在互聯(lián)網(wǎng)大數據時(shí)代，得用戶(hù)者得天下。以龐大的用戶(hù)數據為依托，構建出一整套完善的用戶(hù)畫(huà)像，借助其標簽化、信息化、可視化的屬性，是企業(yè)實(shí)現個(gè)性化推薦、精準營(yíng)銷(xiāo)強有力的前提基礎。

可見(jiàn)，深入了解用戶(hù)畫(huà)像的含義，掌握用戶(hù)畫(huà)像的搭建方法，顯得尤其重要。

用戶(hù)畫(huà)像是真實(shí)用戶(hù)的虛擬模型

關(guān)于“用戶(hù)畫(huà)像是什么”的問(wèn)題，最早給出明確定義的是交互設計之父Alan Cooper，他認為：Persona（用戶(hù)畫(huà)像）是真實(shí)用戶(hù)的虛擬代表,是建立在一系列真實(shí)數據之上的目標用戶(hù)模型。

敲黑板，劃重點(diǎn)：真實(shí)、數據、虛擬。

如果把真實(shí)的用戶(hù)和虛擬的模型比作隔江相望的兩個(gè)平行點(diǎn)，數據就是搭建在大江之上，連接起彼此的橋梁。

企業(yè)利用尋找到的目標用戶(hù)群，挖掘每一個(gè)用戶(hù)的人口屬性、行為屬性、社交網(wǎng)絡(luò )、心理特征、興趣愛(ài)好等數據，經(jīng)過(guò)不斷疊加、更新，抽象出完整的信息標簽，組合并搭建出一個(gè)立體的用戶(hù)虛擬模型，即用戶(hù)畫(huà)像。

給用戶(hù)“打標簽”是用戶(hù)畫(huà)像最核心的部分。所謂“標簽”，就是濃縮精煉的、帶有特定含義的一系列詞語(yǔ)，用于描述真實(shí)的用戶(hù)自身帶有的屬性特征，方便企業(yè)做數據的統計分析。

出于不同的受眾群體、不同的企業(yè)、不同的目的，給用戶(hù)打的標簽往往各有側重點(diǎn)，應該具體問(wèn)題具體看待。

但是，有些標簽適用于所有情況，應該加以理解和掌握。我把常見(jiàn)的標簽分成兩大類(lèi)別：相對靜止的用戶(hù)標簽以及變化中的用戶(hù)標簽。

相對應的，由靜態(tài)標簽搭建形成的畫(huà)像就是2D用戶(hù)畫(huà)像；由靜態(tài)標簽+動(dòng)態(tài)標簽構建出來(lái)的即是3D用戶(hù)畫(huà)像。

靜態(tài)的用戶(hù)信息標簽以及2D用戶(hù)畫(huà)像

人口屬性標簽是用戶(hù)最基礎的信息要素，通常自成標簽，不需要企業(yè)過(guò)多建模，它構成用戶(hù)畫(huà)像的基本框架。

人口屬性包括人的自然屬性和社會(huì )屬性特征：姓名、性別、年齡、身高、體重、職業(yè)、地域、受教育程度、婚姻、星座、血型……。自然屬性具有先天性，一經(jīng)形成將一直保持著(zhù)穩定不變的狀態(tài)，比如性別、地域、血型；社會(huì )屬性則是后天形成的，處于相對穩定的狀態(tài)，比如職業(yè)、婚姻。

心理現象包括心理和個(gè)性?xún)纱箢?lèi)別，同樣具有先天性和后天性。對于企業(yè)來(lái)說(shuō)，研究用戶(hù)的心理現象，特別是需求、動(dòng)機、價(jià)值觀(guān)三大方面，可以窺探用戶(hù)注冊、使用、購買(mǎi)產(chǎn)品的深層動(dòng)機；了解用戶(hù)對產(chǎn)品的功能、服務(wù)需求是什么；認清目標用戶(hù)帶有怎樣的價(jià)值觀(guān)標簽，是一類(lèi)什么樣的群體。

具體的心理現象屬性標簽包括但不限于：

來(lái)源：“心理現象”百度百科

因為人口屬性和心理現象都帶有先天的性質(zhì)，整體處于穩定狀態(tài)，共同組成用戶(hù)畫(huà)像最表面以及最內里的信息素，由此形成穩定的2D用戶(hù)畫(huà)像。

2D用戶(hù)畫(huà)像

動(dòng)態(tài)的用戶(hù)信息標簽以及3D用戶(hù)畫(huà)像

網(wǎng)站行為屬性，這里我們主要討論的是用戶(hù)在網(wǎng)站內外進(jìn)行的一系列操作行為。常見(jiàn)的行為包括：搜索、瀏覽、注冊、評論、點(diǎn)贊、收藏、打分、加入購物車(chē)、購買(mǎi)、使用優(yōu)惠券……。

在不同的時(shí)間，不同的場(chǎng)景，這些行為不斷發(fā)生著(zhù)變化，它們都屬于動(dòng)態(tài)的信息。企業(yè)通過(guò)捕捉用戶(hù)的行為數據（瀏覽次數、是否進(jìn)行深度評論），可以對用戶(hù)進(jìn)行深淺度歸類(lèi)，區分活躍/不活躍用戶(hù)。

社交網(wǎng)絡(luò )行為，是指發(fā)生在虛擬的社交軟件平臺（微博、微信、論壇、社群、貼吧、twitter、Instagram）上面一系列用戶(hù)行為，包括基本的訪(fǎng)問(wèn)行為（搜索、注冊、登陸等）、社交行為（邀請/添加/取關(guān)好友、加入群、新建群等）、信息發(fā)布行為（添加、發(fā)布、刪除、留言、分享、收藏等）。

給用戶(hù)打上不同的行為標簽，可以獲取到大量的網(wǎng)絡(luò )行為數據、網(wǎng)站行為數據、用戶(hù)內容偏好數據、用戶(hù)交易數據。這些數據進(jìn)一步填充了用戶(hù)信息，與靜態(tài)的標簽一起構成完整的立體用戶(hù)畫(huà)像，就是所說(shuō)的3D用戶(hù)畫(huà)像。

3D用戶(hù)畫(huà)像

用戶(hù)畫(huà)像的價(jià)值

企業(yè)必須在開(kāi)發(fā)和營(yíng)銷(xiāo)中解決好用戶(hù)需求問(wèn)題，明確回答“用戶(hù)是誰(shuí)——用戶(hù)需要/喜歡什么——哪些渠道可以接觸到用戶(hù)——哪些是企業(yè)的種子用戶(hù)”。

更了解你，是為了更好的服務(wù)你！可以說(shuō)，正是企業(yè)對用戶(hù)認知的渴求促生了用戶(hù)畫(huà)像。

用戶(hù)畫(huà)像是真實(shí)用戶(hù)的縮影，能夠為企業(yè)帶來(lái)不少好處。

指導產(chǎn)品研發(fā)以及優(yōu)化用戶(hù)體驗

在過(guò)去較為傳統的生產(chǎn)模式中，企業(yè)始終奉行著(zhù)“生產(chǎn)什么就賣(mài)什么給用戶(hù)”的原則。這種閉門(mén)造車(chē)的產(chǎn)品開(kāi)發(fā)模式，常常會(huì )產(chǎn)生“做出來(lái)的東西用戶(hù)完全不買(mǎi)賬”的情況。

如今，“用戶(hù)需要什么企業(yè)就生產(chǎn)什么”成為主流，眾多企業(yè)把用戶(hù)真實(shí)的需求擺在了最重要的位置。

在用戶(hù)需求為導向的產(chǎn)品研發(fā)中，企業(yè)通過(guò)獲取到的大量目標用戶(hù)數據，進(jìn)行分析、處理、組合，初步搭建用戶(hù)畫(huà)像，做出用戶(hù)喜好、功能需求統計，從而設計制造更加符合核心需要的新產(chǎn)品，為用戶(hù)提供更加良好的體驗和服務(wù)。

實(shí)現精準化營(yíng)銷(xiāo)

精準化營(yíng)銷(xiāo)具有極強的針對性，是企業(yè)和用戶(hù)之間點(diǎn)對點(diǎn)的交互。它不但可以讓營(yíng)銷(xiāo)變得更加高效，也能為企業(yè)節約成本。

以做活動(dòng)為例：商家在做活動(dòng)時(shí)，放棄自有的用戶(hù)資源轉而選擇外部渠道，換而言之，就是舍棄自家精準的種子用戶(hù)而選擇了對其品牌一無(wú)所知的活動(dòng)對象，結果以超出預算好幾倍的成本獲取到新用戶(hù)。

這就是不精準所帶來(lái)的資源浪費。

包括我前面所提到的，網(wǎng)購后的商品推薦以及品牌商定時(shí)定點(diǎn)的節日營(yíng)銷(xiāo)，都是精準營(yíng)銷(xiāo)的成功示范。

要做到精準營(yíng)銷(xiāo)，數據是最不可缺的存在。以數據為基礎，建立用戶(hù)畫(huà)像，利用標簽，讓系統進(jìn)行智能分組，獲得不同類(lèi)型的目標用戶(hù)群，針對每一個(gè)群體策劃并推送針對性的營(yíng)銷(xiāo)。

可以做相關(guān)的分類(lèi)統計

簡(jiǎn)單來(lái)說(shuō)，借助用戶(hù)畫(huà)像的信息標簽，可以計算出諸如“喜歡某類(lèi)東西的人有多少”、“處在25到30歲年齡段的女性用戶(hù)占多少”等等。

便于做相關(guān)的數據挖掘

在用戶(hù)畫(huà)像數據的基礎上，通過(guò)關(guān)聯(lián)規則計算，可以由A可以聯(lián)想到B。

沃爾瑪“啤酒和尿布”的故事就是用戶(hù)畫(huà)像關(guān)聯(lián)規則分析的典型例子。

資料來(lái)源：“關(guān)聯(lián)規則”百度百科

我們認識到用戶(hù)畫(huà)像具有的極高價(jià)值，下面就來(lái)看看該如何搭建用戶(hù)畫(huà)像。

如何構建用戶(hù)畫(huà)像

用戶(hù)畫(huà)像準備階段——數據的挖掘和收集

對網(wǎng)站、活動(dòng)頁(yè)面進(jìn)行SDK埋點(diǎn)。即預先設定好想要獲取的“事件”，讓程序員在前/后端模塊使用Java/Python/PHP/Ruby 語(yǔ)言開(kāi)發(fā)，撰寫(xiě)代碼把“事件”埋到相應的頁(yè)面上，用于追蹤和記錄的用戶(hù)的行為，并把實(shí)時(shí)數據傳送到后臺數據庫或者客戶(hù)端。

所謂“事件”，就是指用戶(hù)作用于產(chǎn)品、網(wǎng)站頁(yè)面的一系列行為，由數據收集方（產(chǎn)品經(jīng)理、運營(yíng)人員）加以描述，使之成為一個(gè)個(gè)特定的字段標簽。

我們以“網(wǎng)站購物”為例，為了抓取用戶(hù)的人口屬性和行為軌跡，做SDK埋點(diǎn)之前，先預設用戶(hù)購物時(shí)的可能行為，包括：訪(fǎng)問(wèn)首頁(yè)、注冊登錄、搜索商品、瀏覽商品、價(jià)格對比、加入購物車(chē)、收藏商品、提交訂單、支付訂單、使用優(yōu)惠券、查看訂單詳情、取消訂單、商品評價(jià)等。

把這些行為用程序語(yǔ)言進(jìn)行描述，嵌入網(wǎng)頁(yè)或者商品頁(yè)的相應位置，形成觸點(diǎn)，讓用戶(hù)在點(diǎn)擊時(shí)直接產(chǎn)生網(wǎng)絡(luò )行為數據（登陸次數、訪(fǎng)問(wèn)時(shí)長(cháng)、激活率、外部觸點(diǎn)、社交數據）以及服務(wù)內行為數據（瀏覽路徑、頁(yè)面停留時(shí)間、訪(fǎng)問(wèn)深度、唯一頁(yè)面瀏覽次數等等）。

數據反饋到服務(wù)器，被存放于后臺或者客戶(hù)端，就是我們所要獲取到的用戶(hù)基礎數據。

然而，在大多數時(shí)候，利用埋點(diǎn)獲取的基礎數據范圍較廣，用戶(hù)信息不夠精確，無(wú)法做更加細化的分類(lèi)的情況。比如說(shuō)，只知道用戶(hù)是個(gè)男性，而不知道他是哪個(gè)年齡段的男性。

在這種情況下，為了得到更加詳細的，具有區分度的數據，我們可以利用A/B test。

A/B test就是指把兩個(gè)或者多個(gè)不同的產(chǎn)品/活動(dòng)/獎品等推送給同一個(gè)/批人，然后根據用戶(hù)作出的選擇，獲取到進(jìn)一步的信息數據。

為了知道男性用戶(hù)是哪個(gè)年齡層的，借助A/B test，我們利用抽獎活動(dòng)，在獎品頁(yè)面進(jìn)行SDK埋點(diǎn)后，分別選了適合20~30歲和30~40歲兩種不同年齡段使用的禮品，最后用戶(hù)選擇了前者，于是我們能夠得出：這是一位年齡在20~30歲的男性用戶(hù)。

以上就是數據的獲取方法。有了相關(guān)的用戶(hù)數據，我們下一步就是做數據分析處理——數據建模。

用戶(hù)畫(huà)像成型階段——數據建模

1、定性與定量相結合的研究方法

定性化研究方法就是確定事物的性質(zhì)，是描述性的；定量化研究方法就是確定對象數量特征、數量關(guān)系和數量變化，是可量化的。

一般來(lái)說(shuō)，定性的方法，在用戶(hù)畫(huà)像中，表現為對產(chǎn)品、行為、用戶(hù)個(gè)體的性質(zhì)和特征作出概括，形成對應的產(chǎn)品標簽、行為標簽、用戶(hù)標簽。

定量的方法，則是在定性的基礎上，給每一個(gè)標簽打上特定的權重，最后通過(guò)數學(xué)公式計算得出總的標簽權重，從而形成完整的用戶(hù)模型。

所以說(shuō)，用戶(hù)畫(huà)像的數據建模是定性與定量的結合。

2、數據建模——給標簽加上權重

給用戶(hù)的行為標簽賦予權重。

用戶(hù)的行為，我們可以用4w表示： WHO（誰(shuí)）；WHEN（什么時(shí)候）；WHERE（在哪里）；WHAT（做了什么），具體分析如下：

 WHO（誰(shuí)）：定義用戶(hù)，明確我們的研究對象。主要是用于做用戶(hù)分類(lèi)，劃分用戶(hù)群體。網(wǎng)絡(luò )上的用戶(hù)識別，包括但不僅限于用戶(hù)注冊的ID、昵稱(chēng)、手機號、郵箱、身份證、微信微博號等等。

WHEN（時(shí)間）：這里的時(shí)間包含了時(shí)間跨度和時(shí)間長(cháng)度兩個(gè)方面。“時(shí)間跨度”是以天為單位計算的時(shí)長(cháng)，指某行為發(fā)生到現在間隔了多長(cháng)時(shí)間；“時(shí)間長(cháng)度”則為了標識用戶(hù)在某一頁(yè)面的停留時(shí)間長(cháng)短。

越早發(fā)生的行為標簽權重越小，越近期權重越大，這就是所謂的“時(shí)間衰減因子”。

WHERE（在哪里）：就是指用戶(hù)發(fā)生行為的接觸點(diǎn)，里面包含有內容+網(wǎng)址。內容是指用戶(hù)作用于的對象標簽，比如小米手機；網(wǎng)址則指用戶(hù)行為發(fā)生的具體地點(diǎn)，比如小米官方網(wǎng)站。權重是加在網(wǎng)址標簽上的，比如買(mǎi)小米手機，在小米官網(wǎng)買(mǎi)權重計為1,，在京東買(mǎi)計為0.8，在淘寶買(mǎi)計為0.7。

WHAT（做了什么）：就是指的用戶(hù)發(fā)生了怎樣的行為，根據行為的深入程度添加權重。比如，用戶(hù)購買(mǎi)了權重計為1，用戶(hù)收藏了計為0.85，用戶(hù)僅僅是瀏覽了計為0.7。

當上面的單個(gè)標簽權重確定下來(lái)后，就可以利用標簽權重公式計算總的用戶(hù)標簽權重：

標簽權重=時(shí)間衰減因子×行為權重×網(wǎng)址權重

舉個(gè)栗子：A用戶(hù)今天在小米官網(wǎng)購買(mǎi)了小米手機；B用戶(hù)七天前在京東瀏覽了小米手機。

由此得出單個(gè)用戶(hù)的標簽權重，打上“是否忠誠”的標簽。

通過(guò)這種方式對多個(gè)用戶(hù)進(jìn)行數據建模，就能夠更廣的覆蓋目標用戶(hù)群，為他們都打上標簽，然后按照標簽分類(lèi)：總權重達到0.9以上的被歸為忠實(shí)用戶(hù)，ta們都購買(mǎi)了該產(chǎn)品……。這樣的一來(lái)，企業(yè)和商家就能夠根據相關(guān)信息進(jìn)行更加精準的營(yíng)銷(xiāo)推廣、個(gè)性化推薦。

有關(guān)用戶(hù)畫(huà)像的介紹到此就告一段落了，鑒于自身能力有限，很多地方表達的不到位或者沒(méi)有提及，有啥意見(jiàn)或者建議歡迎留言！