用户画像概念
用户画像概念来自交互设计师之父阿兰·库珀：
- （1）是真实用户的虚拟代表
- （2）建立在一系列真实数据之上
- （3）是用户目标、行为、观点等信息的标签化
为什么需要用户画像
简练精准的表达用户特征
了解和结构场景内用户
驱动更好的决策
个性化推荐和服务
精细化运营和数据分析
精准营销和定向投放
…
用户画像具备以下特征
- 标签化
- 时效性：用户数据中的动态属性随着用户的行为变化而变化，具有明显的时效性特征。
- 动态性：用户画像需要不断的更新迭代才能更加精准的表示用户特征。
- 领域性：不同的领域对用户画像系统有不同的侧重点，因此需要针对不同的领域建立专属的画像标签维度
用户画像的构建步骤
1. 数据收集
2. 特征抽取：主要通过两类方法来完成特征抽取。维度提炼即特征抽取过程。
- （1）人工抽取：依赖研究者的知识和经验，从而抽取用户特征。具有一定的主观性，仅适用于数据表达清晰、数据量小的研究场景。
- （2）技术抽取：通过机器学习算法抽取用户特征，适用于大数据环境下海量用户数据的研究场景。
3. 提炼标签：可建立专属的标签库
用户画像分类
- 根据用户画像是否可变分为静态画像和动态画像
| 用户画像分类 | 静态画像 | 动态画像 |
| 概念 | 稳定不变的信息 | 用户不断变化并且需要不断修正的行为信息，可以解构为5W |
| 实时性 | 弱 | 强 |
| 覆盖面 | 大 | 小 |
| 粒度 | 粗 | 细 |
| 信息来源 | 用户基本属性 | 基础行为标签 |
| 来源举例 | 包括但不限于（可以不断细化）：个人属性：性别、年龄、学历、职业通讯属性：入网年限社会属性：所属行业、岗位层级、工作年限价值属性（商业属性）：月收入、财务状态、消费能力位置属性：常在区域、出行情况 | 包括但不限于（可以不断细化）：When时间偏好：访问时段，访问时长Where渠道偏好：访问媒体,访问设备,流量来源，流量去向What行为偏好：访问页面，访问次数，购买行为，接触行为，使用行为Why兴趣偏好：游戏、新闻、社交、阅读、购物、影音、金融、旅游、动漫、摄影、时尚、宠物、收藏、汽车、体育、美食、军事。。。等行为刻画Why深层需求：此为关键驱动因素Why态度/倾向：一般购买态度，购买心理因素，忠诚度，体验评价 |
- 根据画像指向的用户数量分为：单用户画像和群体用户画像
浅层用户画像与深层用户画像
无论什么画像都需要特征提取和标签建立，我们对于基本信息（包括基本属性和基础行为）的初步提取和概括可建立浅层用户画像，对于浅层画像的深度分析再次提炼可以建立深层的用户画像。深层标签例如：高风险理财偏好客户、近期境外游需求客户、车险需求客户、潜在家庭保险客户、潜在高风险客户,etc. 深层画像更加逼近用户目标和用户深层需求。
用户画像、用户分群、用户标签之前的关系
- 维度：我们首先结合产品业务和需求场景建立维度，维度可以不断细化。在每一个维度下可以创建一系列的标签。例如建立年龄维度，则标签可以划分为80后、90后、Z世代等等。
- 用户画像是多个标签的集合。
- 用户分群：每个产品争取有3-6个细分用户群。细分太少粒度不够，细分太多不够聚焦
（1） 单维度分群：基于某一维度，把目标人群分为不同的群体。比如按照性别来分群，从身份证层面上可以分为男性和女性，按照年龄来分类，可以分成婴幼儿、青少年、成年人、老年人等。
（2）多维度分群：即将多个维度的特征都相同的用户统一为一个分群。例如：组合“近30日购买次数”大于3次和“高活跃”“女性”用户这三个标签进行定义目标人群，查看该类人群覆盖的用户量，以及该部分人群的各维度特征。