【作者丨粉小圆】

【来源丨活动盒子】

      【编辑丨狗贼】

 

 

用户画像(personas)

交互设计之父Alan Cooper最早提出persona的概念：“Personas are a concrete representation of target users.”Persona 是真实用户的虚拟代表,是建立在一系列真实数据(Marketing data,Usability data)之上的目标用户模型。

通过用户调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,就形成了一个人物原型(personas)。

一、用户画像有什么用

在实际的可行性运营中，没有多少产品会把目标用户设置成所有人。大多产品都是聚焦在某类特定的服务对象，用户画像就是将目标的那群人清晰化的过程。用户画像对于营销策略，产品跟服务的提升，还是渠道投放的优化，都非常重要。

淘宝通过机器人学习去优化用户浏览页面中商品的展现，越来越多的新闻客户端通过算法为用户推送个性化的内容.....基于用户画像而做的优化还是蛮多的，不管产品、运营还是营销层面。

优化用户体验

不仅对用户浏览体验优化，还包括产品消费过程的优化。

实现精准化营销

显现用户的喜好跟需求属性，在跟用户点对点交互中，精准的匹配个性化的业务内容。

关联数据挖掘

结合过去的画像数据及未来画像数据的变化，对用户做数据关联的挖掘。

不管是通过市场抽样调研的方式，还是基于用户数据追踪跟沉淀的方式，重要的是对获知的信息跟数据经过清洗、汇总、整合跟统计，描绘出用户群与转化最密切关联的“样子”。把用户画像做好了，可以减轻团队成员中主观因素对产品、营销策略的影响，设计出更贴近用户选择，心中所想要的产品。

二、用户画像的几种场景数据

1、网站内容

网站页面分析

访问量、点击率、热点图、人均流量页面、停留时间、关联跳转等

用户体验

跳转率、关联标签点击情况、页面转化、用户流失率等app刷榜

2、流量情况

渠道效果

来路、点击访问量、人均访问页面、停留时间、转化率、跳转率等

3、电商交易

页面流量

点击量、人均浏览页数、跳失率、转化率等

用户销售转化

收藏率、加入购物车比例、提交订单比例、支付订单比例、客单价、复购率等

4、APP使用

流量分析

7日/15日/30日访客活跃度、1日/7日/15日/30日留存率、注册率、新增登录等

用户情况

活跃时段、地域、版本、终端、启动次数、访问时长、活跃度等

三、用户画像的操作过程

作为一个非技术型的运营，对用户画像会偏向通过数据简单整合、与用户多维度沟通过程中实现。这跟很多专业的产品经理会有很大的差距，不过小圆也在不断学习跟实践中，这文章更多的是小圆对于用户画像学习跟复盘经历的过程。小圆所理解的用户画像过程并不会很复杂，简单的概括起来会有3个重要的过程。

1、用户维度筛选

用户画像需要建立在真实有效的数据上，在做用户画像的过程中要对数据做筛选整合，首先并不是所有数据信息都有用，其次，数据还会有主次重要跟非重要的区别。每一个公司的不同阶段，构成用户画像的数据维度会不一样。

用户画像维度的筛选是为了指引营销、产品或者运营指标，不同职能人员对不同用户画像维度的看重程度不一样。以电商平台为例，客服销售关注的是用户的购物情况，产品运营关注的是页面的用户体验变化，渠道推广关注的是用户在流量上的表现。

有人会认为维度越多越好，这样用户画像的结果就会更全面。但是小圆并不是这么认为，用户画像是一个动态的过程，强行的去追求更全的维度，有时候反而会耽误了营销决策的时间。例如，有一些公司在做用户调研时总是觉得数据量不够，然后花非常多的时间去做数据的汇集，到最后做营销决策的时候，反而因为数据收集时间太长，很多维度因为时间拖延而失去了时效性价值。

为了不出现这种情况，把用户的数据维度分成：静态维度、动态维度，然后归类维度属性，接下来就开始进入到数据信息收集的过程了。APP刷评论

2、数据信息收集

收集数据的方式方法，会决定数据是不是有效的。线上运营比较常用的方法就是对用户进行“监控、跟踪”，一般是PC端cookie，还有移动端的IMEI、IDFA。而初始化阶段比较常用的方法是用户访谈。

当然，也有数据跟踪，用户调研两者结合的方式收集用户数据信息，例如电商运营，除了跟踪用户购物下单等数据之外，还可以筛选出特定的用户做访谈调研，例如：横比产品的选择偏好，对于产品消费过程中的反馈等等。

3、数据建模分析

数据是零散的，或者是表面的，用户画像要对收集到的数据做整理，比较常用的是通过数据建模的方式做归类创建。小圆接触过的大多是比较初级的用户画像，通过excel工具就可以基本完成整合。而对于技术工具层面的数据建模。

在数据量不大，用户画像比较初级的情况下，通过筛选、归类、整合的过程对用户做属性归类，然后确定用户画像，这种方式可能有一定不到位的地方，但是在产品还没有推出或者数据量不大的情况下，运营还未进入深度精细化阶段，对用户画像的初级处理，也能避免很多决策过于主观化。

在数量比较多，用户画像精细化的情况下，就需要通过一些用户画像的工具做数据的整理了，通过对数据进行规整处理，然后做例如聚类，回归，关联，各种分类器等算法做处理。关联性分析和RFM模型都是用户画像中数据建模分析常用的方式。小圆对于这块的内容，还在学习探索阶段，在这里就不展开讨论了。

关于用户画像的几个实操经历

其实很多公司对用户画像的重视程度并没有想象中那么高，一方面很多公司太急躁，没有耐心经过那么长流程的用户画像去做没有直接刺激大量销售转化的优化，营销也没有时间去等待那么长的画像流程，甚至有时候还需要投入费用去做用户画像。另一方面，很多公司忽略了对用户数据的追踪设置，当需要用户画像的时候，要么是数据缺少，要么是数据混乱来源不清。

小圆的相关的APP运营经历中，有开始关注用户画像的，也有对用户画像完全不在意，甚至是没有概念的，小圆希望真实的还原这个过程，给大家，给小圆自己一些启发。

1、初始阶段：产品推出前

① 产品原型确定前，做深度开放式用户访谈很重要

互联网产品推出前，可能会有一些竞品的数据帮助做用户画像，但是可看到的数据所组成的用户画像会有不到位的地方。所以，比较常用的方式是做用户抽样调研。

小圆在团队中主要负责运营版块，产品上线前团队已经有了很多次的讨论，因为团队人员专业跨度大，从运营角度、用市场角度、用产品角度、从内容角度，对于用户的理解都会有所不同，这让目标用户的画像一直模糊不定。

这个阶段用户画像的意义更在于定义产品差异点，清晰产品是面向什么人群，以及整个业务的发展战略。为了相对的让用户画像清楚具象一点，我们从宽泛确定下来的目标人群中，基于不同属性(从业时间、专业方向、地区等)筛选了一共50+个用户做了深度的沟通。沟通汇总出来的答复去做了几个核心维度的整合筛选，最终慢慢清晰下来产品能够解决用户哪方面的需求，各个阶段核心的重点策略方向。

在团队中，每一个职能的人对于用户的理解，都会有一定主观专业因素在里面，谁也说不准到底谁说的是对的。所以，去深度的做一些用户访谈调研非常必要，特别是在产品原型确定阶段。而对于用户调研访谈，这个阶段要避免做封闭式的沟通，善用开放式的沟通方式，得到更全面更多的信息，有利于后期的数据筛选跟整合。

② 定性用户画像对于新品营销策略的帮助

那时候我们准备推出一个面膜新品，我们希望从产品中增加差异化的亮点(专利、使用方法、成分等都做了考虑)。团队经历了比较激烈的讨论，很多点子还是不错的。这种脑暴前置的方式还是蛮有帮助的，这时候大家还不需要太多用户画像的限制。

营销的策略一直没有最终选定的方案，这时候我们就想，要不做一次跟这个新品关联度比较密切的用户画像吧。首先，我们对数据的维度做了筛选，聚焦在“面膜的复购频次、面膜的客单价、面膜的关联销售产品”等。接着我们筛选了大概500个用户做问卷调查推送，精选一部分用户做深度的电话访谈。

基于收集到的信息接下来所做的分析比较简单，主要通过图表，还有属性内容归类的方式，把用户跟这次新品营销关联最密切的维度情况做了分析，了解到是否功效型的面膜跟用户复购频次的关联，也了解到基于用户使用面膜会很在意拆开时的感受，不同类型的面膜的复购情况等等。

这次用户画像除了筛选出新品意向用户之外，其实对于团队在脑暴时一些不成熟的想法也作了很好的修正，例如成分的投入，使用流程的设计。最终新品面膜推出的时候，很多营销的动作落地都特别踏实，销售量就不延伸了，因为这个当时还涉及到一些比较复杂的情况。

2、增长阶段：实现产品的精准营销

用户画像缺失，对于营销会有什么影响?

小圆曾经负责过一段时间投放的工作，通过投放引流到微信再做进一步的营销转化。那时候用户数据量还是蛮大的(好友数、购物情况等数据)，但是从运营角度回顾这段经历，用户画像是缺失的。

一方面可能跟销售的产品比较敏感有关，基于产品用户的投诉率比较高，深度去维护用户的价值相对不会太明显，另一方面产品品类单一，SKU非常少，用户画像延伸的更多需求匹配表现不够充分。那时候对于用户的理解，更多的是依赖销售人员或者推广人员感性主观的认知。

缺失用户画像，销售人员做的就是同样的促销活动、营销话术，通过微信群发的方式推送给不同的用户。每一次推送，对于关注的用户都是一次伤害，那时候会有账号被举报，也有用户不断流失，复购转化后劲不足。

其实，很多用户服务做得一般的电商公司会这么对待用户。统一的邮件，通发的短信，不顾用户喜好的客服电话回访。而对于电商公司来说，用户画像非常重要，筛选出深度维护用户，沉睡用户......根据不同的用户匹配不同的沟通方式，例如活跃用户可以选择高频互动的方式，对于沉睡的用户可以定制特权活动，个性化的激活不同画像下的用户群。

还有很多用户体验不太友好的公司，只是简单的划分用户为新用户，老用户，不活跃用户。然后针对新老用户做同样的营销活动，另外客服还会对不厌其烦的跟老用户做电话回访，邮件推送，短信发送等等，这些真的是用户想要的吗?

3、突破阶段：用户画像对设计用户体系的引导

用户画像可以避免很多“自以为是”的运营动作

小圆在负责论坛运营时，在第一次去调整会员等级、积分体系、勋章系统时，这段经历可以说是一个挑战。现在回过头去看，那时候自己对于用户画像的操作有太多生涩的地方，但是那是小圆第一次意识到用户画像对于运营的意义，真的可以排掉很多“运营的雷区”。

会员等级、积分、勋章如果设计的合理，是可以产生拉动论坛渡过各个瓶颈期的力量的。那时Discuz后台有比较初始的设计算法，但是当时用户的数量开始不断增多，产生的行为动作也越来越复杂，简单的引导已经满足不了了。为了让这个比较大的调整不至于对用户的影响太大，同时对论坛的发展也是有帮助的，加上当时在简单的流量数据中很难做出相对合理的规则设置。所以，小圆对论坛的用户做了一次比较深入的分析(可以理解为是一次用户画像的过程)。

基于数据，主要对用户的活跃情况(发帖量、回帖量、登录频次等)，用户的等级变化时间(各个级别升级的平均时间、级别的分布等)，还有用户的标签情况(地区、年龄、职业等)都做了数据的抽选跟规整。另外，还抽选了大概几十位用户做深度的交流，了解等级对于用户的影响，在升级或者融入论坛的过程中有什么困惑或意见。

这次用户画像涉及到的数据量以及维度都会相对比较多，小圆记得那时候自己还处理了很长一段时间，然后具象出可以刺激推动快速升级的用户是哪些，已经沉睡的用户都是集中在哪个级别，新用户的升级积分走势等等，基于这些情况，整理出相应的等级设置，包括某些等级做了合并，某类等级做了切分，另外积分的数量所匹配的行为也做了调整，还有确定了勋章的表现跟刺激点。

用户画像可以让很多运营的动作有依有据，不再仅仅是主观上的决策。

用户画像是需要持续学习优化

对于用户画像，有人会非常专业的运用工具去实现，当然也会有粗暴的整合方式。小圆也在不断学习的阶段，从业务的全局去筛选出各个阶段用户画像的输出内容，引导做出适合的营销、运营以及产品策略，最优的配置每一类用户(不仅仅是单个用户)的资源投入，尽量大的输出用户群的价值，或者这就是用户画像应该要有的思维方式吧。