我們經常在淘寶網購物，作為淘寶方，他們想知道用戶是什么樣的，年齡、性別、城市、收入、購物品牌偏好、購物類型、平時的活躍程度等，這樣的一個用戶描述就是用戶畫像分析。

在實際工作中，用戶畫像分析是一個重要的數據分析手段，幫助產品策劃人員對產品功能進行迭代，幫助產品運營人員做用戶增長。

作為產品策劃人員，需要策劃一個好的功能，獲得用戶最大的可見價值與隱形價值、必須價值與增值價值，那么了解用戶并做用戶畫像分析，是數據分析師幫助產品策劃做更好的產品設計重要的一個環節。

作為產品運營人員，比如針對用戶的拉新、挽留、付費、裂變等的運營，用戶畫像分析可以幫助產品運營人員去找到他們的潛在用戶，從而用各種運營手段去觸達。因為，當我們知道群體特征時，也基本可以判定潛在用戶也是類似的一群人，這樣才可以精準地尋找新用戶，提高ROI。

總的來說，用戶畫像分析就是基于大量的數據，建立用戶的屬性標簽體系，同時利用這種屬性標簽體系去描述用戶。

01用戶畫像分析的作用

用戶畫像分析的作用主要有以下幾個方面（見圖1）。

圖1

1、廣告投放

在做用戶增長時，我們需要在一些外部渠道投放廣告，吸引可能的潛在用戶，比如，B站在抖音上投放廣告。

我們在選擇平臺進行投放時，有了用戶畫像分析，就可以精準地進行廣告投放，比如，抖音中主要的用戶年齡為是18～24歲，那么廣告投放時就可以針對這部分用戶群體，提高投放的ROI（見圖2）。假如我們沒有進行用戶畫像分析，那么可能會出現投了很多次廣告，結果沒有人點擊的情況。

圖2

2、精準營銷

假如某個電商平臺需要做一個活動，給不同層次的用戶發放不同的券，就需要利用用戶畫像分析對用戶進行劃分，比如，劃分成不同付費次數的用戶，然后根據不同付費次數發放不同的優惠券。給付費次數在1～10次的用戶發放10元優惠券，依此類推（見圖3）。

圖3

3、個性化推薦

個性化推薦即精確的內容分發，比如，我們在音樂類APP中會看到每日推薦，這是因為運營人員在做點擊率預估模型（預測給你推薦的歌曲會不會被點擊）時，會考慮用戶畫像屬性，這樣才有可能推薦用戶喜歡的類型。比如，根據你是“90后”，喜歡傷感的音樂，喜歡周杰倫這些屬性，推薦類似的歌曲給你，這就是基于用戶畫像推薦。

4、風控檢測

風控檢測主要是金融或者銀行業涉及得比較多，常見的問題是銀行怎么決定是否放貸給申請人。普遍的解決方法是搭建一個風控預測模型，預測申請人是否有可能不還貸款。模型的背后就有用戶畫像分析的功勞。用戶的收入水平、教育水平、職業、是否有家庭、是否有房子，以及過去的誠信記錄，這些畫像數據都關系到模型預測是否準確（見圖4）。

圖4

5、產品設計

互聯網的產品價值離不開用戶、需求、場景這三大元素，所以在做產品設計時，要知道用戶到底是怎樣的一群人，他們的具體情況是什么，他們有什么特別需求，這樣才可以設計出對應解決他們需求和痛點的產品功能。

在產品功能迭代時，我們需要分析用戶畫像行為數據，發現用戶的流失情況。典型的場景是用漏斗模型分析轉化情況，就是基于用戶的行為數據發現流失嚴重的頁面，從而優化對應的頁面。

比如，我們發現從下載到點擊付款的轉化率特別低，這可能是付款按鈕做得有問題，可以有針對性地優化按鈕的位置等。

同時，還可以分析這部分轉化率主要是在哪部分用戶群體中低，假如發現高齡用戶的轉化率要比中青年的轉化率低很多，則有可能是因為字體的設置及按鈕位置不顯眼等，或者操作不方便。

6、數據分析

在進行描述性數據分析時，經常需要用戶畫像的數據，比如，描述抖音中某美食類博主的用戶群體特征，可以關注他們觀看其他抖音視頻的情況，關注其他博主的情況等（見圖5）。

圖5

簡單來說，用戶畫像分析可以幫助數據分析師更加清晰地刻畫用戶。

02如何搭建用戶畫像

用戶畫像架構如圖6所示。

圖6

1、數據層

進行用戶畫像分析的基礎是獲取完整的數據，互聯網數據主要是利用打點，也就是通常所說的數據埋點上報的。整個過程是數據分析師根據業務需要提交數據上報的需求，然后由開發人員埋點，獲得數據（見圖7）。

圖7

除了上報的數據，還有從數據庫中同步的數據，一般會存到Hive表中，按照數據倉庫的規范，根據主題來放置。其他數據，比如調研的數據，以Excel格式存在，就需要把Excel 數據導入Hive 表中。

2、挖掘層

有了基礎數據以后，就進入挖掘層，挖掘層主要做兩件事情，一個是數據倉庫的構建，另一個是標簽的預測，前者是后者的基礎。

一般來說，我們會根據數據層的數據表，對這些數據表的數據進行清洗、匯總，然后按照數據倉庫的分層思想，比如按照數據原始層、數據清洗層、數據匯總層、數據應用層等進行表的設計（見圖8）。

圖8

數據原始層中的數據就是上報的數據，沒有經過數據清洗處理，是最外層的用戶明細數據。

數據清洗層主要是數據原始層的數據經過簡單清洗之后的數據，已去除“臟”數據等明顯異常的數據。

數據匯總層的數據主要是根據數據分析的需求，針對想要的業務指標（比如，用戶一天的聽歌時長、歌曲數、歌手數等），按照用戶的維度，把用戶行為進行聚合，得到用戶的輕量指標的聚合表。

數據匯總層的作用主要是可以快速匯總數據，比如，一天的聽歌總數、聽歌總時長、聽歌時長高于1小時的用戶數、收藏歌曲數多于100的用戶數等的計算。

數據應用層主要面向業務方的需求進行加工，可能是在數據匯總的基礎上加工成對應報表的指標需求，比如，每天聽歌的人數、次數、時長；搜索的人數、次數、歌曲數等。

按照規范的數據倉庫把表格設計完成后，就可以得到一部分用戶的年齡、性別、地域的基礎屬性數據，以及用戶瀏覽、付費、活躍等行為數據。

有些用戶的數據無法獲取，以QQ音樂為例，我們一般無法獲取用戶的聽歌偏好屬性的數據，需要通過機器學習模型對用戶的偏好進行預測（見圖9）。機器學習的模型預測都是基于數據倉庫的數據，完整的數據倉庫數據是模型特征構建的基礎。

圖9

3、服務層

有了數據層和挖掘層以后，用戶畫像體系基本形成，那么就到了用戶畫像賦能的階段。最基礎的應用就是利用用戶畫像寬表的數據，對用戶行為進行洞察歸因，挖掘行為和屬性特征的規律。

另外，比較大型的應用就是搭建用戶畫像平臺，其本質是用戶畫像表的集成。

用戶提取：我們可以利用用戶畫像平臺，快速提取用戶數據，比如，提取18～24歲的女性群體，且聽過周杰倫歌曲的用戶。

分群對比：可以利用用戶畫像平臺進行分群對比。比如，比較音樂類APP中VIP用戶和非VIP用戶在行為活躍和年齡、性別、地域、注冊時間、聽歌偏好上的差異。

功能畫像分析：可以利用用戶畫像平臺快速進行某個功能的用戶畫像描述分析，比如，音樂類APP中的每日推薦功能，我們想要知道使用每日推薦的用戶是哪些用戶群體，以及使用每日推薦不同時長的用戶特征分別是怎樣的。