一 用户画像概念
用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析二来的高度精炼的特征标识。
1 用户画像的意义
当一个坏商家掌握了你的购买数据，他就可以根据你平常购买商品的偏好来决定是给你发正品还是假货以提高利润。--罗振宇
用户画像可以找到目标用户，在产品设计阶段将焦点关注在目标用户的动机和行为上进行设计；确保一个大方向，做到精准营销。
2 构建流程
信息收集->信息处理->打标签->用户画像
为了精准的描述用户属性，可以逐层分类：
- 个人属性：基本信息，地理位置，性格信息等；
- 信用属性：资产变化趋势，学历，负债，职业，信用信息等；
- 兴趣爱好：阅读兴趣，运动兴趣，社交兴趣等；
- 消费特征：消费能力，交易行为偏好，便利性偏好，关系偏好等；
- 需求特征：当前需求，潜在需求等；
- 心理特征：情感波动，就业压力等；
比如：
个人属性：Afra55，男，22岁，西安；
信用特征：程序员，房贷，月光，信用良好；
兴趣爱好：二次元，游戏，美食；
消费特征：线上课程，游戏用户群体，手办，小吃，电子设备；
需求特征：理财，健身，脱单；
心理特征：疫情担忧；
指标推荐购买率=推荐用户购买数%总推荐用户数
二 分析用户画像
用户这些需求是潜意识的，基本自己不会发掘，如果产品满足了用户会惊喜万分，对产品的满意度会大大提升。
用户画像虽然是用户的虚拟代表，但必须基于的是真实用户和真实数据。
用户画像分为两个部分，第一部分是列举所有的用户群体，第二部分是列举所有的用户场景及其产生的需求，最后再对这两部分进行组合。
1 划分用户群体
通过六个维度进行群体划分：性别，年龄，地域，职业，经济地位，性格特征。
通过单一变量的变化都可以分化成许多的用户群体，别划分太细，尽量是典型群体。
按照用户群体规模再进行划分： 核心用户群，次要用户群，小众用户群。
2 场景和需求
在各种各样的生活场景下，就会有各种各样的需求，比如渴了想喝水，困了想睡觉。尽可能多的列举场景和需求。分析哪些群体是有这些需求的，把需求划分到群体中。
把需求再进行分类：基础型，优化型，兴奋型。
基础型需求：用户的这些需求没有得到满足，他们会很不爽，如果产品没有满足他们，他们可能就会弃产品而去。
优化型需求：用户的这些需求没有得到满足不会不爽，但是用户会期望这些需求得到满足，且满足了用户会对产品的满意度会高，且满足得越多满意度就越高，于此和别的产品区分开
兴奋型需求：用户这些需求是潜意识的，基本自己不会发掘，如果产品满足了用户会惊喜万分，对产品的满意度会大大提升。
3 结果
经过以上的分析可以得到用户画像树。不断地去观察这棵树，我们就会对我们产品需要满足哪个用户群体以及群体的哪些需求熟稔于心了。
三 做好用户画像
用户画像永远也无法100％地描述一个人，只能做到不断地去逼近一个人。
70后，80后，90后，00后 每个年龄段都会有代沟，70后的各位是大概率没法体会到00后的心思。用户画像是针对产品/服务目标群体真实特征的勾勒，是真实用户的综合原型，可以打破代购局限。
一个产品大概需要4-8种类型的用户画像。
1 用户画像的PERSONA七要素
- P 代表基本性(Primary)指该用户角色是否基于对真实用户的情景访谈;
- E 代表同理性(Empathy)指用户角色中包含姓名、照片和产品相关的描述，该用户角色是否引同理心;
- R 代表真实性(Realistic)指对那些每天与顾客打交道的人来说，用户角色是否看起来像真实人物;
- S 代表独特性(Singular)每个用户是否是独特的，彼此很少有相似性;
- O 代表目标性(Objectives)该用户角色是否包含与产品相关的高层次目标，是否包含关键词来描述该目标;
- N 代表数量性(Number)用户角色的数量是否足够少，以便设计团队能记住每个用户角色的姓名，以及其中的一个主要用户角色;
- A 代表应用性(Applicable)设计团队是否能使用用户角色作为一种实用工具进行设计决策。
通过 PERSONA 就可以得出一个典型的用户画像，PERSONA能清晰地揭示用户目标，帮助我们把握关键需求、关键任务、关键流程，看到产品必须做的事，也知道产品不该做什么。
注意：
- 知道谁是用户比什么都重要；
- 不再说“用户”，而是直呼其名；
- 将Persona展示给销售、技术、运营、市场人员；
- 找到周围符合Persona特征的人，与他交朋友；
- 融入他的生活，观察他的生活，了解他的需求；
- 不断邀请他来使用你的产品，反馈他的想法；
2 给用户行为加上权重
用户的行为，用4w表示： WHO(谁);WHEN(什么时候);WHERE(在哪里);WHAT(做了什么)，具体分析如下：
- WHO(谁)：定义用户，明确我们的研究对象。主要是用于做用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、身份证、微信微博号等等。
- WHEN(时间)：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间;“时间长度”则为了标识用户在某一页面的停留时间长短。越早发生的行为标签权重越小，越离现在近权重越大，这就是所谓的“时间衰减因子”。
- WHERE(在哪里)：就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签，比如小米手机;网址则指用户行为发生的具体地点，比如小米官方网站。权重是加在网址标签上的，比如买小米手机，在小米官网买权重计为1,，在京东买计为0.8，在淘宝买计为0.7。
- WHAT(做了什么)：就是指的用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户购买了权重计为1，用户收藏了计为0.85，用户仅仅是浏览了计为0.7。
当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：
标签权重=时间衰减因子×行为权重×网址权重
这样可以得出用户的忠诚度等关键信息。
3 数据收集
数据收集大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这四类。
- 网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等；
- 服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等；
- 用户内容便好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等；
- 用户交易数据（交易类服务）：贡献率、客单价、连带率、回头率、流失率等；
当然，收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。
还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。
对用户的行为和偏好进行猜测，来划分精准用户。
4 在做用户画像之前要明确研究目的
- 确定目标用户，将用户根据不同特征划分不同类型，确定目标用户的比例和特征；
- 统计用户数据，获得用户的操作行为、情感偏好以及人口学等信息；
- 根据目标用户确定产品发展相关优先级，在设计和运营中将焦点聚焦于目标用户的使用动机与行为操作；
- 方便设计与运营，据用户画像提供的具体的人物形象进行产品设计和运营活动，也比仅有模糊的、虚构的、或是有个人偏好的用户形象更为方便和可靠；
- 根据不同类型用户构建智能推荐系统，比如个性化推荐，精准运营等等；
- 等等；
5 指数数据搜索
到各大网站收集数据质量：百度指数、艾瑞网、TalkingData、友盟、企鹅智库、 Dataeye等数据质量渠道收集数据。
百度指数： http://index.baidu.com/v2/index.html#/
艾瑞网：http://www.iresearch.cn/mindex.shtml
TalkingData：https://www.talkingdata.com
企鹅智库：https://re.qq.com
Dataeye：https://www.dataeye.com
