手把手教你数据分析方法论和业务实战——用户画像篇

我们经常在淘宝网购物，作为淘宝方，他们想知道用户是什么样的，年龄、性别、城市、收入、购物品牌偏好、购物类型、平时的活跃程度等，这样的一个用户描述就是用户画像分析。

在实际工作中，用户画像分析是一个重要的数据分析手段，帮助产品策划人员对产品功能进行迭代，帮助产品运营人员做用户增长。

作为产品策划人员，需要策划一个好的功能，获得用户最大的可见价值与隐形价值、必须价值与增值价值，那么了解用户并做用户画像分析，是数据分析师帮助产品策划做更好的产品设计重要的一个环节。

作为产品运营人员，比如针对用户的拉新、挽留、付费、裂变等的运营，用户画像分析可以帮助产品运营人员去找到他们的潜在用户，从而用各种运营手段去触达。因为，当我们知道群体特征时，也基本可以判定潜在用户也是类似的一群人，这样才可以精准地寻找新用户，提高ROI。

总的来说，用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。

01用户画像分析的作用

用户画像分析的作用主要有以下几个方面（见图1）。

图1

1、广告投放

在做用户增长时，我们需要在一些外部渠道投放广告，吸引可能的潜在用户，比如，B站在抖音上投放广告。

我们在选择平台进行投放时，有了用户画像分析，就可以精准地进行广告投放，比如，抖音中主要的用户年龄为是18～24岁，那么广告投放时就可以针对这部分用户群体，提高投放的ROI（见图2）。假如我们没有进行用户画像分析，那么可能会出现投了很多次广告，结果没有人点击的情况。

图2

2、精准营销

假如某个电商平台需要做一个活动，给不同层次的用户发放不同的券，就需要利用用户画像分析对用户进行划分，比如，划分成不同付费次数的用户，然后根据不同付费次数发放不同的优惠券。给付费次数在1～10次的用户发放10元优惠券，依此类推（见图3）。

图3

3、个性化推荐

个性化推荐即精确的内容分发，比如，我们在音乐类APP中会看到每日推荐，这是因为运营人员在做点击率预估模型（预测给你推荐的歌曲会不会被点击）时，会考虑用户画像属性，这样才有可能推荐用户喜欢的类型。比如，根据你是“90后”，喜欢伤感的音乐，喜欢周杰伦这些属性，推荐类似的歌曲给你，这就是基于用户画像推荐。

4、风控检测

风控检测主要是金融或者银行业涉及得比较多，常见的问题是银行怎么决定是否放贷给申请人。普遍的解决方法是搭建一个风控预测模型，预测申请人是否有可能不还贷款。模型的背后就有用户画像分析的功劳。用户的收入水平、教育水平、职业、是否有家庭、是否有房子，以及过去的诚信记录，这些画像数据都关系到模型预测是否准确（见图4）。

图4

5、产品设计

互联网的产品价值离不开用户、需求、场景这三大元素，所以在做产品设计时，要知道用户到底是怎样的一群人，他们的具体情况是什么，他们有什么特别需求，这样才可以设计出对应解决他们需求和痛点的产品功能。

在产品功能迭代时，我们需要分析用户画像行为数据，发现用户的流失情况。典型的场景是用漏斗模型分析转化情况，就是基于用户的行为数据发现流失严重的页面，从而优化对应的页面。

比如，我们发现从下载到点击付款的转化率特别低，这可能是付款按钮做得有问题，可以有针对性地优化按钮的位置等。

同时，还可以分析这部分转化率主要是在哪部分用户群体中低，假如发现高龄用户的转化率要比中青年的转化率低很多，则有可能是因为字体的设置及按钮位置不显眼等，或者操作不方便。

6、数据分析

在进行描述性数据分析时，经常需要用户画像的数据，比如，描述抖音中某美食类博主的用户群体特征，可以关注他们观看其他抖音视频的情况，关注其他博主的情况等（见图5）。

图5

简单来说，用户画像分析可以帮助数据分析师更加清晰地刻画用户。

02如何搭建用户画像

用户画像架构如图6所示。

图6

1、数据层

进行用户画像分析的基础是获取完整的数据，互联网数据主要是利用打点，也就是通常所说的数据埋点上报的。整个过程是数据分析师根据业务需要提交数据上报的需求，然后由开发人员埋点，获得数据（见图7）。

图7

除了上报的数据，还有从数据库中同步的数据，一般会存到Hive表中，按照数据仓库的规范，根据主题来放置。其他数据，比如调研的数据，以Excel格式存在，就需要把Excel 数据导入Hive 表中。

2、挖掘层

有了基础数据以后，就进入挖掘层，挖掘层主要做两件事情，一个是数据仓库的构建，另一个是标签的预测，前者是后者的基础。

一般来说，我们会根据数据层的数据表，对这些数据表的数据进行清洗、汇总，然后按照数据仓库的分层思想，比如按照数据原始层、数据清洗层、数据汇总层、数据应用层等进行表的设计（见图8）。

图8

数据原始层中的数据就是上报的数据，没有经过数据清洗处理，是最外层的用户明细数据。

数据清洗层主要是数据原始层的数据经过简单清洗之后的数据，已去除“脏”数据等明显异常的数据。

数据汇总层的数据主要是根据数据分析的需求，针对想要的业务指标（比如，用户一天的听歌时长、歌曲数、歌手数等），按照用户的维度，把用户行为进行聚合，得到用户的轻量指标的聚合表。

数据汇总层的作用主要是可以快速汇总数据，比如，一天的听歌总数、听歌总时长、听歌时长高于1小时的用户数、收藏歌曲数多于100的用户数等的计算。

数据应用层主要面向业务方的需求进行加工，可能是在数据汇总的基础上加工成对应报表的指标需求，比如，每天听歌的人数、次数、时长；搜索的人数、次数、歌曲数等。

按照规范的数据仓库把表格设计完成后，就可以得到一部分用户的年龄、性别、地域的基础属性数据，以及用户浏览、付费、活跃等行为数据。

有些用户的数据无法获取，以QQ音乐为例，我们一般无法获取用户的听歌偏好属性的数据，需要通过机器学习模型对用户的偏好进行预测（见图9）。机器学习的模型预测都是基于数据仓库的数据，完整的数据仓库数据是模型特征构建的基础。

图9

3、服务层

有了数据层和挖掘层以后，用户画像体系基本形成，那么就到了用户画像赋能的阶段。最基础的应用就是利用用户画像宽表的数据，对用户行为进行洞察归因，挖掘行为和属性特征的规律。

另外，比较大型的应用就是搭建用户画像平台，其本质是用户画像表的集成。

用户提取：我们可以利用用户画像平台，快速提取用户数据，比如，提取18～24岁的女性群体，且听过周杰伦歌曲的用户。

分群对比：可以利用用户画像平台进行分群对比。比如，比较音乐类APP中VIP用户和非VIP用户在行为活跃和年龄、性别、地域、注册时间、听歌偏好上的差异。

功能画像分析：可以利用用户画像平台快速进行某个功能的用户画像描述分析，比如，音乐类APP中的每日推荐功能，我们想要知道使用每日推荐的用户是哪些用户群体，以及使用每日推荐不同时长的用户特征分别是怎样的。