当我们谈⽤户画像时，到底在谈什么
对于互联⽹公司来说，企业的增⻓、内容、活动、产品等⼯作基本上都是围绕着“⽤户”来做的，可以说都是在做“⽤户运营”这个⼯作，⽽⽤户画像是⽤户运营⼯作中⾮常重要的⼀环
⽤户画像的主要特征是
1、描述⼀个⽤户画像包括⻆⾊描述和⽤户⽬标
这⾥⻆⾊描述是指如名称、年龄、位置、收⼊、职业等，这类⻆⾊描述主要是为了使⽤户画像更丰富、真实，具象；
重点关注的是⽤户动机，⽤户⽬标是其动机。

    2、可以代表相似的⽤户群体或类型，也可以代表个体User persona是抽象的、虚拟的，代表⼀个典型的⽤户群体；虽然也可以代表个体，但个体并不是实际独⽴的个⼈，⽽是从实际观察研究中综合⽽来。3、须针对具体情境、具体产品的⾏为和⽬标User persona研究的是⽤户在具体情境下对产品的使⽤，关注其在⼀定范围内的⾏为、态度、能⼒、动机等。即使同⼀个⻆⾊，在不同产品下的动机也是有差异的，⼀般来说不轻易在不同产品间复⽤，需要考虑不同类产品的切⼊场景。⽤户画像User profileProfile是指⽤户信息标签化，通过收集⽤户多维度的信息数据（如⼈⼝统计属性、社会属性、⾏为偏好、消费习惯等），并对其进⾏统计、分析，从⽽抽象出的⽤户信息全貌，相⽐user persona，它更侧重于数据挖掘、标签体系搭建。⽤户画像是各类描述⽤户数据的变量集合，能够准确描述任何⼀个真实⽤户这类画像的主要特征为：真实性：集合了每个个体的真实信息，如既有⼈⼝统计属性等静态信息，也有⽤户⾏为的动态信息。时效性：⽤户动态信息并⾮⼀层不变，可以实时追踪其变化。覆盖度⼴：既能监测到⽤户感兴趣的内容，也可以看到其不感兴趣的内容，维度众多，颗粒度粗细均有。⽤户画像举例京东⻝品⽤户画像今⽇头条基础⽤户画像典型的电商⽤户画像其他⽤户画像系统

⽤户画像能为企业带来什么
简单点，就⼀个字
做⼀个好产品的基础
⽇常经营活动的推动
在企业中，⽤户画像的主要应⽤有三个⽅⾯：经营分析、精准营销、个性化推荐与服务
1 经营分析
⽤户画像系统的标签数据通过API进⼊分析系统后，可以丰富分析数据的维度，⽀持进⾏多种业务对象的经营分析。下⾯总结的是⼀些市场、运营、产品⼈员分析时会关注的指标：
1.1 流量分析
1、流量来源
2、流量数量：UV、PV
3、流量质量：浏览深度（UV、PV）、停留时⻓、来源转化、ROI（投资回报率，return on investment）

        1.2 ⽤户分析1、⽤户数量：新⽤户数、⽼⽤户数、新/⽼⽤户数量⽐2、⽤户质量：新增⽤户数（App启动）、活跃⽤户数（App启动）、⽤户留存（App启动-App启动）、⽤户参与度、沉睡、客单价1.3 商品分析1、商品动销：GMV、客单价、下单⼈数、取消购买⼈数、退货⼈数、各端复购率、购买频次分布、运营位购买转化2、商品品类：⽀付订单情况（次数、⼈数、趋势、复购）、访购情况、申请退货情况、取消订单情况、关注情况1.4 订单分析1、订单指标：总订单量、退款订单量、订单应付⾦额、订单实付⾦额、下单⼈数2、转化率指标：新增订单/访问UV、有效订单/访问UV1.5 渠道分析1、⽤户活跃（1）活跃⽤户：UV、PV（2）新增⽤户：注册量、注册同环⽐2、⽤户质量（1）留存：次⽇/7⽇/30⽇留存率3、渠道收⼊（1）订单：订单量、⽇均订单量、订单同环⽐（2）营收：付费⾦额、⽇均付费⾦额、⾦额同环⽐（3）⽤户：⼈均订单量、⼈均订单⾦额1.6 产品分析1、搜索功能：搜索⼈数/次数、搜索功能渗透率、搜索关键词2、关键路径漏⽃等产品功能设计分析2精准营销2.1 短信/邮件/push营销⽇常⽣活中我们经常会从许多渠道接收到营销来的信息。⼀条关于红包到账的短信消息推送可能会促使⽤户打开已经很久没访问的App，⼀条关于⼼愿单⾥⾯图书降价的邮件消息推送可能会刺激⽤户打开推送链接直接下单购买。具体有哪些类型的营销⽅式呢？⼤致可以分为以下4类：1、基于⾏为营销：产品浏览、加⼊购物⻋、⻔店扫码、订单取消、订单退货等2、基于位置营销：周边⻔店、周边活动、常去区域等3、基于节⽇营销：⽣⽇、春节、双⼗⼀、双⼗⼆、圣诞等4、基于会员营销：欢迎⼊会、卡券提醒、积分变更、等级变化、会员礼遇等2.2 客服话术当我们在向某平台的客服部⻔投诉、咨询或反馈意⻅时，客服⼈员可以准确的说出我们在平台的购买情况，上⼀次咨询问题的处理结果等信息，针对性的提出解决⽅法，对于⾼价值⽤户提供VIP客服通道等专项服务。3 个性化推荐与服务应⽤的运营者，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。⽐如：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

如何搭建⽤户画像
⽬前国内市⾯上有很多专⻔针对在线⽤户⾏为数据分析的⼯具
百度统计
百度统计是百度推出的⼀款免费的专业⽹站流量分析⼯具，能够告诉企业访客是如何找到并浏览⽤户的⽹站，在⽹站上做了些什么，有了这些信息，可以帮助企业改善访客在产品⽹站上的使⽤体验，不断提升⽹站的投资回报率。

    诸葛io诸葛io是⼀款基于⽤户全⽣命周期的数据分析⼯具。以⽤户跟踪技术和简单易⽤的集成开发⽅法，帮助移动应⽤的运营者们挖掘⽤户的真实⾏为与属性。可以将其⽤于iOS、Android应⽤及⽹站。神策数据神策数据针对互联⽹企业提供⼤数据分析产品和解决⽅案，以及针对传统企业提供⼤数据相关咨询，是专业的⼤数据分析平台服务提供商，致⼒于帮助客户实现数据驱动。公司围绕⽤户级⼤数据分析和管理需求，推出神策分析、神策智能运营、神策智能推荐、神策⽤户画像、神策客景等产品GrowingIOGrowingIO是基于⽤户⾏为数据的增⻓平台，为产品、运营、市场、数据团队及管理者等，提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务，帮助企业在数据化升级的路上，提升数据驱动能⼒，实现更好的增⻓。⽬前主要专注于零售、电商、⾦融、酒旅航司、教育、内容社区、B2B等⾏业。

分析师应该如何应⽤⽤户画像这个“⼯具”
应⽤案例1

根据⽤户画像标签，做出合理的决策

应⽤案例2问题场景：某互联⽹公司采⽤传统电话销售推⼴告业务，最近新⼊职销售的三个⽉离职率极⾼，⾼到领导⽆法忍受，要求看看销售的⽤户画像，分析下问题来⾃哪⾥？问：这个画像该怎么看……分析误区：很多同学看到“⽤户画像”4个字，⾸先想到的可能就是“标签”，好~既然是分析销售的⽤户画像，那就开始扒拉销售的数据，看看能找出多少标签：性别、年龄、学历、⼯作年限、跟进线索数、成交数、业绩情况……emmm，然后呢？销售离职率⾼的问题能解决么？正确的破局思路对于分析师来说，所有的⼿段都只是⼯具⽽已（包括⽤户画像也是），⽽真正能发挥作⽤的不是⼯具本身，⽽是合理运⽤⼯具的分析思路。⾸先，构建分析逻辑抛开数据不看，为什么销售会离职？原因可能是多⽅⾯的：公司就是很垃圾，业内⼝碑很差销售管理不佳，员⼯体验太差hr从源头就招错了⼈，滥竽充数本身业绩不好做，销售挣不到钱销售能挣到钱，但是做得太⾟苦……这些因素可能是相互叠加的。⽐如因为⼴告很难卖，导致管理上倾向于⼈海战术，逼着员⼯加班硬怼；强⾏怼员⼯降低了⼯作体验，增加了员⼯⼼⾥负担，形成恶性循环。逐层分析，剥离宏观因素，聚焦问题所在是不是公司垃圾，业内⼝碑差？这种问题⼀般很好排除，如果真的是公司很烂，离职率⼀定不是最近才⾼的数据佐证：查看近⼀年的销售离职率数据情况展示分析：如果真的是公司很烂导致的离职率⾼，那么就是系统性问题了，不是简单的分析⼀下销售⽤户画像就能解决问题的。是不是销售团队管理不佳？如果排除了整体公司烂这个原因，管理不佳也是相对⽐较容易排除的。因为只要不是公司整体都很烂，那么⼀定是部分销售团队管理很差，部分很好数据佐证：拉取各个团队的离职情况数据情况展示这⾥是先看1个⽉的数据情况，看看各团队在⼀个⽉的时间⾥，销售⼈员的离职率是否有明显差异。当然，也可以看连续⼏个⽉的数据。分析：如果是⼀个或者团队⼏个离职率明显⾼于其他团队，接下来就可以重点分析这⼏个离职率⾼的团队的具体情况。如果是全部团队的离职率都很⾼，那么依然是⼀个系统性问题。是不是这段时间销售线索质量太差，⼲扰了销售⼯作？对于销售来说，如果销售线索质量太差的话，成单率就会很低，会严重打击销售的⾃信⼼数据佐证：拉取各渠道来源的线索转化率数据情况展示分析：这⾥看线索转化率主要是为了打标签，为后续进⼀步分析“是否分配机制有问题”做铺垫.....逐层分析下去，就能够剥离明显的宏观问题，聚焦到销售本身的能⼒上。接下来就可以聚焦销售能⼒的评估与⼈员的基础特征了。聚焦销售能⼒，构建销售⽤户画像⽤户画像的切⼊点⽤户画像，不仅仅是“性别、年龄”这些基础特征，⽤户各种⾏为、社交关系等都是重要组成部分在具体分析的时候，特征的选择就尤其重要了对于销售离职问题来说，最有⼒的特征应该是收⼊了数据统计：销售⼊职3个⽉的收⼊情况数据情况展示问题场景是“新⼊职三个⽉离职率”，⽽收⼊⼀般是按⽉结算的，所以这⾥区分三个⽉的情况需要注意的是如果使⽤平均值的话，容易忽略⼀些信息：有些⼈第⼀个⽉没开单就离职了（信⼼被打击），有些⼈可能⼀个⽉收⼊⾼⼀个⽉收⼊低（收⼊不稳定，没信⼼继续做）结合离职率，查看⾼收⼊/低收⼊⼈员的离职率差异分析：如果是⾼收⼊⼈员离职，很可能和“觉得难做，去别的公司做同样的⼯作赚的更多”；但是⼤概率离职⼈员应该是低收⼊⼈员，接下来就可以进⼀步深⼊分析了进⼀步分析低收⼊是如何造成的有可能是以下原因：分配的线索不够多（管理问题）分配的线索⾜够，没做完（执⾏问题）分配的线索⾜够，做完了，没转化（技巧问题）分配的线索⾜够，做完了，有转化，单⼦太⼩（还是管理问题）矩阵分析法，区分情况如果简单粗暴的分，是可以把销售未执⾏到位的⾏为（包括技巧问题和⽅法问题）归纳为：销售素质不⾏。但是这样可能丧失内部流程优化的机会，⽽且会让真正有素质问题的群体更⼤，特征更模糊更难发现规律根据转化数量和跟进次数两个维度，将所有销售分为4⼤类结果展示⼀般来说，如果线索分配机制本身有问题，⽐如分配不均，好线索太过集中在某些⼈身上，没有按⾏业区分导致有些⼈单⼦⼀直很⼩……这些不能归为销售的问题，并且可通过内部管理机制的优化来改善问题⽤户画像构建分析到此处，就可以去看销售队伍⾥那些没有执⾏⼒，缺乏技巧的⼈，与有执⾏⼒，愿意做的⼈有什么区别此时就可以拿出⽤户特征进⾏对⽐了，⽐如：简历上可以得到的字段：年龄、性别、地域（是否⽅⾔区）、学历、从业年限、是否有互联⽹销售经验（简历⽂本提取）、是否有特定⾏业销售经验等。