构建清晰用户画像
（一）用户画像的概念
1.用户画像的内涵
用户画像（Profile）的概念最早由交互设计之父Alan Cooper提出：“Personas are a concrete representation of target users”，是指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。随着互联网的发展，现在我们说的用户画像（Profile）又包含了新的内涵——通常用户画像是基于用户在系统中产生的真实数据，根据用户人口学特征、网络浏览内容、网络社交活动和消费行为等信息，通过数据计算和数据统计的一个标签化系统或抽象出的一个标签化的用户模型。
本教材中的用户画像是指通过给用户各类特征进行标示，给用户贴上各类标签，通过标签将用户分为不同的群体，以便对不同群体分别进行产品/运营动作。
构建用户画像的核心工作，主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘，给用户贴“标签”，而“标签”是能表示用户某一维度特征的标识。简单来说就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一个标签化的用户模型，也就是将用户信息标签化。
2.用户画像的目的
从宏观上来讲，用户画像可以帮助制定战略，进行产品定位，进行竞争分析，明晰市场趋势；从中观上来讲，能帮助优化运营，包括功能优化、增长用户、个性化推荐、量化风控以及精准营销；从微观上来讲，能帮助发现价值，例如进行用户需求分析，进行基础信息构建，进行用户特征识别等。
在旅游企业中，还可以利用用户画像对服务或产品进行私人定制，即个性化地服务某类群体甚至每位用户。例如，某旅行社想面向家有 5～10 岁儿童的父母推出一款亲子游产品，通过用户画像进行分析，发现目的地=“主题公园”、价格区间=“中等”的偏好比重最大，那么就给新产品提供了非常客观有效的决策依据。
总的来说，用户画像可以帮助形象地了解目标用户的行为特征，可以极大地提高运营效率，帮助精细化运营。所以用户画像广泛应用在推荐系统、广告系统、商业分析、数据分析、用户增长、数据运营、精准营销、量化风控等领域。简而言之，用户画像是为了让运营者在运营的过程中能够抛开个人喜好，将焦点关注在目标用户的动机和行为上进行活动策划和运营。
3.用户画像标签分类
总的来说，可以将用户数据划分为静态信息数据、动态信息数据两大类。
（1）静态信息数据。静态信息数据是用户相对稳定的信息，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作。静态信息标签是构成用户画像的基本框架。在运营工作中，可以参考成熟企业的静态信息模型，更快地帮助我们完善画像维度。
（2）动态信息数据。动态信息数据是用户不断变化的行为信息，亦是用户的网络行为，主要包括搜索、浏览、注册、登录、签到、发布信息、收藏、评论、点赞、分享、加入购物车、购买、使用优惠券、使用积分等一系列的行为。在运营工作中，动态信息往往能给我们更为有用的关键信息。除了用户行为外，还包括用户行为的频次、用户行为时长、时段、设备等动态信息。
表3-1 用户标签分类表
以微信公众号为例：静态数据包括用户的性别、年龄、职业、工作城市、毕业学校等；动态数据包括关注公众号、在某个时间阅读了某篇文章、给一篇文章点赞、给一篇文章留言、分享一篇文章、使用的设备终端、取消关注等；更深层次的动态数据还有在一篇文章停留了多久、阅读完成率是多少等。
通过统计真实的用户行为，给用户打上不同的行为标签，然后建立模型标签，研究用户的心理现象，特别是需求、动机、价值观三大方面，可以窥探用户的深层动机，了解用户的需求是什么，认清目标用户带有怎样的价值观标签，是一类什么样的群体。通过模型标签，进一步建立预测标签，如人群属性、消费能力、流失概率、近期需求、潜在需求等。
【案例3-2】
不同平台标签分类
点评：不同平台根据自身特色，可以进行不同的分类。
目前主流的标签体系都是层次化的，首先标签分为几个大类，每个大类下再进行逐层细分。在构建标签时，只需要构建最下层的标签，就能够映射到上级标签。上层标签都是抽象的标签集合，一般没有实用意义，只有统计意义。例如我们可以统计有人口属性标签的用户比例，但用户有人口属性标签本身对广告投放没有任何意义。
用于广告投放和精准营销的一般是底层标签，对于底层标签有两个要求：一个是每个标签只能表示一种含义，以避免标签之间的重复和冲突，便于计算机处理；另一个是标签必须有一定的语义，方便相关人员理解每个标签的含义。
4.用户画像的原则
（1）有效性。能有效地刻画用户需求。
（2）真实性。用户画像是真实的用户数据，而不是想象的伪需求画像。
（3）独立性。标签的语义是相互独立的，有区分度。
（4）全面性。收集数据覆盖面广。
（5）统一性。用户标签与运营的新媒体平台标签要统一，双向匹配。
（二）用户画像的流程
从事新媒体的运营人员，不管偏向哪种岗位，都要求要懂用户，定期或者不定期进行用户画像分析，了解用户画像究竟是什么样子，理解用户需求，这样才能更好地去运营一个新媒体账号。用户画像的构建一般可以分为业务需求分析、搭建标签体系、构建用户画像、用户画像应用四步。
1.业务需求分析
用户画像体系的建设不能凭空捏造，需要根据实际的业务需求，考虑画像系统能为业务带来的价值，所以第一步要做的是业务需求分析。
明确用户画像服务于企业的对象，如产品、用户运营、活动运营、市场、风控等部门，再根据业务方需求明确未来产品建设目标和用户画像分析之后的预期效果。(https://www.daowen.com)
就公司整体而言，目标是提升新媒体平台整体的收益，过程中会驱动产品、运营、数据分析、市场、客服等同时协同工作，画像会更加关注如何进行精细化运营，提升公司营收；就新媒体内容运营人员而言，目标是提升转化率，过程中会采用内容的个性化推送策略、用户精准触达，画像会更加关注用户个人行为偏好；就某数据分析人员而言，目标是做用户的流失预警，做针对性的精准营销，过程中需要分析用户行为特征、用户的消费偏好。
在业务需求分析阶段，需要分析业务过程，各部门核心关注点、部门KPI、组织结构、用户行为路径、功能流程图等，此处不做展开。
2.搭建标签体系
用户画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，本教材未涉及具体算法，更多的是阐述一种分析思想，在计划构建用户画像时，能够提供一个系统性、框架性的思维指导。通过收集用户静态信息数据、动态信息数据，将标签分类，最终为每个用户打上标签，以及该标签的权重。标签，表征了内容，表明用户对该内容有兴趣、偏好、需求等；权重，则表征了指数，表明用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。
一个好的标签体系要满足两个条件——高概括性和强延展性。高概括性意味着结构体系能够很好地包含一个用户的基本属性和产品交互的相关行为，同时对于业务重点单独强调，没有遗漏，不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患；强延展性意味着结构全面的同时也有一定的抽象概括能力，保证新增的标签可以很好地找到对应的分类，整个体系不会过于收敛、局限。按照以上原则，画像通常可从八个维度组织标签，即分别为基本属性、平台属性、行为属性、产品偏好、兴趣偏好、敏感度、消费属性、用户生命周期及用户价值。以上八个维度又分为统计类标签、规则类标签、预测类标签3类。
（1）统计类标签。这是用户画像最为基础常见的标签，是统计用户相关数值、客观描述用户状态的标签，这类数据通常可以从用户注册、用户访问、消费统计中得出。
（2）规则类标签。这类标签是基于用户行为及确定的规则产生，在实际开发画像过程中，根据业务的需要由运营人员和数据人员共同协商制订，包含活跃度标签、RFM标签等。
（3）预测类标签。这类标签基于用户的属性、行为、位置和特征，运用决策树算法、回归算法等挖掘用户的相关特征，挖掘其潜在需求，针对这些潜在需求给用户打标签，以配合不同的营销策略进行推送。
一般统计类标签和规则类标签即可满足应用需求，在开发过程中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户风险、用户购买商品偏好、用户流失意向等，其开发周期长、开发成本高。在标签制订过程中用户画像建模人员与业务人员需要密切沟通，以结合业务场景制订不同行为类型和权重。常用确定权重的方法有TF-IDF词空间向量、时间衰减系数。
3.构建用户画像
用户画像在构建和评估之后，就可以在业务中应用。一般需要一个可视化平台，对标签进行查看和检索。画像的可视化一般使用饼图、柱状图等对标签的覆盖人数、覆盖比例等指标做形象的展示。
此外，对于构建的画像，还可以使用不同维度的标签进行高级的组合分析，产出高质量的分析报告。在智能营销、计算广告、个性化推荐等领域，用户画像都可以得到应用。
（1）首页画像数据，展示用户数据的整体情况，包含用户的基本特征，如性别、年龄、地域、职业分布等基础信息；用户价值特征，如用户活跃度、会员等级、流失预警、用户价值RFM分布等信息。RFM模型是用户价值研究中的经典模型，基于近度（Recency）、频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户，从而辅助商业决策，提高营销效率。
（2）标签管理，供数据人员提供标签的增、删、改、查等操作，包含标签分类、新建标签、标签审核、标签下线、异常标签等。
（3）用户查询，主要包含通过输入用户ID来查看用户画像等详情数据，如用户的基本信息、用户属性信息、用户行为等数据。
（4）用户分群，应用场景主要为业务使用。制作标签时，往往不会只使用一个标签进行推送，更多的情况下需要组合多个标签来满足业务上对人群的定义。用户分群相当于制作一个人群模版，在不同场景下做人群的推送。添加分群时通常会配置人群名称、满足的条件，计算覆盖的人群数量，推送到消息通知、电子邮件、短信。
4.用户画像应用
猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱能否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。
（1）精准营销。根据历史用户特征，运营人员可以分析产品的潜在用户和用户的相关需求，针对特定群体提供个性化营销服务，比如常用的有短信、邮件、站内信、Push消息的精准推送，客服针对用户的不同话术、针对高价值用户的极速退款退货等VIP服务。
日常生活中会从多个渠道收到营销信息：一条关于红包到账的短信消息推送，可能会促使用户打开很久没访问的APP；一条关于心愿单内的降价消息，可能会刺激用户打开推送链接，直接购买。
借助画像系统进行营销需要注意以下事项：
①短信敏感度：有的用户对营销短信的敏感度较差，比如从历史数据来看，推送其10次短信，只打开过1次或从未打开过。考虑到短信渠道需要营销成本，可以把这批用户排除掉，并减少对用户的干扰。
②无效手机号：对于平台上随意填写非自己的手机号、手机号已经作废/更换、接收到短信回复了“TD”的用户来说，短信无法接收，属于短信黑名单，这类用户也需要排除。
③对营销商品感兴趣的用户：近期曾有多次浏览、收藏或是加购、下单行为的用户，是某类商品的潜在意向用户，可以通过满减优惠券或是红包的方式进行营销。
（2）推荐系统。应用的运营者，可以通过个推用户画像中的性别、年龄段、兴趣爱好、浏览购买行为等标签，给用户推荐不同的内容。如今日头条上的个性化文章内容推荐、抖音上基于用户画像做的个性化视频内容推荐、淘宝上基于用户浏览行为等画像数据做的个性化商品推荐等。
（3）数据分析。用户画像的标签可应用于各类分析，包含用户分析、订单分析、漏斗分析、人群特征分析等。
【案例3-3】
分析抖音用户画像
请仔细查阅巨量算数公开发布的“2020抖音用户画像”，并讨论思考以下问题：
思考：
1.什么类型的旅游企业适合在抖音上进行推广？
2.什么类型的旅游产品适合在抖音上进行推广？
3.最好在什么时间段投放短视频？