5分钟读懂用户画像，告别拍脑袋下决策

编者按 游戏在立项之初，通常都要了解用户画像，如果用户画像构建的不准确，很可能会导致一个游戏的失败。本文作者孙秀龙，将和大家聊聊用户画像那些事儿。

本文内容由公众号“游戏运营sir”提供，转载请征得同意。

用户画像对于互联网从业者来说是一个绕不过去的坎儿，无论从事市场营销还是产品运营，无论你是刚入行的小白还是工作几年的老司机。

可是有的从业者只是有点懵懂的概念但没有系统了解过，在实际工作中遇到类似的工作，容易理不清楚头绪，无从下手。

这篇文章我将从什么是用户画像，如何构建用户画像，用户画像的实际场景应用三个维度说明，希望对各位有所帮助。

什么是用户画像？

目前比较有代表性的说法是：“ 用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。”

构建用户画像的核心工作即是给用户贴“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。

从这个定义我们可以提取出关键词：「标签」

「标签」可以分为社会属性、生活习惯以及消费行为3个方面，也有分为人口属性、社会属性、行为习惯、兴趣偏好和心理属性5个方面的。

这篇文章不说那么复杂，先概括的说下较为通用的3个方面：

社会属性：年龄、性别、地域、学历、职业、婚姻状况、住房车辆等。

生活习惯：运动、休闲、旅游、饮食起居、 购物、游戏、体育、文化等。

消费行为：消费金额、消费次数、消费时间、消费频次等（基于产品）。

标签包含的内容不是完全固定的，需要根据行业和产品的属性有所区分，比如社交类的产品会更关注用户社交关系标签；电商类会更关注用户的兴趣和消费能力等；金融行业还会有风险画像，包含征信、违约、还款能力等。

如何构建用户画像

目前已经形成比较成熟的构建用户画像的方法，比如Alen Cooper的“七步人物角色法”，Lene Nielsen的“十步人物角色法”等，这些都是非常实用且专业的用户画像方法。

在了解这些方法后就可以将如何构建用户画像拆解为三个步骤：

获取用户数据→细分用户群体→构建用户画像

2.1 获取用户数据

1）静态数据采集

顾名思义就是用户不会轻易改变的数据，如社会属性、生活习惯等。

可以通过电话访谈、问卷调查、网络数据分析等方式获得。通常互联网企业比传统企业有优势，像TB、JD等大平台可以通过用户注册，完善会员信息积累数据。

2）动态数据采集

用户不断变化的行为信息，一般取决于用户对于产品的行为反馈：

动态数据都可以通过该产品/网页的数据统计记录下来，只要产品数据埋点足够完善，需要哪些数据就直接从数据库拉取就可以。

2.2 细分用户群体

通过静态数据和动态数据给不同的用户打上标签，通过标签的权重、排列，可以得到很多用户的标签，根据自身产品的需求选择需要的用户标签，找到对应的用户。

举个例子：电商企业选择用户基础数据外还需要根据用户的兴趣、消费习惯、消费能力、访问记录、商铺浏览时长、历史购买记录等给用户推荐与其标签匹配度更高的商品，促进用户更多的访问其他商品从而产生再次购买行为。

2.3 构建用户画像

将事件进行建模包括：时间地点人物事件，我在这简写为4W1A模式。

Who（用户）-哪些用户

在于对用户的表示，方便区分用户，定位用户信息。

除上面的获取方式，在移动端还有通过广告IDFA获取用户设备信息，或者直接获取用户的UDID获取用户设备信息。

when（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15s，其中点击按钮是在3s，返回是在12s，也就是时间跨度15s，发生行为的时间点分别是3s和12s。

where（地点）-用户行为触点

也就是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。

what（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、属性、对应零食、卫龙、辣条、生产日期等，这些内容也生成了对应标签。 

action(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。

用户画像的应用

3.1 个性化推荐

对于电商和内容类平台，将访问的用户细分为很多属性标签，根据用户实时标签变化并且不断地刷新用户模型，并且不断将刷新推荐的内容。

常见案例：电商平台商品推荐，和内容推荐，根据标签组成用户画像模型，再利用他们的推荐算法机制匹配用户感兴趣的内容，做到个性化推荐，千人千面。

3.2 广告精准营销

如今的移动广告投放已经完全应用了用户画像作为投放依据，无论是电商、游戏还是其他品牌曝光，利用用户画像数据指导广告投放，不仅能够降低成本，还可以大大促进点击率及转化率，提升整体广告投放效果。

比如：某广告公司供广告投放选择的用户画像

3.3 辅助产品立项与优化

举例1：

某些游戏大厂在游戏立项前会利用本身产品定位寻找对应用户人群，然后利用广告将游戏备选的美术设计图推送给用户，看用户的对于不同美术设计点击率如何，然后选择玩家点击率比较好的图片作为游戏美术的定位，这样可以在立项前就减少了上线后因为玩家对设计的不认可而错失了市场。

举例2：

产品测试将功能先提供给匹配的画像用户（种子用户），通过种子用户的反馈得到比较合理的优化意见，方便给产品做较为正确的迭代方向。比如：美图软件APP将功能提供给95后、爱拍照、女生。

3.4 个性化服务

某些行业将服务精准化找到用户并且推荐定制化服务。比如：某服装设计公司，将25岁以上职场男性作为目标用户，为他们定制季度服装搭配服务，每个季度根据用户的预算和喜好需求为他们推荐衣服搭配套装，并且提供1v1设计师沟通，通过目标用户的需求直接提供解决方案，目前经营状况良好。

我相信，未来很多行业基于用户画像的定制服务解决方案也会有比较不错的市场空间，广阔天地，大有可为！

>完。