用户画像高大上，但90%的人都做失败了！

正文开始

失败的用户画像项目，罄竹难书！一抓一大把。今天我们系统讲解一下。

 1 

用户画像失败的标志

大家自己是不是也经常疑惑：“用户画像有啥用？”

如果有，恭喜，你的项目做扑街了，就这么直观！

当然，更一般的扑街方式，是刚开始做用户画像的时候，业务部门摇头晃脑的说：“我们要基于用户画像，详细深入的了解用户，比如用户性别，年龄，地域，喜好，消费习惯，……这样我们就能精细化决策了”。然后数据部门夯吃夯吃搞了几个月，打了30000个用户标签，还得意洋洋的跟领导汇报：“我们的用户画像大数据建设取得长足进步”。

然后项目第一期汇报会上，数据部门得意洋洋的讲到：

• 我们的用户男女比例6:4

• 华南地区占比30%，华东25%

• 购买A产品占比50%

 业务部门一个白眼抛过来：

• 我早知道了

• 我们的用户都是这样的呀

• 你做这有啥用？

╮(╯▽╰)╭

当然还有更惨的，就是你贴个“忠诚用户”的标签，业务方说：哦，既然那么忠诚，就不做啥动作了，结果丫下个月不消费也不登录了！你贴了“A产品爱用者”的标签，业务方推了A产品，丫没有买！业务方怒气冲冲找来算账：“这用户画像一点都不精准嘛！”于是项目彻底凉凉。

吐槽归吐槽，问题到底出在哪里呢？

 2 

用户画像项目失败的表面原因

原因一：混淆了过去和未来

问1：一个用户昨天买了苹果，前天买了苹果，大前天也买了苹果，他今天买不买苹果？

问2：一个用户买了酱油，鸡翅，可乐，请问他是否还需要买竹签去烧烤？

思考一秒钟，不用思考一秒钟，大家都知道，答案是：不一定，不一定，不一定。连续买苹果，有可能代表他喜爱吃苹果，也有可能已经买了很多了所以不买了。买酱油+鸡翅+可乐，可能是去烧烤，也可能是做可乐鸡翅。过去的行为不等于未来的行为，未来的行为需要进行预测。无论预测的方法是基于业务逻辑的推理，还是基于算法模型的计算，都需要经过数据分析和试验验证。只有表现稳定的预测方法，才能被采纳。

然而做用户画像的时候，业务方经常混淆这两点。往往对着过去发生的行为贴一大堆标签，对未来预测毫无概念，在预测分析上半点投入没有。看用户画像报告，或者在CDP里设置推送规则的时候，想当然地认为：过去买了以后也买。最后预测不准，反而把锅甩给用户画像系统。结果自然悲剧。

原因二：混淆了行为和动机。

问一个简单的问题：一个用户在过去30天内，有1天来我们家购买产品，请问该用户是不是我们的产品爱用者？如果有2天呢、3天呢、4天呢……如果有30天呢？30天里天天都来买，肯定是爱用者了吧！

答：不一定。30天里天天都来买，你可以管他叫“高频购买者”，因为购买频率确实是很高。但是是不是人家很爱用我们的产品，不一定，因为你并不知道他到底爱不爱用，甚至不知道他用了没用。购买频次不能直接等同于用户喜爱。用户喜爱或者不喜爱，需要更多维度的数据进行分析，并且分析结果得有一定概率的稳定性，才能这么叫。

类似的，很多企业里，业务方和数据分析师，对待这种“爱用者”等等名词使用非常随意、粗糙，基本上都是用消费金额、登录频次等等，高了就算“喜欢”、“爱用”，低了就算“边缘”“尝试”。做出来的结果，自然是毫无准确性可言。不用说，出了问题，比如推荐产品没有人买之类，又算在用户画像头上。

原因三：混淆了原因和结果。

问：累计消费10000元以上的用户，都购买了5次以上，所以让用户购买5次，用户就会累计消费10000，对不对……当然不对呀。然而业务方经常这么干！拿着过往消费高的用户行为，往消费低的身上套，认为只要消费低的模拟了某个数字，就能成为消费高的。还没其名曰：“魔法数字”。很有可能从源头上，消费高的和消费低的就是两类人，应该通过深入的分析搞清楚到底驱动行为的原因是什么。

从表面上看，用户画像失败的原因，在于：重数据，轻分析。过分投入精力细化已经发生的行为，贴了太多太多事实性标签。对预测投入力度不够，对因果关系分析不够，对用户需求洞察不够。最后判断全靠业务拍脑袋。

你问他为啥基于这几个标签推产品/活动，他答的都是：

• 我觉得他都买了那么多次，他这次肯定买

• 我觉得他买过相关产品，他这次肯定买

• 我觉得他买了A，怎么也得买B

看了用户画像以后拍脑袋，和看报表拍脑袋都是拍脑袋，没有本质区别，谢谢。基于过去的数据搞一堆标签，很容易；沉淀有预测力、有准确度的用户标签，很难。不但需要深度的数据分析和建模，更需要反复的，多轮的，对比性测试。不是一蹴而就。所以在业务部门自以为很懂，数据部门喜气洋洋地宣布“打了三万个标签”的时候，祸根就已经埋下来了。

然而，同样是业务期望值太高+数据准备不足的场景，为啥用户画像类项目，比数据模型类项目还要容易扑街呢？

 3 

用户画像失败的深层原因

深层地看，因为数据建模的难度高，所以业务方对中间过程无法参与，只能对着结果品头论足。做建模的小哥们，只要自己不作死，不闭门造车，主动降低业务期望，是能够很大程度上避免问题的。所以建模项目失败，基本上是盲人骑瞎马的结果。

但用户画像项目正好相反：业务方以为自己很懂！做数据的小哥也以为自己很懂！几乎所有的业务方一提用户画像，都会说这句：“比如，我知道用户是24岁，女性，我就会推一个XX产品给她”大家都以为：我自己很懂，就差一个数了！快给我数。于是业务不停催着数据把过往数据做的再细、再细、再细，数据则在打标签路上一路狂奔。最重要的预测、分析、实验三件套没人搞。

当然，这种基于过往数据的标签，对有些部门是有用的——对客服、供应链、物流这种支撑部门有用。比如客户接到一个客户投诉“为啥售后师傅还没上门啊！！！”如果没有打标签，客户得辗转好几个表，确认：客户买的是啥产品、是啥时候，产品机身号、啥时候约的师傅之类细节。光确认过程就把客户气个半死。有了标签，刷刷几下就能定位到问题，能极大提升客户体验。

但悲剧的是，这种有用性，只是让运营、营销、策划、设计等需要动脑子、做创意、想策略的部门更加自负而已。更加强了他们“我真的好厉害，就差一个数了！”的感觉。于是悲剧就源源不断了。如果说建模是盲人骑瞎马的话，用户画像项目，就是骑着电动车搓着手机逆行闯红灯——电动车自以为自己是个车，骑电动车的自以为自己骑得666。

为了规避这种问题，陈老师经常用这招。当业务方张嘴“如果我知道24岁，女性，我会推A产品”的时候，直接从数据库里查出来最近一个月24岁女性到底有多少人买A，然后怼到业务方脸上：“不需要用户画像，我现在告诉你，购买率就是12%。你还上用户画像干啥，让你的小哥按规则跑数就好了呀”这时候，但凡靠谱一点的业务方，都会立马清醒过来这里的问题，表示：这么简单的拼接不行，得基于事实标签多分析分析。这样项目后续就走的稳多了。

不过同学们慎用这招，你们的企业环境不见得适合这种硬怼风格哈，总之大家理解到问题关键即可。问题的关键是：单纯的事实标签预测能力太差，洞察力太差。不足以满足运营、策划、销售、营销们排兵布阵的需求。大量数据+深入分析，才是解决问题之道。本篇就到此结束了，估计很多同学会好奇：CDP是个啥。有兴趣，本篇集齐60在看，我们下一篇分享。敬请期待哦。

—————— / END / ——————

分析最新的数据思想，与百万数据从业者一起成长