本文来自微信公众号 “爱运营”，作者：爱运营，纷传经授权发布。
01
什么是用户画像？
简单来说，用户画像=给用户打标签。标签是高度精炼的特征标识，比如说年龄、性别、地域、兴趣等。
由这些标签集合能抽象出一个用户的信息全貌，每个标签分别描述了该用户的一个维度，各个维度相互联系，共同构成对用户的整体描述。
举例来说，如果你经常在李佳琦直播间购买彩妆，那么根据你的消费记录，电商后台就会给你打上“女性”“价格敏感”“忠实用户”等标签。
同时能根据你所购买物品的价格，判断你的消费能力，甚至能根据你所买物品的适用人群，判断你的年龄区间段。
依靠这些信息，你就会被后台拆分为无数个标签，从而让后台预判你是个什么样的人。
那么目的也就很明显，依靠这些标签信息，对你进行精准营销，给你推荐的商品信息流都是性价比高的女性用品，从而提高你的下单成功率。
02
做这些用户画像有什么用？
在看完上面举的电商例子后，你应该也懂了个五六分，但展开来说，就是因为用户的行为数据无法直接用于数据分析和用户模型构建，我们也无法从用户的行为日志中直接获取有用的信息。
但如果将用户的行为数据标签化，形成用户画像以后，我们对用户就有了一个直观的认识。
同时计算机也能够理解用户，将用户的行为信息用于个性化推荐搜索、广告精准投放和智能营销。
虽然用户画像的作用远不止这些，但大体不离以下几个方面
1.精准营销：通过用户画像，将用户群体分割成更细的粒度，利用短信、邮件做精准营销
2.数据分析：根据用户的属性、行为特征对用户进行分类后，通过数据分析不同用户画像群体的分布特征
3.产品应用：用户标签是很多数据产品的基础，诸如个性化推荐系统，CRM基础搭建等
4.数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度
怎样才能做出一套可落地的用户画像？
不少企业做了用户画像，可能只是实现了一些静态标签，以用户基本属性为主，入门级别就是做些用户问卷调研、电话访谈。
进阶的就是通过一些后台埋点，得出男女比例7:3，华南华北比例4:6这些会被业务方痛骂的痒点数据。
没有真正用在实际业务中，对业务产生价值，最终沦为形式主义。
所以要让用户画像真的能发挥出作用，一套可实际落地的用户画像是必要条件。
03
明确业务方做用户画像的目的
这里先指出大多数人的错误思考顺序：不是因为有了用户画像，从而用画像去提升业务，而是业务有需求，才需要去建立用户画像。
举个例子，内容型社区希望通过上线知识付费模块，将该模式进行商业变现，基于此，我们需要把业务目标和要解决的问题进行梳理，根据要解决的问题去做用户画像。
只有明白了业务方做用户画像的目的，才能在之后选取出更为符合需求的数据标签。
04
对用户数据进行收集
常见的用户数据可分为静态数据和动态数据。由静态数据标签搭建出就是2D用户画像，例如小明，男，25岁，北京。
而动态数据标签+静态数据标签，搭建出来的就是3D用户画像。
例如小明于3.11登入30min，访问了某页面4次后，将商品加入购物车，这些就是属于动态的信息，是随着时间不断变化。
静态数据：
用户最基础的信息要素，例如姓名、城市、学历、注册时间、注册方式等。
动态数据：
动态数据：用户不断变化的行为信息，打开网页，加入购物车、购买物品等一样都是用户动态的行为数据。
05
构建用户画像模型
收集到基础用户数据之后，我们从用户的基本概况入手，对用户的年龄、地域、行业等维度进行分析，将用户画像进行建模。
①Who（用户）—— 哪些用户
对用户的表示，方便区分用户，定位用户信息
②when（时间）—— 什么时间发生
用户发生行为的时间跨度和时间点，比如浏览页面20s，其中点击按钮是在5s，返回是在17s，也就是时间跨度20s，发生行为的时间点分别是5s和17s。
③where（地点）—— 用户行为触点
用户接触产品的触点，比如网址访问了哪些分页，在APP上点了哪些按钮，刷新了几次，或者其他交互行为。
④what（事件）—— 触发的信息点
也就是用户访问的内容信息，比如主要浏览了类别，品牌，描述，生产日期等，这些内容也生成了对应标签。
⑤action(行动）—— 用户具体行为
比如电商用户的添加购物车、搜索、评论、购买、点击赞、收藏等。
用户画像的数据模型可以概括为下面的公式：用户+时间+行为+接触点，某用户因为在什么时间、地点、做了什么事，然后打上标签。
不同产品需求不同的标签组合，不同的标签组合也就形成了用户画像的模型。
06
数据可视化
构建完模型后，用BI工具对前面产生的用户画像进行数据可视化分析，一般是分析特定群体。
比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营等。
客户整体分析
而这里常用到的数据分析模型就是RFM客户分析模型，利用BI工具计算出每个客户的RFM指标。
这里我用的是FineBI，通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段，如下图所示。
但是要注意的是这三个指标不是死板不变的，要针对自己的行业特点灵活变通。
比如在金融行业，最近一次购买时间可能并不适用，此时可以考虑采用金融产品持有时间来代替R，这样更能体现用户与金融企业建立联系时间的长短。
把用户按照三个维度指标进行划分，也就相当于将用户放到下面这个正方体中：
因此我们要对指标进行切分，设定阈值，也就是为指标设定正负值，确保三个指标将用户分为八个象限。
通常比较常用的方法就是等频和等宽进行切分，比如将用户购买花费进行平均值计算。
但是平均值只适合于均类数据，对于一些不规则数据，平均值会造成很大的误差：
比如一家公司有三家客户，订单额分别为1万、5千和1百，显然重要客户应该是前两个。
而三个客户的订单平均值为5033，如果按照平均值划分数据，那么只有第一个客户符合重要客户的标准，这显然是不对的。
这时候我们就要用到聚合的功能，简单说，聚合功能就是一堆数据按照内在特征的不同进行划分。
不同类的数据之间的差别一般是很大的，这样就能找到大数据量中的“中心点”，而非平均点。
在FineBI中我们可以直接使用聚合功能，聚合指标选择“订单金额“、”时间“、”次数“，聚合数选择”3“，聚合方式选择”欧氏距离“。
这样就可以得到最终的聚合结果了，最终可以计算出每个客户的聚合R值、聚合F值和聚合M值，这就是我们要用到的参考值。
用户分类
我们将三个指标分别进行划分后，按照下图的方式进行组合，就可以得到八个象限，代表8类客户：
