点通是DMP在互联网广告中的典型应用。DMP是定向广告投放最核心的大脑，DMP提供的用户画像，是进行定向广告投放的最核心最关键的一步。达摩盘和广点通最重要的目标是，把对的广告在对的时机，展示给对的人。而对于神策数据，这一类数据分析工具，DMP在数据分析、数据可视化的过程中也发挥着非常重要的作用，哪类用户的哪类行为比较突出，哪类用户在未来会产生什么样的行为。3.2教育类产品用户画像DMP在教育类产品中的应用——（1） 洋葱数据个性化课程制定（类似自适应学习）；用户在学习前，先进行测试，根据测试情况为用户制定个性化课程包，如下图1；图1用户完成学习，根据用户学习测试结果，展示可视化学习分析报告，如下图2图24 用户画像怎么用？用户画像是一个的底层产品，用户画像的应用通常难以看到。那么，用户画像该怎么用呢？结合对DMP产品和教育类产品的分析，用户画像的应用总结如下：（1）用户标签可视化——相关产品的功能：广点通和达摩盘将用户标签直接展示出来，用户可直接选择标签，并且对标签进行组合，选出目标用户，然后投放广告。可借鉴场景举例：比如说，我想对今年刚报课程并且消费能力比较高且学习认真的这批学员发送一条推送消息，希望他们能够参加一场直播，促进其对知识的掌握。那么可以直接选中：新用户+消费能力高+学习认真这几个标签，然后对这部分用户发送短信。好处：精细化运营，提高ROI；简化操作（2）用户标签关联分析：相关产品功能-广点通lookalike：（1）提供种子用户；（2）筛选种子用户特征；（3）将种子用户与腾讯用户进行匹配，进行人群扩展可借鉴场景：一批用户购买了商品A，我想要找出与购买这一商品相似度比较高的用户。那么可以将这批用户的信息导入到DMP，计算出这批用户的标签，再通过关联分析，找到和这批用户相似度比较高的用户（3）个性化推荐：相关产品功能：个性化课程制定可借鉴场景（以K12教育为例）：（1）针对未注册用户，根据其访问行为，为其推荐个性化课程页面，提高购买转化率；如果是通过互联网广告进来的用户，则可以为其制定个性化落地页，提高注册和购买转化；（2）针对注册未购课，根据其浏览行为，为其推荐个性化课程页面，提高购课率；（3）根据用户学习行为（主要是做题情况），为其制定个性化试题和学习建议。本人k12教育数据PM一枚，欢迎大家交流，共同成长~

编辑导语：如今在这个大数据时代，每个用户都被标签化，运用用户画像的方式了解用户，从而推送相关消息；最常见的情况就是你买了商品后，推荐会自动推送与此商品相关的商品，促进消费；本文作者分享了关于什么是真正的用户画像，我们一起来看一下。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，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来；作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性能代表产品的主要受众和目标群体。（来源百度）一、用户画像是什么？用户画像的核心是为用户打标签，即——将用户的每个具体信息抽象成标签，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。我理解的用户画像是一种标签（浅层次）、数据的集合体（深层次），最终的导向还是获取用户的信息，并提供战略决策。1. 什么是标签举个例子：男，28岁，未婚，收入2万，爱美食，科技控，喜欢美女、喜欢旅游、有车。这样的描述，就是一个初步的用户画像，就是一组标签信息（即用户信息标签化）。那么我们再看一下这一张截图：（来源站酷，某作品集中的一页）这很明显是一个反面教材了，大家能在这张截图中，看出什么标签吗？从，姓名、学生、年龄、快毕业、艺校生、探索未知等标签就可以了解到专业水平、学习兴趣？这是怎么挖掘出来的？标签又可以分为三大类（宽泛）：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。标签规则（举例：这个规则是在给用户定上具有消费力等等标签）。相同的商品：我妹妹打开某宝，东西都贼便宜，而我贼贵，你们懂了吧。2. 为什么需要标签？用户画像的核心工作是为用户打标签。打标签的重要目的之一就是为了让用研或者产品能够理解并且方便数据统计。以电商举例：如，标签可以做分类统计：喜欢美食的用户有多少？喜欢美食中的男女比例又是多少？在做精细分类：喜欢甜食的有多少？喜欢辣条的有多少？那么他们的地域分布比例又是多少？那么针对凉茶的男女喜好比例又有多少？如：标签可以做数据挖掘/清洗：利用关联规则计算，喜欢美食的人，通常会喜欢什么什么卧室环境。那么同样也可以分析出什么地域的人偏好什么样的美食，什么样的环境。根据初步数据分析结果，我们可以得出，一旦这个上海地域的人登录了某电商APP，可以快速根据该地域喜欢的，推就完事了（如：上海人大多数都喜欢偏甜的零食，或者小资生活的周边、布置等等）。那么这里会牵扯到「模型」，通过算法和培养，能让一个APP更加懂你。比如：我在某宝上，买了一个汽车改装用品，就疯狂给你推荐汽车相关；因为我购买（达成）、浏览相关（计算）和浏览时间（培养），让他更加确定了，我对这方面的需求很大。二、数据分析本质是什么？由于本文重点倾向交互侧，数据分析这一块留着下次说。数据分析的本质是获得信息和知识，从而在判断和决策中使用。根据分析的方法和目的，数据分析可以被划分为：描述性分析（Descriptive Analysis）：将数据整合为一份可视化的报告，进行演讲或陈述，但它不能解释某种出现的结果及未来发生的事情。1. 信息可视化预测性分析（Predictive Analysis）：预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性（如：某短视频中会产生广告，通过行为事件进行预测你购买/下载产品的可能性）。2. 预测分析决策性分析（Decision Analysis）：通过对比、验证等手段，直接反应情况，给出明确的好坏。所以要分析数据，至少要包含描述性分析的能力，这样获取的信息才有价值。（回顾上文，可以关联标签的含义）剩下的就是进阶能力，预测和决策了；让用研和产品同学更高效的、更准确的解决问题，而不是纸上谈兵“我认为”、“我感觉”。数据又分为静态和动态数据：静态信息数据：静态数据在很长的一段时间内不会变化，一般不随运行而变。包含有：人的基本属性，公司基本属性、商业属性等等；一般来说，做调研获得的静态数据都是真实的信息，无需进行分析和清晰。动态信息数据：动态数据是常常变化，直接反映事务过程的数据，比如，网站访问量、在线人数、日销售额等等，也就是用户不断变化的行为。得出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者模型没跑起来的话，我们需要带着描述性分析+定量验证，去构建初步的用户画像（如果是算法和模型搭建起来的用户画像则不要验证）。这篇不重点讲定量了，如果还有小伙伴不知道的，可以去看前面的文章《定量与定性》。四、构建用户画像以韩梅梅的户画像为例，我们将其年龄、性别、职位、等等，通过场景描述，挖掘用户痛点，从而了解用户动机；其中将21~30岁最为一个年龄段，以职业作为一个范围，利用数据分析（定性）得到数据标签结果，最终满足业务需求，从而让构建用户画像形成一个闭环。以一个健身APP为例：画像重要组成部分：揭示关键差异（目标行为和观点）：给用户一个定义名称，这个名称要围绕产品最关键的特点凸显出来，也可以从目标行为和观点上去定义。基础信息：一个虚构的典型用户，可能跟某类用户的大部分人比较相似，但不会是某一个具体的人；有了这些个人信息，能够让用户画像看起来更像一个真实的人，更容易引起用户的同理心（根据调研信息抹去真实的信息，如：名字、职业等等）。相关设备产品使用情况：标识出相关特点，比如产品的使用情况，一天的生活轨迹等等，这部分内容主要跟产品、研究对象、研究目标相关。竞品使用情况：可以围绕差异点来提供思路。简介场景：比如健身类的产品，那么整个故事背景要围绕这个健身去展开。其他重要属性：其他的重要属性可以帮助我们去理解用户，为了让用户形象更生动；个人语录：如：我立了一个flag，降低体脂，我会围绕这个目标坚持下去的。最后得出的画像还需要计算TGI。TGI：Target Group Index（目标群体指数） TGI=[「目标用户群」中某一特征的总用户数在「目标用户群」总用户数的占比/「全量用户」中具有该特征的总用户数在「全量用户」总用户数的占比]*标准数100 TGI指数大于100，则说明该特征用户倾向较强（和平均相比） 小于100，则说明该类用户相关倾向较弱（和平均相比） 而等于100则表示在平均水平。最后将画像信息标签化-建立数据分析-验证（如：ABtest）——转化为实际场景的用户画像——最终决策（如果是算法和模型搭建起来的用户画像则不要验证）。本文由 @交互思维铺子 原创发布于人人都是产品经理，未经作者许可，禁止转载。题图来自Unsplash，基于CC0协议。

一、用户画像1、概念描述用户画像，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，用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的，尤其在数字化营销范畴之内，核心的依赖依据就是描述用户画像的丰富标签。在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，基于标签运用用户画像的方式了解用户，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。例如上述基于最简单的用户数据可以分析出来的用户画像信息。2、组成结构用户画像的最核心工作是基于数据采集为用户贴上标签，随着标签的不断丰富用户的画像也会越来越清晰，最终达到了解甚至理解用户的能力。在实际的用户画像体系中，对于标签的分类分级远远不止这么简单，更加的细致和精确：基础属性：性别，年龄，消费能力，职业等；行为属性：活跃度，浏览，点击查看，不感兴趣；现实场景：经常进入的商圈，电影院，景区等；兴趣描述：购物，影视，音乐，游戏，读书等定制化：通过机器分析，基于某些标签组合判定；通过用户产生的多种场景数据，去分析或者推测用户的并信息标签化，可视化的描述出来，通过用户画像，产品能自动化的深入理解用户并服务用户，例如很多信息流的应用，会根据用户的阅读内容自动判断推送用户可能喜欢的内容。3、画像的价值在用户量大业务复杂的公司，都会花很高的成本构建用户画像体系，在各个业务线上采集数据做分析，不断深入的了解用户才能提供更加精准的服务和多样化的运营策略。用户引流通过现有用户的画像分析，在相关DMP广告平台做投放，重点推荐其平台上具有相关类似标签的用户，为产品做用户引流，这里也是相似用户快速扩量的概念类似。新用户冷启动快速分析新注册用户可能偏向的属性和兴趣偏好，实现服务快速精准推荐，例如用户注册地所在区域，可以通过该区域用户的通用标签推测该新用户的特征。精准或个性化服务这里就是根据丰富的用户画像分析，理解用户并提供精准服务或个性化服务。提供好的服务自然能做到用户的深度沉淀。多场景识别这里场景相对偏复杂，通过一个案例描述，例如在某个平台用手机号A注册，之后该手机号A丢失，换用手机号B之后，通过相关行为去理解用户是否手机号A的用户，也可以根据同个手机序列识别不同用户或者多个手机序列识别相同用户。沉默用户唤醒基于精细化的标签和多个场景数据，对用户的沉默程度做快速识别，基于画像分析制定运营策略进行激活召回减少用户流失。二、人群分析每次开发用户群分析的案例，脑海都能响起一段话：独生子女，傲娇，温室花朵，冷漠自私，精致利己，想法清奇，个性张扬，缺乏团队意识，非主流，垮掉。之前几年这是很多长辈或者社会对90这代人贴的标签，也有很多是90自我嘲讽的标签，作为90后的一员我对这份画像还是挺满意的…上述就是典型的人群画像分析的非典型案例，实际上最近几年对90人群分析报告已经非常多而且准确，很多数据公司都会从：社会属性、消费能力、游戏爱好、宠物、网络应用等多个热门领域做深度分析。分析人群画像可以在商业应用中产生非常高的价值。三、深度应用1、商圈分析首先基于商圈区域圈用户群，这里很好理解用户在某个商圈内产生数据，依次获取用户相关标签做该商圈内用户画像分析。其次分析商圈本身服务，例如美食领域人流、娱乐领域人流、购物领域人流等，对比不同商圈为商业圈的运营提供策略。通过综合商圈分析获取的画像，对商圈的构成、特点和影响商圈规模变化的各种因素进行综合性的研究，即服务于企业合理选择店址，也服务商圈精准引入丰富的品牌店铺。2、行业分析行业分析画像是非常复杂的一种报告，通常会考量：用户体量、人群特征、技术、营收规模、竞争力、竞争格局、行业政策、市场饱和度等多个要素。不同的角度看行业分析也是不同的概念，例如从行业产品角度看：基于行业分析判断是否要做、如何做、如何做好、明确产品方向和运营策略等问题；从投行领域看则判断新产品是否值得投资有没有稳定高回报，风险控制等。通过多个场景下数据构建用户画像，在应用到产品的众多业务场景，进行商业化运营和管理，产生更高的价值。

本文独创用户运营5步实战法，每一步环环相扣，从实际业务场景出发，搭建相应的用户模型，并输出目标用户群和画像，进而制定精准营销策略进行营销，以提升用户的生命周期价值。用户画像到底如何使用？在抛出这个疑问之前，我研究过许多文章，这些文章的研究方向更热衷于如何给用户360度画像，用常见的人物形象卡来描述平台某部分用户的特征，比如：年龄：28岁，性别：女职位：都市白领婚姻状况：已婚个性：宅女，喜欢网购、喜欢美好的事物、文艺小资、享受生活星座：天蝎座地址：北京xx小区这是一种典型的用户画像，也是许多企业热衷做用户画像分析的方法，这种人物画像卡在用户研究方面有很大的帮助，可以帮助产品经理找准产品的方向，但在用户运营层面，如果单纯给用户贴标签做画像，反而有一种无从应用的感觉。我们举例几个业务场景：我是一个电商平台，销售100种品类产品，该给用户精准推荐什么产品？我要给用户推券，希望提高券的ROI，该给什么样的用户推券？平台用户流失严重，希望分析哪些用户流失了，怎么挽留？以上三个业务场景，如果要用到用户画像，你该如何应用？显然简单的用户分析卡根本无法支持我们的运营工作，用户分析一个重要的方法论就是从业务场景出发，找到精准的用户群，定向分析画像，然后应用到实际运营活动中。接下来，我们重点阐述用户运营5步法：一、明确业务场景之所以把业务场景放到第一位，是因为业务场景是用户运营的重中之重，很多用户运营往往走入一种误区是先有用户画像。再基于画像标签对用户进行分群，再推送定向活动，这种运营思路往往是为了营销而营销，最终是解决了什么业务问题反而无从谈起。比如某个平台把几个标签组合筛出了一部分人群，标签包括：性别、年龄、最近的购买时间、客单价等，最终推了一个满减活动过去。那这个营销结束之后我们只能分析一次活动的成败，而对整体用户运营缺乏实际的业务支撑意义。明确业务场景的意义在于，我们有了具体业务场景，才会有具体营销的目标人群，进而再针对人群的画像特征制定更加明确的营销策略。我们以第三个业务场景为例，平台用户月滚动流失率为30%，希望能通过定向的用户运营将流失率降低至15%。接下来的任务就是找到哪些用户产生了流失？有的同学会说这好办，我们将平台用户三个月未回来购买的用户定义为流失，然后将这些用户分出来，定向推送一张复购券，接下来分析这张券的核销效果，如果核销较好，则用户流失率会降低。这是一种最简单但效果最差的用户运营方式了，相信很多人刚做用户运营的时候，都是这么做的。一方面是缺乏用户模型的支撑，无法更加精准的预测流失，只能根据已流失用户做一些召回活动，但用户真正流失后召回率往往很难达到1%。另一方面缺乏画像的支撑，不了解流失用户群的特征，想当然的推一些大力度活动，反而很难再打动流失用户。二、用户建模用户建模是做用户运营的必备技能，就好比一个技术猿如果不会写代码，不了解一门代码语言，那怎么可以从事这个行业呢。针对这个业务场景我们需要搭建什么样的用户模型呢？我们有三种思路：筛选已知流失用户建模，通过决策树模型分析流失规则，通过流失规则预测最可能的流失用户，筛选出这部分用户做营销。筛选已知流失用户建模，通过神经网络模型建立流失评分机制，对平台所有高价值用户进行流失评分，将评分较高的高价值用户筛选出来做更精准的营销。搭建用户生命周期模型，通过用户生命周期预测用户流失节点，在用户快要流失时候进行及时的干预营销，以降低用户流失率。我们采取第三种建模营销方法，搭建如下模型：在模型中，我们可以根据箭头了解整个用户的数据走向，把平台用户的全部数据导入模型中进行分析。这里使用到了cox生存分析的算法，这个算法可以帮助我们分析用户的生存时间，进而得到平台全部用户的生命周期分布。我们基于生命周期可以得到用户的流失边界值，从而确定用户的整体流失节点。三、定准目标用户群用户建模完成后，我们可以把平台用户数据与大数据模型打通，通过大数据分析的方法可以定向输出我们想要的用户群。回到我们的业务场景，我们业务目标是降低用户流失率，也就是从30%降低至15%。那我们的目标营销用户群该是谁呢？如果单纯筛选已流失用户，试图通过挽回这部分用户来提升回流率，我们知道营销难度非常大，一般流失用户往往是直接卸载APP或者不再使用我们的产品，一旦卸载APP后触达率非常低，通过短信召回的办法往往也是得不偿失。那我们把目光瞄向流失边界的用户，这部分用户通过模型预测，流失倾向要高于平台的活跃用户但并未流失，这个时候如果及时采取干预营销，用户留下的可能性反而很大。四、分析用户画像目标营销用户群定位完成，接下来需要分析用户群的画像以了解用户行为特征，从而制定更具有针对性的营销策略。用户画像该如何分析呢？这里分析用户画像不是大而全，而是要基于实际业务场景，哪些画像更有助于营销策略的制定，我们只分析这部分画像信息即可。我们先通过模型看下这部分用户群的实际画像。通过模型输出，我们可以得到目标营销人群的画像特征如下：21-40岁女性用户平均间隔消费周期是16-30天左右消费客单为低客单用户，均值30元以下。生命周期处于上升期基于以上画像特征，我们能得到哪些营销信息呢？性别、年龄来决定我们的文案策略和沟通语气。重复消费间隔天数决定营销时机。生命周期决定不同的营销方向。客单来决定我们推什么力度的活动。这就是用户画像在营销中的实际应用，每一个画像信息必然可以用到营销策略中，在建模过程中我们需要得到有实际业务意义的画像信息，并用于指导接下来的营销策略制定。五、制定营销策略我们得到用户画像后，基于画像信息可以做更加精准针对性的营销活动，接下来我们来梳理一下本次实战的营销策略：本次用户目标群生命周期处于上升期和新客期，特征是消费习惯并未养成，需策划刺激性活动引导消费。目标用户群体消费特征属于低客单消费群体，活动参与门槛不宜太高，活动可以以适当提升客单为次要目标。画像特征方面是20-40岁之间的年轻女性消费群体，沟通策略需用更感性的方法。基于以上营销策略，我们制定落地活动和推送触达的执行策略。结合圣诞选了一款蛋糕，主题是：和心爱的ta一起过圣诞，瞄准年轻女性爱浪漫这个群体。活动内容是消费满35半价换购这款蛋糕，达到提升客单以及用半价产生刺激消费的效果。筛选目标用户群体，并进一步筛选16-30天未回头消费的会员进行短信提醒，以提高短信ROI。以上，我们详解了用户运营的实操经验，做用户运营5步实战方法，每一步环环相扣，从实际业务场景出发，我们搭建相应的用户模型，并输出目标用户群和画像，进而制定精准营销策略进行营销，以提升用户的生命周期价值。本文由 @赵文彪 原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

在海量数据的时代，整合网络中充斥的用户信息， 将用户的每个具体信息抽象成标签，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，这是用户画像在电商领域的运用逻辑。当然，用户画像（personas）的意义远不止于此。就让我们从 “什么是用户画像”“如果构建用户画像”以及“实际落地的难点”去全方位了解基于大数据的用户画像吧。什么是用户画像用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。目标：指的是描述人，认识人，了解人，理解人。方式：非形式化手段，如使用文字、语言、图像、视频等方式描述人；形式化手段，即使用数据的方式来刻画人物的画像。组织：指的是结构化、非结构化的组织形式。标准：指的是使用常识、共识、知识体系的渐进过程来刻画人物，认识了解用户。验证：依据侧重说明了用户画像应该来源事实、经得起推理和检验。用户画像的作用（1）精准营销：根据历史用户特征，分析产品的潜在用户和用户的潜在需求，针对特定群体，利用短信、邮件等方式进行营销。（2）用户统计：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户画像群体的分布特征。（3）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。（4）服务产品：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。（5）行业报告&用户研究：通过用户画像分析可以了解行业动态，比如人群消费习惯、消费偏好分析、不同地域品类消费差异分析用户画像的分类从画像方法来说，可以分为定性画像、定性+定量画像、定量画像。用户画像的数据需求大数据时代，用户画像数据来源广泛，而这些数据也是全方位了解用户的基础。看到这里是否对用户画像有了更清晰的认知。那下篇中将着重描述用户画像的技术实现以及落地实践中的挑战。文章部分素材来源：浪尖聊大数据

今年一月份的时候给大家分享过一篇关于会员数据分析的文章，原计划的会员生命周期分析和会员用户画像研究分析因为时间上的原因给大家推迟到现在才发，期间有些同学还特地前来咨询下篇什么时候发出来，这边让大家久等了。对于零售电商行业来说，我们除了需要通过运营策略使得会员数量不断增长引流之外，如何远离一锤子买卖，将已得的会员做宽作深，让现存的会员能够不断的产生消费行为，为公司带来持续的利润回报这个也是非常重要的。本文将从会员生命周期分析、会员用户画像分析、会员运营策略三大部分与大家进行深入的会员精细化运营分析，同时也欢迎各位同学们能够一起交流和讨论。——本文所使用数据分析工具为FineBI。一、会员生命周期分析首先，我们为什么需要研究会员的生命周期呢？因为你的会员在所处的每个阶段所最适合的运营策略都是不一样的，传统的粗犷式运营已经不能再能够满足当今时代的需求了。通常来说我们可以把会员的生命周期分为：普通消费者——>顾客/客户——>新会员——>活跃会员——>睡眠会员——>流失会员这五大阶段。其中：普通消费者：普通消费者泛指平台或者商铺的所有潜在顾客，目前还没有产生过消费行为。对于这一部分潜在客户，我们需要做的运营工作主要是通过新用户折扣优惠活动，来引导这批消费者在平台产生第一次消费行为，进而转化为平台的会员用户。顾客/客户：已经在商铺产生过至少一次消费行为的顾客。一般来说，是顾客/客户但不是会员的情况一般来说是针对实体门店的，因为对应网络平台来说，通常用户在购买商品产生消费行为之前即需要注册成为平台的会员用户。针对这一部分群体，对于线下门店我们则可以在顾客消费结束之后进行门店的会员优惠折扣内容推荐，引导顾客注册成为会员。新会员：已经激活成为商铺或者平台会员的顾客。对于新会员这部分用户群体，我们往往更想让他们能够更加活跃，从而产生二次甚至是多次消费行为。这边跟大家分享一个新会员促进二次消费的一个运营方法，比如我们在给新注册会员赠送一些优惠券或者折扣时，可以限定其有效条件为第二次在平台消费方可生效。活跃会员：最近三个月内有过消费行为的会员。对于平台的活跃会员，我们可以通过FineBI工具使用二八分析方法，找出为平台带来80%价值的核心会员用户（qavin、aaron、grace、kelak、allen、mattel、martin、jack、alvin），给予更好的服务和资源倾斜。通过向上营销（根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务）以及交叉营销（从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务）方法，然后有针对性进行定向精准营销。睡眠会员：最后一次消费行为在最近的7~12个月内，已经睡眠了6个月的会员用户。对于这部分会员用户，我们则可以进行定向的睡眠用户唤醒运营，通过邮件/电话推送相关最新优惠活动，以期唤醒部分睡眠用户。流失会员：最近1年以内都没有产生过消费行为的会员。对于这部分客户，除了需要做类似睡眠用户的唤醒运营外，还需要更加有直接吸引力的优惠规则方有可能成功召回部分流失会员，比如可以针对超过一年没有产生消费行为的流失会员出台大幅度优惠活动以期召回部分流失会员。如上图所示，我们可以通过FineBI中的漏斗图来进行某个月的会员生命周期数据分析。对于平台来说，我们最直接关注的可能是平台的用户增长情况了，那么通过以上漏斗图可以看出，平台的新会员为5%，而流失会员却占了8%，意味着这个月的会员减少率为3%，那么这是一个非常危险的信号，对于这部分流失的会员数据，我们需要继续切片去分析出平台目前存在的问题。其次平台睡眠会员也相对较多，需要考虑做一些有助于睡眠会员唤醒的运营活动，改善平台会员结构。二、会员用户画像分析消费者购买行为分析是消费者数据分析研究中尤为重要的部分，因为会员作为消费者，研究消费者的消费习惯可以帮助企业或者平台更加精准地制定营销策略。所谓会员用户画像分析，其实就是根据会员的用户自然特征、社会特征、行为偏好特征给会员用户打上偏向标签。而会员个性化营销更多的就是给这些你掌握的不同人群定制他们专属的服务。比如说我日常消费时经常购买巧克力、饼干、糖果等零食，那么就建议给我多推送相关的人气零食商品；再比如我平时经常每周六晚上在网上购物，那么可以在这一时间段（避免过多的广告推送引起消费者厌烦）开始给我定向推送一些热门商品，这样才能刺激用户向你希望的价值更高的会员发展。如上图所示，比如我们希望统计出目前平台会员的特征分布用户画像数据，那么可以通过FineBI工具中的词云图进行会员用户的特征标签数据统计，统计频率高的会员特征在词云中则文字显示较大，统计频率低的会员特征在词云中则文字显示较大。特别是对于电子商务等网络平台，我们在收集用户的特征信息方面相对于线下门店有着天然的优势，比传统零售便捷太多，那么我们可以轻松地分析每一位会员的用户画像特征，分类聚合，精准营销。三、会员运营策略会员数据分析的终极目标是通过研究消费者的购买行为数据，以达到比消费者本身更加了解自己的目的。最终实现对消费者的定向精准营销，最大化地刺激并且满足其消费需求甚至是超越用户需求，引导用户开始产生消费行为，并且尽量地产生二次/多次消费行为，最终为企业带来持续的利润回报。最后需要注意的是会员运营管理并不仅仅局限于做一些平台的会员折扣、积分体系等促销活动，因为这些活动都是面向所有会员的，虽然在折扣比例、积分比例等方面有所差异，但顾客并没有得到个性化的服务。只有进一步给顾客提供个性化服务，才能最大化地提升客户的忠诚度，挖掘其潜在价值。另外个性化服务和营销的具体形式是很多的，比如在会员生日、节假日、纪念日等时机，给会员特殊的折扣、多倍的积分或赠送一份特别的礼品，让会员在感动之余，在商场中慷慨解囊，满载而回；定期邀请高端优质会员参加企业举办的会员俱乐部活动，进一步增加其对企业文化的认同感等等运营模式，建立活跃的用户生态，最终实现平台和用户共赢、共享、共创，才是用户运营的最高境界。

顾客对商家的重要性不言而喻。随着市场竞争加大和各种资本不断涌入，抢夺用户资源已成为商家们的首要任务。互联网时代随着各式产品诞生，消费行为也随之升级，用户体验越来越受到人们的重视。在互联网市场的催生作用下，产生的产品及服务更加贴合用户行为习惯。而用户行为习惯正是来源于用户画像。互联网产品通过大数据技术获得用户信息数据，搭建出由点到面完善丰富的用户画像，通过用户画像分析用户群体消费行为轨迹，实现快速、精准的营销获客方式。但对于传统零售行业来说，数据的获取是一大问题。由于缺乏数据，零售商家们无法获得完整的画像，不能通过消费者行为洞悉消费者意愿，无法真正了解消费者需求。以至于零售商家常常遇到这样的困惑：为什么商品吸引不了消费者？为什么店铺留不住消费者？在互联网大数据驱动新零售的格局下，零售商家需要快速实现数字化转型升级，搭建用户画像，实现引流获客。什么是用户画像用户画像根据行业的不同会产生差异，但总的来说用户画像是对消费者群体进行特征性研究分析。通过年龄、性别、喜好、收入、地理位置等用户维度为用户贴上标签，形成用户群体分层，完成用户调研。零售商家通过不断完善和分析用户画像，了解消费者需求，为消费者提供个性化服务，从而不断优化门店及商品，提高访问率、留存率及销量，实现精准营销。用户画像的建立上面提到，用户画像是以年龄、性别、喜好、收入、地理位置等用户维度建立的，那么我们可能会得到这样一个画像：用户A，女，年龄25~30岁，喜欢吃火锅，企业白领，住址在以店铺为半径500米以内。通过这些用户基础信息形成用户画像，除此之外还要多维度的获取用户行为轨迹，完善用户数据信息，对用户的兴趣爱好进行深度挖掘。例如我们可以通过用户A的用户画像进行推测：用户年轻化，有一定的经济基础，通过向她推荐包装质感较好，价格略贵的辣味食物的信息，同时提供满减折扣券，在贩卖该商品的同时带动其他商品的销量，在完成销售之后再将数据反馈回来。通过线上线下用户行为数据分析，建立系统完善的用户画像，根据用户画像制定销售策略，产生引流、拉新、促活、留存等用户行为。将线上线下用户数据再反馈给商家，通过分析调整建立新的用户画像，制定新的销售策略，形成数据分析体系。怎样做好用户画像用户画像的目的就在于差异化分组，我们无法对每一个用户进行分析，但可以对具有相同属性的用户进行分组，制定出营销推广策略。比如你的顾客大多是70后还是90后？什么样的店铺设计、陈列、产品更吸引他们？比如你的顾客有多少是常客，有多少是只到店无购买行为或只有一两次购买？对于后者又怎样激活？利用用户画像为不同特征的用户挂上标签，进行分析，再针对不同的用户群体制定合理的营销策略。举个例子。针对到店新顾客，利用线上活动工具，提供无门槛购物券，不仅促使新顾客在门店进行消费，同时将顾客引流到线上，打造自己的流量池。而对于会员老客户，则需要更多的利益驱动，毕竟他们为店铺带来大部分销售额。可以针对会员客户推出以老带新、店铺红包等活动。由于用户群体数量庞大，对于单个用户一一进行分析是不现实的。通常我们通过将具有同一种特征的用户群体区分开来进行用户分层，再基于实时用户画像对营销方案不断优化。