用户画像：标签化就是数据的抽象能力

如果说互联网的上半场是粗狂运营，因为有流量红利不需要考虑细节。那么在下半场，精细化运营将是长久的主题。有数据，有数据分析能力才能让用户得到更好的体验。所以，用户是根本，也是数据分析的出发点。

用户画像的准则

首先就是将自己企业的用户画像做个白描，告诉他这些用户“都是谁”“从哪来”“要去哪”。

假如你进入到一家卖羊肉串的餐饮公司，老板说现在竞争越来越激烈，要想做得好就要明白顾客喜欢什么。于是上班第一天，老板问你：“你能不能分析下用户数据，给咱们公司的业务做个赋能啊？”

听到这，你会怎么想？

你可以这么和老板说：“老板啊，用户画像建模是个系统的工程，我们要解决三个问题。第一呢，就是用户从哪里来，这里我们需要统一标识用户 ID，方便我们对用户后续行为进行跟踪。我们要了解这些羊肉串的用户从哪里来，他们是为了聚餐，还是自己吃宵夜，这些场景我们都要做统计分析。第二呢，这些用户是谁？我们需要对这些用户进行标签化，方便我们对用户行为进行理解。第三呢，就是用户要到哪里去？我们要将这些用户画像与我们的业务相关联，提升我们的转化率，或者降低我们的流失率。”

用户唯一标识是整个用户画像的核心

我们以一个 App 为例，它把“从用户开始使用 APP 到下单到售后整个所有的用户行为”进行串联，这样就可以更好地去跟踪和分析一个用户的特征。

设计唯一标识可以从这些项中选择：用户名、注册手机号、联系人手机号、邮箱、设备号、CookieID 等。

给用户打标签

用户消费行为分析：

• 用户标签：它包括了性别、年龄、地域、收入、学历、职业等。这些包括了用户的基础属性。
• 消费标签：消费习惯、购买意向、是否对促销敏感。这些统计分析用户的消费习惯。
• 行为标签：时间段、频次、时长、访问路径。这些是通过分析用户行为，来得到他们使用 App 的习惯。
• 内容分析：对用户平时浏览的内容，尤其是停留时间长、浏览次数多的内容进行分析，分析出用户对哪些内容感兴趣，比如，金融、娱乐、教育、体育、时尚、科技等。
  
  

可以说，用户画像是现实世界中的用户的数学建模，我们正是将海量数据进行标签化，来得到精准的用户画像，从而为企业更精准地解决问题。

最后，当你有了用户画像，可以为企业带来什么业务价值呢？

我们可以从用户生命周期的三个阶段来划分业务价值：

• 获客：如何进行拉新，通过更精准的营销获取客户。
• 粘客：个性化推荐，搜索排序，场景运营等。
• 留客：流失率预测，分析关键节点降低流失率。
  
  

如果按照数据流处理的阶段来划分用户画像建模的过程，可以分为数据层、算法层和业务层。你会发现在不同的层，都需要打上不同的标签。

• 数据层指的是用户消费行为里的标签。我们可以打上“事实标签”，作为数据客观的记录。
• 算法层指的是透过这些行为算出的用户建模。我们可以打上“模型标签”，作为用户画像的分类标识。
• 业务层指的是获客、粘客、留客的手段。我们可以打上“预测标签”，作为业务关联的结果。
  
  

美团外卖的用户画像该如何设计？

对比登录方式，究竟哪个可以作为用户的唯一标识呢？主要是以用户的注册手机号为标准。

有了用户，用户画像都可以统计到哪些标签。我们按照“用户消费行为分析”的准则来进行设计。

• 用户标签：性别、年龄、家乡、居住地、收货地址、婚姻、宝宝信息、通过何种渠道进行的注册。
• 消费标签：餐饮口味、消费均价、团购等级、预定使用等级、排队使用等级、外卖等级。
• 行为标签：点外卖时间段、使用频次、平均点餐用时、访问路径。
• 内容分析：基于用户平时浏览的内容进行统计，包括餐饮口味、优惠敏感度等。
  
  

当你有了“用户消费行为分析”的标签之后，你就可以更好地理解业务了。

具体在业务层上，我们都可以基于标签产生哪些业务价值呢？

• 在获客上，我们可以找到优势的宣传渠道，如何通过个性化的宣传手段，吸引有潜在需求的用户，并刺激其转化。
• 在粘客上，如何提升用户的单价和消费频次，方法可以包括购买后的个性化推荐、针对优质用户进行优质高价商品的推荐、以及重复购买，比如通过红包、优惠等方式激励对优惠敏感的人群，提升购买频次。
• 在留客上，预测用户是否可能会从平台上流失。在营销领域，关于用户留存有一个观点——如果将顾客流失率降低 5%，公司利润将提升 25%~85%。可以看出留存率是多么的重要。用户流失可能会包括多种情况，比如用户体验、竞争对手、需求变化等，通过预测用户的流失率可以大幅降低用户留存的运营成本。
  
  

锻炼自己的抽象能力，将繁杂的事务简单化

上面我们讲到的“用户消费行为标签”都是基于一般情况考虑的，除此之外，用户的行为也会随着营销的节奏产生异常值，比如双十一的时候，如果商家都在促销就会产生突发的大量订单。因此在做用户画像的时候，还要考虑到异常值的处理。

我们的最终目的不是处理这些数据，而是理解、使用这些数据挖掘的结果。对数据的标签化能让我们快速理解一个用户，一个商品，乃至一个视频内容的特征，从而方便我们去理解和使用数据。