比你更了解你，浅谈用户画像
今天，我和大家分享的主题是《比你更了解你，浅谈用户画像》。其实，前面几位老师已经结合自己所在的行业和企业内部的一些用户画像和标签的应用，给大家深入地去聊了一下具体的实现，以及在各个行业里的应用。
到了我这块呢？我觉得会是一个从深到浅，回过来，从一个高层次的角度去重新了解一下画像。也是借这个机会，和大家分享一下，明略科技对于画像的认识，关于到底怎么去理解画像？为什么需要它？以及在这个建设过程中我们的一些方法论，等等。
01 什么是用户画像？
首先，我们看一下用户画像的定义，什么是画像？
我们现在看到的是百度百科上面的用户画像的定义。用户画像又称为用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。
英文来讲的话，就叫User Profile，或者User Personas。其实更深入更专业的来说，User Profile和User Personas是有一些区别的，但是因为我们今天要浅谈用户画像，深入的内容就不去了解，就把它都当做是用户画像。
回过头来，我们看上面百度百科的用户画像的定义。其中，我把两个部分标红了，是我认为的重点。
第一个是“勾画目标客户”，它表达了用户画像的本质，也就是我们对目标客户的一种勾画，一种描绘。在这里的勾画描绘，肯定不是指我们平时在马路上看到的，马路边儿上给你快速地画一幅肖象画儿。肯定是要比这种肖像画要丰富地多。
我们的用户画像多在什么地方呢？其实就是标红的第二个部分，就是属性、行为。其实画像是对我们的更多的属性、行为的勾画。
换一种视角再重新看画像的定义，我们来到一个更技术化的定义。
它是说用户画像可以更简单地理解成是海量数据的标签，根据用户的目标、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，形成了一个人物原型（personas）。
这里用到的是一个叫personas。在这个定义中，引出了一个非常重要的概念——标签。就是刚刚一直在谈论的画像、标签，默认地把这两个关键词都带出来了。
如果对一些之前没有理解过的同学来说，可能不太了解为什么说着画像，突然扯到标签来了。其实在这个定义里面，之所以摘选这个定义，就是要给出来标签在画像中的一些作用，或者和画像之间的关系。
我们之所以要有标签，其实帮助我们将用户的一些属性可以理解为，标签对用户各种数据的一种提炼总结。可能就是用一个词或者是用一个短语，来表达用户在某个方面的一项特征。
我们的用户呢？刚才提到的属性、行为，其实是有各种各样的特征，那么我们也就需要有海量的标签来去完整地描述我们的用户。
用标签来描述用户的一个好处，它可以用一种可视化的方式，把用户的特征表示出来，让我们更加便捷、更加清晰地来了解我们的用户，这个也是我们用户画像的一个意义所在。
所以说呢，用户画像就是把我们用户相关联的数据去进行可视化的展现。一句话总结一下用户画像的特点，就是把用户的信息去做一个标签化。
到现在为止，花了两页的PPT来对用户画像进行多种的定义。其实更多的是一种概念上的东西，大概是不够直观。下面举几个例子来实际地看一下。
首先举这个例子，我们看到的是一个非常形象的画像，完全是字面意义上的画像。
中间我们可以看到是一个人物的画像，它其实是用各种标签来构成的，通过各种标签来构成这样一个画像。这些标签比如我们看到像文静、可爱、善解人意、活泼等等，它都是对我们的用户的某些属性的一个描述。
在这张图上，我们也可以非常直观地发现，这些标签被分成了几个类型，有基本属性类、有消费购物类、还有社交类。其实还会有更多更多的分类，这里面就没有一一地去列举。
之所以我们会去对标签分类，一个是便于对标签的管理，另外一个重要的原因呢，就是说我们在不同的场景中，这些标签可以帮助我们去实现不同的目标。场景和目标也是非常重要的，后面我们会再提到。
具体到这张图上来看，比如说我们的基本属性类，右边蓝色图表，像年龄、性别、所在的区域，其实都是一些比较通用类的信息。可能在我们的多个场景中，都会去用到它们，通常会再去配合一些其他的标签进行使用。
像消费购物的标签，就是左上角黄色图表，可能在电商场景中会用的比较多，我们可以看到拟合的这个用户，她在消费方面的一些偏好，比如第一个标签叫消费偏好领域——服帽，可能她相对来说，购买服装类的物品会比较多。我们进行一些推荐或者促销的时候，肯定会挑一些服装、鞋帽等等这些品类推送给她。
但如果我们不考虑这些内容，天天去跟她推荐一些3C电子类的产品，告诉她，USB接口的数据线，它是5安的，支持快充怎么怎么样的好。她也可能会慢慢地不感兴趣，也就起不到促进购买的作用了。
再有呢，就是说，比如偏好价格区间。虽然我们偶尔也会去购买一些非常需要的东西，不太在乎价格。但大多数的购买，其实还是会在一个范畴区间内，这个区间可能问你的话，你可能不会直接的把它量化出来，多少钱是我的一个上限，多少钱是我的一个下限。你自己可能都没有办法去把明确的区间画出来。
但是，通过用户画像可以帮助你去把它框定在一个范围之内。其实也说就是画像比自己更了解自己。通过对于偏好价格之间的标签化，我们就可以在后面进行推荐和促销的时候，针对这个范围进行，这样的话效果也会更加的显著。
最后我们来看网络社交类的标签。它其实都是和社交网络相关的，这里举的几个例子，都是和微博相关的，左下角紫色的部分，比如粉丝数、关注数、互动数等等。在我们去进行一些社交语境分析的时候，其实这些网络社交的一些标签，对我们分析都是非常有帮助的。
刚刚上一页，我们是结合一个画像的实例，列举了用户画像在营销、预测、分析等等场景中的运用。其实，还有一个非常早就开始应用画像来处理日常业务的领域，那就是金融领域。
在金融领域里，最常见的一个场景应该就是信用评分的画像。在我们的这个例子中，可以看到它的这些标签，都是和个人信用相关。
这些跟个人信用相关的都包括什么呢？比如你在我这个平台注册的一个年限，你是不是中间有修改过注册信息，你是不是在其他的平台有过逾期的行为，还是说你一向都是表现良好。
也包括一些你的个人信息，比如说你的婚姻状况、有没有小孩儿。再有，就是在社交媒体的一些表现，比如说你的粉丝数，在社交媒体上的一个活跃度，等等。
这一系列的信息，都可以综合起来去帮助我们判定用户的信用评分以及信用等级，来辅助我们的业务部门去做出决策，而这也提出了一个非常重要的概念，就是辅助决策，后面我们就会提到这一点。
我们除了可以对单个用户进行画像之外，也可以对群体进行画像。比如说在我们这个例子里面，看到的就是微博上某个特定人，他的粉丝情况的分析。
在我们第一阶段的时候说过，画像是一种可视化的展现，但是展现的形式不是单一的。在我们这个例子里，和对单一用户画像非常的不一样。
刚刚的例子是对于单一用户的画像，其实我们更多的是把每一个属性进行一个分类和排列，来帮助我们去了解某一个单独对象的信息，比如说性别是什么、年龄多大、来自哪里等等。
针对群体的画像，在展示上更多的是将单一标签类型汇聚在一起，然后去展示统一信息。
比如说性别，每个单元各占多少比例；比如说我们右下角的一个地区，每个省份它所占的比例；或者说每个省份的热度是多少。相当于是以省份为类别，去统计它所占的比例。
还比如说我们去处理一些连续的值，或者说是比较多的数值时，我们也可以进行分段，比如右上角的年龄，可能会针对一些比较典型的年龄段去进行一个划分，这个具体怎么去划分呢，是和业务相关。
02 为什么要做用户画像？
前面所讲的内容，是对于画像进行了理论上的定义和直观上的认识。
我们知道画像后，为什么要去构建画像？构建出来有什么用呢？下面和大家分享一下我的看法。
首先，我们从理论上去分析一下，具体分为业务和技术两个方面。业务层面上，我们通过用户画像可以构建一个具象的认知，构建战略和战术的方向。同时，也可以去探索用户的足迹，形成以用户为导向的方向。
具体是什么意思呢？就是构建具体认知，构建战略、战术方向。其实就是说，我们为了在这个层面跟核心用户，达成一个统一和具象的认识。达成了认识之后，我们才方便在后续的投入上面能有的放矢，至少我们知道应该向哪个方向投入。
当我们在为用户去设计产品的时候，我们必须要清楚的知道用户长什么样子，他有什么行为的特征，有什么样的属性特征。这样我们才能以用户为导向。所以，我们根据用户画像的信息去做产品设计，这样才是为我们公司提出战略和战术层面的指导。
探索用户的足迹形成用户的导向，其实是说在我们详细的了解了真实用户，他是如何和产品的相关内容进行互动后，我们才能进一步的深化产品。当我们对用户进行画像的时候，我们一定要从业务场景出发，带业务场景目标，去解决实际的一个业务问题。
比如，我们要去进行画像，要么就是去获取新用户，要么就是去提升用户体验，再或者可能就是去挽回一个流失用户。总之，我一定是有一个非常明确的目标。这些是从业务上去构建用户画像一些必要性而做出的努力。
从技术层面上来讲，我们通过用户画像的构建，可以帮助去构建底层的数据基础，来服务上层的应用。同时，也是在某些层面上方便信息的处理。
为什么呢？用户画像除了可以做直观的展示之外，更多的是服务一些上层的应用。其实刚刚几位老师也提到过，比如在推荐系统里，用户画像是可以做推荐系统非常重要的一环而存在，它对推荐的效果有较大的提升。
另外，像刚刚提到的在金融里面的应用，用户画像也可以应用在风控的应用里，做一些规则特征来存在，来量化系统等级。
所谓方便信息的处理，其实是说我们标签之后，计算机就可以方便地来处理一些量化的需求。
比如去做一些分类统计，某个视频网站上最近比较火的脱口秀，希望知道看脱口秀大会的用户到底有多少，男女比例是多少；或者可以去做数据挖掘，喜欢买榴莲的用户，通常他们喜欢的是什么服装品牌；或者经常买咖啡、又买大蒜的用户，他们的年龄分布是什么样子。等等。可以帮我们去做一些量化分析。
总之，用户画像可以完美地抽象出一个用户的信息全貌，这是企业应用大数据的根基。
用户画像可以帮助企业，为用户提供个性化的产品和服务。我们也总是在说千人千面，每个给客户提供服务的企业，最终的目的都是，当用户打开产品、打开APP或者网站时，他看到的内容和得到的体验，都是针对他来设计的，或者说符合他的调性。只有这样，他的体验才会有一个真正的提升。
下面给大家举个例子，结合明略的用户画像和营销自动化的场景，举一个画像支撑业务的非常浅显的例子。
当我们想要举行一场营销活动的时候，可能不会面向所有的用户群体，就是针对某一类具有一定特征的用户来进行。
首先，我们就会用到用户画像，根据我们对于用户的画像，或者根据用户构建的标签，去进行人群的圈选。
根据业务上的条件，去确定用户群体，我们就可以在群体里面通过条件把它圈选出来。比如这个例子里面，就是通过一个消费行为的标签，把360天内都没有购买过的用户圈出来。
当真正去做营销活动的时候，我就可以在营销自动化产品里面，在规划和实施营销活动的时候，将刚刚筛选出来的用户群体作为标准群，就是我画红圈的部分。我们就可以轻松地实现定向的营销。
总体来讲，画像作为一个整体，它到底有什么作用？刚刚提到画像、标签，它其中有几个联系。下面具体来谈一谈标签，标签到底有什么样的作用？为什么会有这么大的重要性？
标签可以将数据及其含有的信息转化成带有明确的可决策行为的指导。“人”参与决策越多的地方，越需要将数据/信息进行标签化，以提升人对数据的理解和处理效率，实现人机协同。
这个总结出来的具体是什么含义呢？我们可以来详细地交流一下。
我们来观察一下这些所谓的数据产品，比如营销领域的DNT、CPP，或者大家不太熟悉的话，我们可以举一些通用的例子，比如BI等等，这些数据产品的特征，就是怎么样用数据让人们去产生快速地理解。
举一个具体的例子，当前的疫情的环境下，可能有一个大家经常会遇到的标签，我们在测体温的时候，如果超过37度，可能就是发烧了，就需要去看医生，我们可能就会被带走隔离，这个点就是一个重要的标签，就是一个发烧点。
再比如开车的时候，如果时速超过120码，我的导航上的显示就变成红色了，这个也是一个非常重要的标签，它就会告诉我，说我超速了。
所以，我们在日常生活中，总是遇到一些特别底层的标签，比如说到某个标签，我就能知道去怎么做，或者下一步该怎么走。比如我看到超速了，就知道该把速度降下来了。
再从另一个角度来看一下，为什么需要去做标签？比如说我们现在的各种新闻类或者短视频类的APP，他们的背后都有一个非常好的推荐，这些推荐可能不需要标签。比如它知道你喜欢这个东西，它就推给你看，然后你去看，它可能再给你推荐另外一个，可能你又看了。
当所有的这些数据由机器去处理的时候，它可能不需要理解是什么，因为它有大量的用户的反馈数据去帮它做决策，它就可以不断地去刷新、去训练模型。
但是如果某些场景中是需要人参与做决策，也就是说人参与决策的地方越多，我们就越需要将数据进行标签化。为什么呢？因为人处理信息就没有办法像机器通过大量的预算，毕竟人处理的信息是有限的。
所以，为了快速地让人对数据进行理解，可以去提升处理效率，最终实现人机协同。我们用标签的目的，就是为了把大量的数据验算完的结果，通过信息的标签化，变成快速去理解，快速去做决策的一个形式。
就像我们刚刚提到的，在数据产品里，如果可以把数据变成一个明确的标签，提醒用户你现在需要降速了，或者提醒用户你发烧了，该去看医生了。这就是一个非常好的标签，因为它已经加速了我们处理的速度，直接帮忙我们去做决策。
下面举一个例子，我们进一步来看一下标签的作用。
这个标签的作用也和后面要讲到的标签的流程相关。在这个地方，它分成了四个步骤，我们来看一下，它是怎么通过这几个步骤，一步一步地转化成标签，最终指导我们去做决策。
第一个步骤，就是最左边的一列叫做数据在线，数据在线指的是什么呢？就是我要通过数字化的转型，将我们的业务流程在线化，在业务流程中产生的数据，它就自然到线上，具备了让人不去处理的条件。
比如，以前我们在超市里面买东西，很难去统计每个用户买的什么东西，这样的话，你后续的分析也就很难进行。现在呢？很多人都在电商上买东西，购物环节的数据就在线了，以后可能随着越来越多的业务流程在线化，我们分析的内容也越来越多。
回到这个例子里，就是我的一个数据在线或者一个采购的过程，通过线上的购物，已经记录到我的系统里。
数据在线之后，我们第二个要做的就是去进行一个数据转成信息的过程。比如，我们现在看到这个用户叫王二妮，这个信息是什么呢？其实这个信息就是，比如说用户转化成信息，转化成什么样的信息呢？这个信息就是说在我的业务场景下，能够解读出来的内容。
我们在这个例子里面看到王二妮，它典型就是一个净化的文字，这个可能并不是一个非常直接的转换。但这也是我们在从数据到信息的过程中，也是要基于我们对于业务场景的理解，我们不仅需要直接地分析数据、转换数据。其实，我们还可以给这些数据附一些新的信息，这个就是我们所谓信息的转换，以及我们的信息的一个争议。
第三步，就要把我们的信息转换成标签了。比如我们可以通过一些规则的设定，当我看到这个信息的时候，我们就可以判断，大概率90%以上这个人就是一个女性，叫王二妮。所以这个时候，我可以给她一个标签，一个应该算是一种性别的标签，比如这个例子里面给了她一个标签，叫做女性。
第四步，就是我怎么样根据这个标签去产生一个决策。在这个标签里面，我就是产生一个决策，在后续和这个用户去沟通的时候，我更可能用一种妈妈性的沟通方式和称呼。为什么会有这个决策呢？就是因为我们发现她购买婴儿奶粉。
在电商的场景中，我们的一个用户购买了一款婴儿奶粉，我们接下来该如何去跟她互动，在做这个决策的过程中，就结合她的性别标签，我们可能会去判断大概率是一个妈妈，就应该使用妈妈性的沟通方式和称呼去和她沟通。
这里会不会有一些错误？那当然会有，比如我买的这个东西是帮别人买的，也可能会有这种情况发生。
不过，我们还会进行更深入地分析，比如我们看到她买过的是三段奶粉，就意味着可能不是一种新生儿奶粉，一般小孩儿到一两岁的年纪，也不会有人再去看他的时候，去送奶粉了，通常刚出生的时候，可能性会比较大。
所以，我们通过结合多种标签，将他们去结合起来，帮助我们去做出决策，就是适合用一种什么样的方式去沟通。
在这个环节中，我们并不要求这个决策100%是正确的，因为在大多数的业务里面，我们只需要它给我们推荐，至少会让我们去尝试一下。
文章评论(0)