用户分群画像:从0到1，如何构建用户画像统计

从PC到移动互联网一批搭乘流量红利快车的互联网产品曾极速崛起。而如今深圳建网站曾极速崛起。而如今流量红利消失一个疯狂的、传奇般的流量时代已然结束。增量乏力存量市场竞争更加激烈的环境下催生了精细化运营结合大数据对用户进行分群针对不同群体的用户采用不同的营销策略。

兵法云：“知己知彼百战不殆”在整个精细化运营过程中用户画像体系的搭建起到不可或缺的作用。前面草帽小子介绍了埋点数据采集、指标体系搭建、数仓和OLAP分析等数据基础层建设接下来我们来研究如何从0-1搭建用户画像体系以及用户画像的应用场景。

在早期用户数据的来源渠道比较少数据量也相对比较小的时期用户画像的研究主要基于统计分析层面通过用户调研来构建用户画像标签。

后来加利福尼亚大学的Syskill和Webert通过手动收集网站用户对页面的满意度然后通过统计分析逐渐构建出用户兴趣模型。

近年来随着互联网海量数据的爆炸式增长众多企业的用户画像研究有了新的机遇基于用户的属性、行为、兴趣爱好等数据标签运用算法对特征进行分析建模从而抽象出用户的全貌成为了产品人员的关注重点。

例如对于路飞而言其用户画像可简单描述为18-25岁中二少年15亿身价爱吃肉爱炫酷机器人冲动性消费人群若某电商网站提前得知了该用户信息就可以根据其偏好特征给其推送肉类以及高科技商品促进路飞在平台上完成购买。

这个过程中用于描绘用户画像的关键性因素就是标签通常不同应用场景下标签分类不同。

例如腾讯广告对标签的分类可分为：

人口学标签：性别、年龄、居住地、学历、婚恋、资产及工作状态等。

兴趣类标签：商业兴趣、泛娱乐兴趣、语义兴趣等。

设备类标签：设备品牌、运营商、 联网方式、型号、操作系统等。

行为类标签：人群上班地、出游频率、使用电商购物、O2O、游戏等应用特定行为、互动行为、支付行为等。

按阿里电商对标签的分类可分为：

用户属性类标签：性别、年龄、地域、注册日期、手机品牌、手机系统、联系方式、历史购买状态、用户活跃度、RFM价值度。

用户行为类标签：近30日访问次数、近30日客单价、近30日活跃天数、近30日访问时长、平均访问深度、充值用户等。

消费类标签：收入状况、购买力水平、已购商品、购买渠道偏好、最后购买时间、购买频次。

商品品类标签：高跟鞋、靴子、衬衫、法式连衣裙、肉脯、牛肉干、扫地机器人、智能音响等。

社交类标签：经常活跃的时间段、活跃地点、单身、评价次数、好评度等。

整个画像体系包含标签建模、画像系统、画像应用那从数据产品层面来看如何0-1建立用户画像体系呢？接下来我们按照如下结构进行展开：

业务需求分析

建设标签体系

建设画像系统

画像应用

用户画像体系的建设不能凭空捏造需要以经济建设为中心根据实际的业务需求考量画像系统能为业务带来的价值所以我们第一步要做的是分析业务需求。

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。

就公司整体而言他的目标是提升平台整体的收益过程中会驱动产品、运营、数据分析、市场、客服等同事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上；

就运营人员娜美而言她的目标是提升转化率过程中会采用内容的个性化推送的策略、用户精准触达画像会更加关注用户个人行为偏好上；

就数据分析人员罗宾而言她的目标是做用户的流失预警做针对性的精准营销那过程原文seO-6.com中就需要分析用户行为特征用户的消费偏好；

在需求分析阶段我们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。此处分析过程跟埋点业务需求分析类似详情可查看埋点业务需求分析此处不做展开。

标签： 用户分析画像标签