这才是真正的用户画像，你那只是罗列性别年龄地域

　　以下文章来源于接地气的陈老师 ，作者陈老师

　　关注并将「人人都是产品经理」设为星标

　　每天早 07 : 45 按时送达

　　做一大堆数据仅仅在罗列性别年龄地域？很多同学都搞不懂当中的由来。那么怎样才算是真正的用户画像，本文作者总结了五步法，为你系统解答。

　　全文共 2838 字，阅读需要 6 分钟

　　—————— / BEGIN / —————

　　有同学问：陈老师，我领导让我做用户画像分析，可是我做了一大堆数据，却被批：也没分析什么东西啊？该咋办？今天系统解答一下。

　　用户画像的错误姿势

　　1. 限于数据，动不敢动

　　一提用户画像，很多人脑海里立刻蹦出了性别，年龄，地域，爱好等基础信息字段，然后大呼：我们好像没这个数据，于是放弃分析了。

　　可实际想想，知道男性占比真的有那么大意义？

　　知道男性占比 65% 还是 60% 真的对业务有帮助？不一定的，贴用户标签有很多方式，不要限于一些难采集的基础信息。

　　2. 罗列数据，没有思路

　　很多人一听到用户画像分析，本能地就开始把数据库里的用户标签往外搬，在报告里码上：

　　男女比例 3:2

　　20-25 岁占比 40%

　　30% 的人在最近一周内登录

　　70% 的人没有二次购买……

　　至于摆完这些数据干什么，完全没有考虑过。这种分析结果，当然让人看完一头雾水。迷茫地发问：" 所以呢？又怎样呢？"

　　3. 无限拆分，没有逻辑

　　很多人一听到类似 " 流失用户画像分析 " 一类相对具体的分析题目，就开始无限拆解数据。分性别，年龄，地域，设备，注册时间，来源渠道，购买金额……拆了几十个维度看流失率。最后，只看到有的维度差 5%，有的差 10%，当然没有最后结论啦，越看越糊涂。

　　以上问题，都是太过纠结于用户画像四个字，忽视了分析两个字导致的。

　　用户画像作为一个基础数据体系，本身并没有分析功能。单纯地罗列用户标签或者拆解用户指标，也起不到分析作用。像利用好用户画像，还得按分析套路一步步来。

　　第一步：转化商业问问题

　　用户画像分析，本质上是从用户的角度思考问题。

　　举个简单的例子，比如新上市产品销售未达预期，我们既可以从产品管理的角度来思考问题，也能从用户角度来思考问题。

　　同样一个问题，会有两种思考方式（如下图所示）：

　　因此，简单地列出一堆用户指标（性别，年龄，地域，购买产品，登录次数……）是没啥用处的。用户画像只是分析的一个工具，和其他分析一样，也要先考虑：我要解决的实际问题到底是什么。

　　想清楚了，再把问题转化成用户相关的问题，就能继续使用用户画像分析方法了。

　　需要注意的是，商业问题是很复杂的。往往一个问题，可能与若干用户群体、若干用户行为有关。

　　比如上边的例子，就至少和三个用户群体（潜在用户、流失用户、存量用户）涉及到用户态度、信息接收、购买流程、使用体验等多方面。

　　因此更得分门别类，把分析线索和分析逻辑理清楚，找到对应的数据。不然一锅炖，光列性别，年龄，地域，也解释不了任何问题。这就涉及下两步工作。

　　第二步：宏观假设验证

　　转化完问题后，先宏观上对假设进行检验非常重要，能有效避免无限拆解的错误。如果大方向都不成立，细节更不用看了。还是新产品卖不动的问题，如果要从大方向验证，可以简单如下进行：

　　如果怀疑大环境不好，那应该全品类受影响。

　　如果怀疑竞品竞争力强，那应该竞品直接影响到我们产品

　　如果怀疑运作太差，那本次商品转化漏斗上势必有一环掉链子

　　如果以上有假设验证，可以进一步深入分析

　　如果以上假设都不成立，可能还需要新假设

　　总之，先进行大方向检验，可以有效缩小怀疑范围。怀疑范围越小，后续对用户分析可以越精确。同时，当数据不足的时候，怀疑范围越小，越能够集中力量收集数据，改善数据质量，做出有精度的分析。

　　用户的分类维度可以有几百个之多，如果不加筛选地做拆解对比，很有可能在数十个维度上都有差异，最后完全读不懂数据。在拆解以前聚焦假设，非常重要。

　　第三步：构建分析逻辑

　　宏观验证以后，可以基于已验证的结论，构建更细致的分析逻辑。在这个阶段，实际上已经把原本宏大的问题，聚焦为一个个小问题，比如：

　　举一个具体场景：

　　已验证：我们确实受竞品影响

　　子问题 1：目标用户的需求是什么？

　　子问题 2：目标用户对竞品体验如何？哪些需求点最被触动？

　　子问题 3：目标用户对本品体验如何？哪些差距是致命伤？

　　子问题 4：竞品 / 本品在硬功能，软宣传上差距如何？

　　这四个子问题，都可以通过对用户需求与行为的深入挖掘得到答案，下一步可以继续深入了。

　　须注意的是，这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究，单靠内部数据不能完成，必须通过外部调研。

　　再看另一个场景：

　　已验证：本次新品上市操盘确实有问题

　　子问题 1：问题出在预热、发布、上市、推广哪个阶段

　　子问题 2：上市阶段大量用户未能响应，广告投放出了什么问题

　　子问题 3：推广阶段销量未能引爆，为啥没有激发核心用户需求

　　……（可进一步问太多，简单举例如上）

　　这些问题，可以分两方面解决

　　一方面，通过对下面不同类型用户对比，找到投放、奖励活动、购买品类、金额等细节上差异，从而调整投放、营销、产品补货等业务。

　　核心 / 普通

　　购买 / 未购

　　触达 / 未触达

　　另一方面，通过对核心用户画像，让业务更看清楚，真正爱买的人的以下信息，让业务更多的去抓这些核心用户，而且改善后续表现。

　　来自哪个渠道

　　通过什么主题

　　需要什么样优惠

　　在什么时机下单

　　需要注意的是，这一部分用户来源、信息投放响应，购买行为，主题阅读，完全可以通过内部系统记录。即使不知道他是男是女，我们也能通过投广告，发内容，做优惠吸引到他们。

　　第四步：获取用户数据

　　在上一步我们已经看到，用户画像分析如果真的想深入用户，就得依赖多种数据来源。很有可能是内外部数据双管齐下的。

　　考虑到内部数据可能采集不全，外部数据存在抽样误差问题，在使用数据上就得有取舍，有重点。这也是为啥前边一直强调逐步验证，缩小假设的原因。聚焦了才好采集数据。

　　一般来说，

　　越是偏态度、体验、情感类问题，越倾向于用调研的方法

　　越是偏行为、消费、互动类问题，越倾向于内部的数据分析

　　如果想了解竞品，就拉竞品用户调研，或针对竞品网店爬虫

　　在传统意义上，做市场调研和做数据分析的，都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度，当然是越多越好。

　　不过，随着爬虫，NLP，埋点越做越深入，在有技术支持的情况下，这些年对系统采集数据的利用度是越来越高的。

　　所以在有条件的情况下，还是尽量推动内部数据丰富。不然事事依赖调研，数据没有积累，以后也难做。

　　第五步：归纳分析结论

　　如果以上几步做好了，在最后推分析结论就是水到渠成的事，完全不费力气。

　　实际上，用户画像分析最大的问题都是出在前五步的。缺少假设方向，缺少数据准备，缺少分析逻辑，单纯罗列数据，无限制拆解，到最后自然面对一堆零碎的数据纠结：" 男女比例 3:2 又怎样呢？？？"

　　当然用户画像有其他很多用处，比如支持新品开发，支持推荐系统，支持自动营销系统，支持投放系统等等，作分析只是它一小块作用。

　　所以想做好分析，还是要多学习分析方法，操练分析逻辑哦。

　　—————— / END / ——————

　　产品经理培训｜产品运营培训｜企业内训服务

　　请在公众号后台回复「培训」了解更多

　　▼ 喜欢请分享 & 收藏，满意点个赞，最后点「在看」▼