用户画像，该怎么分析？

【与数据同行】已开通综合、数据仓库、数据分析、产品经理、数据治理及机器学习六大专业群，加微信号frank61822702 为好友后入群。新开招聘交流群，请关注【与数据同行】公众号，后台回复“招聘”后获得入群方法。

正文开始

有同学问：陈老师，我领导让我做用户画像分析，可是我做了一大堆数据，却被批：也没分析什么东西啊？该咋办？今天系统解答一下。

用户画像分析的错误姿势

1.限于数据，动不敢动。一提用户画像，很多人脑海里立刻蹦出了性别，年龄，地域，爱好等基础信息字段，然后大呼：我们好像没这个数据，于是放弃分析了。可实际想想，知道男性占比真的有那么大意义？知道男性占比65%还是60%真的对业务有帮助？不一定的，贴用户标签有很多方式，不要限于一些难采集的基础信息。

2.罗列数据，没有思路。很多人一听到用户画像分析，本能的就开始把数据库里的用户标签往外搬，在报告里码上：

• 男女比例3:2
• 20-25岁占比40%
• 30%的人在最近一周内登录
• 70%的人没有二次购买

……

至于摆完这些数据干什么，完全没有考虑过。这种分析结果，当然让人看完一头雾水。迷茫的发问：“所以呢？又怎样呢？”

3.无限拆分，没有逻辑。很多人一听到类似“流失用户画像分析”一类相对具体的分析题目，就开始无限拆解数据。分性别，年龄，地域，设备，注册时间，来源渠道，购买金额……拆了几十个维度看流失率。最后，只看到有的维度差5%，有的差10%，当然没有最后结论啦，越看越糊涂。

以上问题，都是太过纠结于用户画像四个字，忽视了分析两个字导致的。用户画像作为一个基础数据体系，本身并没有分析功能。单纯的罗列用户标签或者拆解用户指标，也起不到分析作用。像利用好用户画像，还得按分析套路一步步来。

第一步：转化商业问题

用户画像分析，本质上是从用户的角度思考问题。举个简单的例子，比如新上市产品销售未达预期，我们既可以从产品管理的角度来思考问题，也能从用户角度来思考问题。同样一个问题，会有两种思考方式（如下图所示）：

因此，简单的列出一堆用户指标（性别，年龄，地域，购买产品，登录次数……）是没啥用处的。用户画像只是分析的一个工具，和其他分析一样，也要先考虑：我要解决的实际问题到底是什么。想清楚了，再把问题转化成用户相关的问题，就能继续使用用户画像分析方法了。

需要注意的是，商业问题是很复杂的。往往一个问题，可能与若干用户群体、若干用户行为有关。比如上边的例子，就至少和三个用户群体（潜在用户、流失用户、存量用户）涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类，把分析线索和分析逻辑理清楚，找到对应的数据。不然一锅炖，光列性别，年龄，地域，也解释不了任何问题。这就涉及下两部工作。

第二步：宏观假设验证

转化完问题后，先宏观上对假设进行检验非常重要，能有效避免无限拆解的错误。如果大方向都不成立，细节更不用看了。还是新产品卖不动的问题，如果要从大方向验证，可以简单如下进行：

• 如果怀疑大环境不好，那应该全品类受影响。

• 如果怀疑竞品竞争力强，那应该竞品直接影响到我们产品

• 如果怀疑运作太差，那本次商品转化漏斗上势必有一环掉链子

• 如果以上有假设验证，可以进一步深入分析

• 如果以上假设都不成立，可能还需要新假设

总之，先进行大方向检验，可以有效缩小怀疑范围。怀疑范围越小，后续对用户分析可以越精确。同时，当数据不足的时候，怀疑范围越小，越能够集中力量收集数据，改善数据质量，做出有精度的分析。用户的分类维度可以有几百个之多，如果不加筛选的做拆解对比，很有可能在数十个维度上都有差异，最后完全读不懂数据。在拆解以前聚焦假设，非常重要。

第三步：构建分析逻辑

宏观验证以后，可以基于已验证的结论，构建更细致的分析逻辑。在这个阶段，实际上已经把原本宏大的问题，聚焦为一个个小问题，比如：

举一个具体场景：

已验证：我们却受竞品影响

• 子问题1：目标用户的需求是什么？

• 子问题2：目标用户对竞品体验如何？哪些需求点最被触动？

• 子问题3：目标用户对本品体验如何？哪些差距是致命伤？

• 子问题4：竞品/本品在硬功能，软宣传上差距如何？

这四个子问题，都可以通过对用户需求与行为的深入挖掘得到答案，下一步可以继续深入了。须注意的是，这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究，单靠内部数据不能完成，必须通过外部调研。

再看另一个场景：

已验证：本次新品上市操盘却有问题

• 子问题1：问题出在预热、发布、上市、推广哪个阶段

• 子问题2：上市阶段大量用户未能响应，广告投放出了什么问题

• 子问题3：推广阶段销量未能引爆，为啥没有激发核心用户需求

• ……（可进一步问太多，简单举例如上）

这些问题，可以分两方面解决

一方面，通过对不同类型用户对比，如

• 核心/普通

• 购买/未购

• 触达/未触达

用户进行对比，找到投放、奖励活动、购买品类、金额等细节上差异，从而调整投放、营销、产品补货等业务。

另一方面，通过对核心用户画像，让业务更看清楚，真正爱买的人

• 来自哪个渠道

• 通过什么主题

• 需要什么样优惠

• 在什么时机下单

让业务更多的去抓这些核心用户，而且改善后续表现。

需要注意的是，这一部分用户来源、信息投放响应，购买行为，主题阅读，完全可以通过内部系统记录。即使不知道他是男是女，我们也能通过投广告，发内容，做优惠吸引到他们。

第四步：获取用户数据

在上一步我们已经看到，用户画像分析如果真的想深入用户，就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全，外部数据存在抽样误差问题，在使用数据上就得有取舍，有重点。这也是为啥前边一直强调逐步验证，缩小假设的原因。聚焦了才好采集数据。

一般来说，

• 越是偏态度、体验、情感类问题，越倾向于用调研的方法

• 越是偏行为、消费、互动类问题，越倾向于内部的数据分析

• 如果想了解竞品，就拉竞品用户调研，或针对竞品网店爬虫

在传统意义上，做市场调研和做数据分析的，都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度，当然是越多越好。不过，随着爬虫，NLP，埋点越做越深入，在有技术支持的情况下，这些年对系统采集数据的利用度是越来越高的。所以在有条件的情况下，还是尽量推动内部数据丰富。不然事事依赖调研，数据没有积累，以后也难做。

第五步：归纳分析结论

如果以上几步做好了，在最后推分析结论就是水到渠成的事，完全不费力气。实际上，用户画像分析最大的问题都是出在前五步的。缺少假设方向，缺少数据准备，缺少分析逻辑，单纯罗列数据，无限制拆解，到最后自然面对一堆零碎的数据纠结：“男女比例3:2又怎样呢？？？”

当然用户画像有其他很多用处，比如支持新品开发，支持推荐系统，支持自动营销系统，支持投放系统等等，作分析只是它一小块作用。所以想做好分析，还是要多学习分析方法，操练分析逻辑哦。不考虑具体问题场景，单纯的问：一般的用户画像怎么做。得到的也是来自算法、调研、数仓、分析各个岗位千奇百怪的回答，自然没有分析思路了