前面几篇文章中作者梳理了对比分析法、多维度拆解法、漏斗观察法、分布分析法和用户留存分析法，本篇文章继续聊聊第6种数据分析方法：用户画像分析法。

作为一枚产品汪，用户画像这个词你一定不陌生，那用户画像到底是什么呢？我们又该如何结合业务场景创建可用的用户画像呢？用户画像有什么作用呢？

大家可以先思考一下上面三个问题~

首先，我们来聊聊什么是用户画像。

一、什么是用户画像？

用户画像是通过对用户各类特征进行标识，通过标识给用户贴上各类标签，再通过标签把用户分为不同的群体，以便对不同的群体分别进行产品/运营运作。

二、标签都有哪些？

这里呢我们把标签分为四大类：

第一类：基础属性

像年龄、性别、生日、星座、教育、身高、收入、职业等。

第二类：社会关系

婚姻、有无女孩、有无男孩、家里是否有老人、性取向等。

第三类：行为特征

行为特征又分为两块儿：

基本行为：注册时间、来源渠道、最近一次活跃的时间、最近一次支付的时间。业务行为：是否买过特惠商品、是否曾获优秀学员，这些标识都会对产品的后期运营有所帮助。

第四类：业务相关

这一类跟其他类不太一样，就像第三类中的业务行为，它是通过业务行为产生出来的特征，而业务相关呢，它是积累了其他的业务不会去记录的一些数据，比如运动健身类的产品。

它会涉及到：胖瘦高矮、体脂率、BMI、在练胸或者练臀、日均10000步、收藏了多少份健身计划等等。

三、标签从哪儿来？第一：直接填写

通过产品的一些特殊的步骤，让用户直接填写，比如注册页面，下图是某陌生人社交产品，通过用户注册让用户去填写年龄和性别。

还有一些偏内容性的产品，可以通过让用户选择他感兴趣的话题，如下图：

还有一些是运用借地打地的手段，比如一些电商、外卖类的产品和地图类的产品，首先是让用户填写地址，其次是让用户选择标签，表面上是提供一个工具，事实上让用户帮助产品获取结构化的工具，让系统知道，用户作为一个个体，他的家、公司、学校在什么地方。

还有一些像装修类的产品，看上去是一个便捷的功能，平台方通过这个功能可以收集到大量跟业务相关的详情信息。

随着用户的自我保护意识越来越强，而且呢用户又非常的懒，莫名其妙填一些信息用户也比较反感。那就有了第二种获取标签的途径。

第二：通过用户自己的已有特征推导

当然，这种方式的成本比较高，没有让用户直接填写来的简单方便，一般的产品不会经常去这样做，它适用的场景有以下几种：

（1）做活动时

相信大家都有做活动的经验，我们在做活动时会筛选一批用户出来做定向推广，比如说年龄、地区、新老用户。

举个栗子：你是某电商平台的产品经理，现在要做一个推广活动，面向的用户群体为在消费能力强的上海女性。现在需要向这个群体的用户去宣传这个活动，那怎么做？

首先，区分出来性别，即男、女。

用户如果没有填写性别，我们可以从他买过的东西去推，比如说买过女士衣服+化妆品。

其次，推算出在上海的用户。

假设大部分人买东西是给自己买，收货地址是上海市的，我们可以推算出此用户是上海市的。

最后，验证消费能力是否强。

消费能力如果从她历史消费的总金额推算，感觉有点不合理，但它也能验证一部分，我们可以再加一些条件，比如购买过进口的小商品，比如牙膏，一般消费能力不强的用户，很少会花将近百元去买一支进口的牙膏。

上面是通过用户的业务特征做的推断。

但是，不是所有的用户都发生过以上的行为，通过以上业务行为筛选之后，可以给部分用户打上标签，还有一部分用户她没有标签，所以，我们再做进一步的推导。

性别：除了通过从购买的商品推导以后，还可以通过她使用的是手机是否为美图手机；地区：可以用常用IP进行推导；消费能力：可以用使用的手机为最新款且价格在5000元以上的用户。

当然，这里面肯定会有误判，但是，就算是有误判我们也认了，因为很难做到百分百精准。

（2）简单的个性化运营

比如说首页的某个推广模块，面对不同的用户群体推广不同的内容。

（3）业务分析

在做业务分析时，需要把用户拆分成不同的群体，看在业务中的表现情况，比如是否领取七天/15天的会员卡。

（4）用户研究

如果有用户标签的基础，做用户研究的童鞋的研究效果会更加的精准。

如果通过前面两种方式已经把80%的用户打标签了，还剩下的20%怎么办？这里我们就会运用到第三种推导方式：

第三：通过用户身边的人推断

首先，通过距离：基于某些属性，周围的人都具备，用户大概率也具备。

其次，是通过行为：通过协同过滤，找到行为相似的目标用户。

比如说，刚才我们通过买过女士衣服和化妆品的用户打上了女性的标签，但是这种方式有局限性，可能有些用户本身就不在你的平台上买衣服和化妆品，这里我们可以通过这种用户的其他行为，比如说买了卫生巾或者其他的女性用品，然后通过她购买的商品，再找到跟她购买过相似商品的用户打上女性用户的标签。

说在最后：

第三种的精确度是最低的，但是在一些场景中，不需要精确度那么高，当然，我们也可以通过此类用户的后期行为，迭代这些标签。至少我们通过这三种方式把所有的用户都分了群。

好啦，用户画像分析法到这里就完结啦。

那最后通过一张架构图来总结一下：

下篇预告：数据分析（6）：归因查找法，欢迎继续关注~

#推荐阅读#

数据分析方法（1）-对比分析法

数据分析方法（2）-多维度拆解法

数据异常如何分析？

数据分析方法（3） -漏斗观察法

数据分析方法（4） 分布分析法& 用户留存分析法

以「哔哩哔哩」为例，教你三步建立需求池

两个方面，带你画一份完美的业务流程图

本文作者：菜菜，公众号：菜菜唠产品（caicailaochanpin)，欢迎关注~

本文由 @菜菜 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。