在互联网的各项业务中，无论是金融、电商、社交，还是新媒体、新零售，如何优化产品，提升服务都是最重要的事。其中的关键一项，就是理解用户。随着大数据技术的发展，聚焦于产品、服务的效率和

在互联网的各项业务中，无论是金融、电商、社交，还是新媒体、新零售，如何优化产品，提升服务都是最重要的事。其中的关键一项，就是理解用户。随着大数据技术的发展，聚焦于产品、服务的效率和质量的精准营销、广告投放、个性化搜索和推荐、风险控制、商业预测、体验优化、商业分析等逐渐展开。作为基础的“用户画像”、“标签”也应运而生。

1、什么是用户画像

一般来说，用户画像就是给用户打标签，如性别、年龄、兴趣爱好、行为偏好等。但是在中文语境中，存在将User Persona、User Profile两个概念混淆，都称作用户画像的情况。其实还是不一样的。

（1）”User Persona”VS”User Profile”

Persona : the aspects of a person’s character that they show to other people, especially when their real character is different（“一个人向他人展示的特征，尤其是不同特征”，更多强调的是特定情景下用户角色的概念）.

Profile : a brief written description that provides information about someone or something（对某人或物的信息的简要描述）.

从定义看，User Profile是用户画像，User Persona翻译为用户角色更合适。

（2）用户角色「User Persona」

用户角色「User Persona」的概念始于1997年，交互设计之父Alan Cooper在《About Face：交互设计精髓》提出了“Personas are a concrete representation of target users” （角色是目标用户的虚拟代表），是一种产品设计和用户研究的系统化方法。其中提出了两种构建用户角色的方法：

用户角色：基于对用户的观察访谈、问卷调查等研究结果建立，严谨可靠但费时。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈等方式了解用户的共性与差异，汇总成不同的虚拟用户。

临时用户角色「ad hoc persona」：基于行业专家或市场调查数据对用户的理解建立，快速但容易有偏颇。

用户角色多出现于产品、服务的策划设计阶段。我们可以站在用户角色的立场，讨论场景、体验、目标，思考用户需求、策划产品，以保持对目标用户的清晰认知，避免产品偏离用户需求。

用户角色作为目标用户的集合，不指代具体的人，但具备一个现实人物的各种特征，包括姓名、性别、年龄、城市、长相、职业、兴趣爱好、生活习惯、行为偏好、婚姻状况、家庭情况、收支情况等。

图1：用户角色「User Persona」示例

为了保持对目标用户认知的一致性，一个产品、服务一般只构建一个用户画像。大型综合性产品可能会构建多个用户画像，但主要画像一般只有一个，其他为辅助画像。

（3）用户画像（User Profile）

用户画像（User Profile）是根据用户属性、用户行为等数据分析抽象出来的标签化用户模型。其核心工作就是给用户打标签，利用一些高度概括、容易理解的特征来描述用户。这样既可以让人更容易理解用户，也方便计算机处理。这些标签的数量越丰富，标签越细化，对用户的刻画就越精准。由这些标签的集合可以抽象出一个用户的信息全貌，如图2所示是某个用户的标签集合，每一个用户标签都分别描述了一个维度，各个维度相互联系，共同构成对用户的一个整体描述。

图2：用户画像（User Profile）示例

比较用户角色（User Persona）用户画像（User Profile）阶段产品、服务的策划设计阶段积累了一些用户数据的成熟阶段来源主要来源于产品、设计人员对用户的观察访谈、问卷调查、理解。主要基于真实积累的用户数据，结合具体的业务场景产生的用户标签。作用

可以帮助我们形象地了解目标用户的行为特征，作为我们判断用户需求的依据。

构成了对于一个用户的真实描述，可以不断刻画用户，优化产品，提升服务。

随着互联网的发展，产品、服务的运作发生了很大变化：因为产品开发成本高、时间紧、资源有限等，以“快速试错、迭代开发”为特点的精益创业方法开始蔓延开来。

而且随着时间的推移，一个产品、服务的真实用户群体也在变化，在规划设计阶段虚构的用户角色需要重新研究、设想。而这种情况下，用户角色（User Persona）有时候会反应滞后。加之大数据的发展，减少了原先的不确定性，相比于用户角色「User Persona」观察访谈、问卷调查的方法，用户画像（User Profile）具备天然的技术优势，互联网更多的业务转向用户画像（User Profile）。

2、用户画像和用户标签、标签、标签体系的关系

（1）用户画像VS用户标签

用户画像、用户标签是整体和局部的关系。用户画像是整体，相对比较抽象；用户标签是局部，相对比较具象。整体和局部的关系通过“标签体系”体现。例如，一个人有四肢、五官、躯干，但只有合起来，才是一个人。

图3：用户画像、用户标签、标签的关系图

（2）标签体系

在构建用户画像的过程中，对标签进行分层、分类，关联组织，然后形成的体系，即标签体系。例如，一个人的标签包括生日、性别、身高、体重、兴趣爱好、行为偏好等，里面的每一项都是用户标签，他们共同组成了标签体系。

图4：标签体系

（3）标签VS用户标签

标签可以分为用户标签、内容标签、硬件标签、商品标签等。标签包含用户标签，用户标签是标签的一个类别。

3、用户画像的应用

构建用户画像，通常需要大量的数据、时间、人力，是一件高成本、长期投入的事。但大部分互联网公司仍然希望能做一份全面、精准的用户画像。

那么用户画像有哪些应用，使得各公司前赴后继地投入呢?

总结了下，应用大体有以下几个方面：

精准营销：将用户分群，通过邮件、短信、App进行消息推送，在相同的成本下，有更好的营销效果。

广告投放：基于一系列用户属性、行为相关的标签，进行对目标用户的广告投放。

个性服务：用户画像、行为分析是高转化个性推荐、搜索的极重要的数据基础。在细化场景中，把特定用户与意图分析相结合，精细提高转化率的过程中，可以根据人群标签进行有针对性的排序。例如，给大学生情侣推荐情调酒店。

风险控制：通过用户的常用设备、行为习惯、消费偏好、是否有危险伙伴往来、常驻地等用户标签，进行信用判断，控制风险。

体验优化：对产品的受众分析，理解用户的心理动机和行为习惯，优化产品、服务质量，甚至做到产品、服务的私人定制等。

商业分析：通过用户画像，进行行业趋势分析、竞品分析、商品定价、网络规划等，发现商机，进行商业决策。

图5：用户画像的应用

从上面可以看出，用户画像的业务应用较多。通过用户画像的属性、兴趣爱好、行为偏好等标签的应用，可以起到优化产品，提升服务，增加企业利润的作用。

4、怎么做好用户画像

做用户画像的初衷可能很好，但却容易沦为形式主义，到最后可能只出了一份用户画像的报告，性别、年龄、兴趣爱好、地理足迹、消费金额等。看着高大上，却没什么效果。

（1）业务驱动

说到底，用户画像的目标是理解用户，提升业务发展。所以构建用户画像的核心是和业务紧密关联的，需要和业务部门沟通需求，然后进行标签建模。

首先业务部门需要有清晰的业务模型、目标。然后数据人员了解业务的来龙去脉，包括行业特点、业务场景、业务形态、业务需求、用户的消费逻辑等，充分考虑了业务需求后，开始构建用户画像。笔者在这里没有提及数据、算法、模型，是因为在大方向上，业务比技术更重要。

好的用户画像，既是数据生态体系，也是业务和运营的生态体系，它是一个复杂的交叉领域。

而在考虑业务的需求之外，也需要从更高维，考虑需求的背景意义、综合成本、开发周期、业务解耦、投入产出比等。比如，有那么多用户维度，怎么选择标签?选择标签的原则是什么?后续怎么维护、跟踪?什么情况下，标签需要迭代?业务变化了，是否需要调整？

定好了标签，怎么评估用户画像的效果?效果不好怎么办?有没有更多扩展的应用场景？怎么平衡算法的准确度、数据规模、更新速度？

这些都是用户画像在业务中经常碰到的问题。

（2）深入思考

做好用户画像，还要深入思考。不能想当然地做一个全面精准的体系，却忽略了用户画像的核心价值。用户画像是商业目标下的用户标签集合。

一上来就猜测用户的性别，籍贯、常驻地，收入多少，是否谈恋爱，喜欢什么，准备消费购物吗？这些是没有意义的。是男是女如何影响消费决策，收入多少影响消费能力，是否谈恋爱会否带来新的营销场景，消费购物怎么精准推荐，用户决定买什么、不买什么的原因和逻辑，这些才是用户画像背后的逻辑。

不是有了用户画像，便能优化产品、提升业务。而是为了优化产品，提升服务，增加利润，才需要用户画像。这是很容易忘记的。比如，我们想要挽回流失用户，选择70%以上概率的用户，还是50%呢?要考虑业务，挽回流失用户是手段，不是目的，如果实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的投入、产出、ROI，选择最优解。

推而广之，个性化推荐也好，广告投放也罢，它们有更复杂的维度、标签、特征，本质也是找出用户最近想不想购物，想不想旅游。在最恰当时机，把最合适的信息推给用户，获取最大的利益。

像姓名，在电商和消费行业，除了生理上的性别标签，还会建立消费模型上的性别标签，有些人虽然是男性，但购物行为是女性，这是要区分的。

这些举例，是简化的。具体情况，还需要深入思考里面的运行逻辑。

（3）持续优化

解决了业务问题，给出一个全面的用户标签体系，是不是就可以了呢?答案是否定的，这里面有两个原因：

大多数情况下标签体系是开放的，标签和标签值也有时效性，并不可能一劳永逸。直播就是个很好的例子：新的内容、品类、热门话题不断产生，不断地研究、调整也就不可避免了。

而且每家公司、产品服务的用户都有各自的特点，加上数据源、算法的不同，只有根据效果，持续迭代，才有可能取得更好的结果。

总之，用户画像应该从实际业务出发，解决实际的业务问题，根据业务目标、用户画像应用的反馈，不断迭代、演进，才能取得最好的效果。