1、什么是用户画像？
用户画像又叫用户标签，是基于用户在互联网上留下的种种行为数据，将这些数据主动或被动的收集后，通过数据加工分析，产生的一个个标签。比如男性，90后，白领，喜欢购买电子产品，月工资15000等等。
用户画像的内容可以很宽泛，只要是对用户的认知，都可以叫做用户画像。但你所去认知的这批人必须是你的典型用户，他们会用相似的方式使用你的产品，服务或消费你的品牌。
2、用户画像的作用
关于用户画像的作用，我认为主要有以下三点：
1.精准营销：我相信这是很多运营同学为什么来看这篇文章的原因，从简单粗暴式操作到精细化的运营，将用户人群进行分层，再用短信、push、推文等手段，刺激用户对产品的使用、下单，或对用户进行召回等。
2.广告投放：品牌处于业务高速发展期时，需要大量对外曝光。由于推广预算有限，在渠道的选择上，就要求能有更多自己典型的用户进行推广，这时就需要用户画像的配合了。
3.数据分析：这个可以理解为建立数据仓库，利用各个标签将各个数据系统打通，比如之前的文章《微信公众号高阶运营策略，建议你和产品经理一起来看看》，讲的是利用公众号进行定向推送，那么把用户在公众号上的行为和电商APP上的行为均建立行为标签并打通，继而建立数据仓库，然后制作出用户画像，那么精细化的推送策略才是完美的。
3、如何建立正确的用户画像？
接下来来到了很多人最关心的部分，如何建立正确的用户画像。
首先需要明确一点，所有的用户画像都是基于业务模型的，很多同学连自己的业务模型都没有搞清楚，连业务场景和形态都没弄明白就开始做用户画像，基本上就是在做无用功。
下面我用一个小故事，来帮助大家理解，如何更好地建立正确的用户画像。
小明开始创业了，开发了一个APP售卖各类零食，经营半年后，效益非常不错。但是现在发现业绩增长乏力，加大推广投入后仍不见起色。于是找到我，希望我为他们建立一套精细化运营的策略来提升业绩。
当我跟小明进行深度沟通后发现，小明的团队一直都是粗暴式的运营，根本没有运用数据来驱动业务增长。于是我准备先帮小明梳理清楚他的用户画像，再来做下面的运营动作。
首先，我将他的最基本业务流程给画了出来。
按照这个图，首先我根据是否有购买过沙拉，将小明的用户划分成了5类：
潜在用户（注册了APP但未下单）
新用户（购买过一次）
老用户（购买过2次及以上的用户）
VIP用户（90天内消费超过200元）
流失用户（90天内未来消费）
这里分享一个神奇的数据，用户只要产生了一次复购，即一定时间内购买过2次，则此人的留存率将提升30%。
★针对潜在用户，给予新人礼包，促使产生第一次购买；
★针对新用户，则需刺激他尽快产生一次复购，比如给他定向推送上一次购买品类的其他产品，并用红包刺激下单；
★老用户则希望利用vip用户的权益来刺激他们成为老用户，比如VIP用户可享受优先发货，赠送赠品，参与试吃等活动。
这样用户画像就出来几个了
之后，再通过用户的自身属性来增加用户标签。
我让小明把所有用户的订单全部导出来，以订单地址为依据来做判断。比如一个用户多次使用同一个地址收货，那么就判定此地址为常用地址，然后根据常用地址是公司写字楼还是学校，来判定此用户是白领还是学生。
对于学生和白领用户的运营策略，将会是完全不同的。
对于学生来说，性价比可能是优先考虑的因素，可以重点推荐他们一些相对便宜的零食。或者做一些裂变活动的时候，可以优先PUSH到他们。还得考虑到学生7-8月和过年期间的假期和开学时间段，通常来说，开学期间的消费需求会比较高一些
对于白领来说，可能性价比就不一定是优先考虑的因素，消费体验可能更重要，那就推荐一些口感比较好的进口零食，或者不易胖的低脂零食。消费场景在公司的话，还要考虑到拆包裹，吃零食的场景，考虑到客户拆包时若被其他同事看到，有可能产生分享心理，那么就可以设置团购的优惠，或者推荐包装比较大的分享装。
到这里，用户标签又丰富了几个。
最后，我们通过用户在APP端的行为来预测流失用户。
我们从数据中发现，增长减缓的主要原因，是用户流失率开始上升。流失的原因会有很多，最重要的是找到用户不消费时间节点之前的关键因素。
比如：
原因特别多，把尽可能想到的原因都列出来，然后利用机器学习建模进行预判。（技术的问题这里就不分享了）
需要注意的是，所有这些都是动态的，所以我将用户的回购或再浏览周期定为7天（拍脑袋想的，买了一次零食后，7天内一定会吃完）。根据不同的业务情况，尽可能的将时间周期切分的更细一点，更容易分析。接着就按照数据情况，通过用户行为的细节进行预判。
有了这些判断，就可以在不同阶段有针对性的进行召回。
根据用户购买零食的偏好来分
零食分为肉类、膨化食品、休闲零食、代餐类、减脂类等等，小明根据用户购买的品类偏好来分，可分为：喜好吃肉、喜好膨化食品等等。
根据消费模型综合因素来分
此外，还可以用RFM模型（衡量客户价值和客户创造力能力的公交）来分（不了解RFM模型可以自行百度），这个就相对比较复杂一点，后面单独出一篇文章来讲。
看完这个案例，我相信你一定有点感觉了。
然后再来看这一套底层的生产思路：
第一步，确定业务目标；
第二步，跑出数据，生产标签；
第三步，分析数据，洞察用户。洞察并不是最终目的，因为洞察只是得到一个结论或者方向；
第四步，开始应用。应用后又带来新的数据，从而形成数据的闭环。
第一步，确定业务目标
以应用来驱动需求。很多同学都会犯都一个错误，他在做用户画像多时候，一次性能搞出几千个标签。其实这并没有什么用，因为你根本用不了这么多标签，你还会被这么多标签搞得不知道怎么办。
第二步，跑出数据，生产标签
数据是一切的核心，没有数据说要建很多标签是没有用的，如果你手里没有数据，或者数据不多，你第一个工作不是建后面的标签体系，而是要赶紧找数据。
数据主要来源是用户在注册时填写的，还有在平台上的行为，无论是互动行为、浏览点击行为还是消费行为。然后通过这些行为来建立标签体系，当然有些标签是客观存在的，有些标签是根据逻辑预测出来的。
比如填了性别的，或者通过微信的unionid获取的，这就是客观存在的；但是如果这些信息都没有，那就根据用户的名字进行预测，像王小红基本就是女性，王小虎基本就是男性了。当然，预测一定是会有误差的。
一般我们会通过用户属性和行为数据，建立基础的用户标签体系
通常有这4大类：
第一类：人口属性。比如说性别、年龄、常驻地、籍贯，甚至是身高、血型，这些东西叫做人口属性。
第二类：社会属性。因为我们每个人在社会里都不是一个单独的个体，一定有关联关系的，如婚恋状态、受教育程度、资产情况、收入情况、职业等。
第三类，兴趣偏好。摄影、运动、吃货、爱美、服饰、旅游、教育等，这部分是最常见的，也是最庞大的，难以一一列举完。
第四类，用户行为。3、7、15、30日内登录时长、登录次数、登录时间段、浏览深度、价格偏好、购买偏好等等。
第三步，分析数据，洞察用户
利用原始数据进行加工，建立模型标签。比如上文说到的我针对流失率提升，建立的预测模型，当你能洞察到某一类用户的某一些行为，就可以预判到这一类用户可能即将流失时，你就能用各种策略进行挽回了。
所以基于营销和消费相关的标签，新客、老客、用户的流失和忠诚、用户的消费水平和频率等，都是构成CRM（客户关系管理）的基础，可能大家更习惯叫它用户/会员管理运营平台。
第四步，应用标签
光有用户管理平台不行，还得转换成产品运营策略。不同的标签对应不同的用户群体，也对应不同的营销手段。CRM的结构中会包含各类触达用户的常用渠道比如短信、邮件、推送等。也包含CMS（内容管理系统），执行人员通过其快速配置活动页、活动通道、优惠券等，靠营销活动拉动数据。让数据跑起来产生闭环后，就可以让用户画像原来越清晰，标签越来越精准。
注意：不要拘泥于技术细节。用简单的方法快速走通整个流程，然后再去看哪些环节需要优化去深入，比如上面流失预测，可以把时间维度切分为一天甚至一小时，但是根本没必要。快速跑完整个环节才是核心。
CIO之家 www.ciozj.com 公众号:imciow