用户画像是打造超级产品的关键，最初来自于大数据行业的概念。如今也成为精准创新、精细化洞察用户总结挂钩。这次将从艾永亮超级产品公众H所写的文章中分析出关于打造超级产品的用户画像。希望大家看完后能够有所启发。

01

用户画像是什么？

用户画像是根据用户在互联网留下的数据，企业主动或被动收集用户信息，最后进行挖掘用户的方法论。例如，用户的性别、地区、工资甚至是喜好。

很多企业会把用户标签和用户画像对等，但其实用户标签并不等于用户画像，只是标签是企业对用户最直观的解释。

用户画像的关于产品创新和用户调研的方法论。当企业在讨论产品、用户需求、场景、用户体验时，通常会将焦点聚焦到某类用户群体上，那么用户画像就是目标用户标签的集合。

这并不是具体指的是谁，而是使用产品的典型用户群体。

用户画像是许多数据产品的基础，成为企业了解用户的必要环节。、在产品创新初期，企业会通过用户调研和交流的方式来了解用户，当用户群体扩大后，调研的效率有所降低，那么这时用户画像成为企业了解新增用户特征以及核心用户属性是否发生变化的工具。

据艾永亮超级产品公众H文章中提及的用户画像方法论，我们可以将用户画像理解为产品层面的数据库，各类标签是多维分析的要素，数据则是起到支撑作用。

因此，许多企业都会花费一大笔钱建设用户画像，但最终结果仅仅只是做了一份用户画像报告，例如，性别、地址、用户消费金额等，看上去好像挺像一回事的，但实际上看完也就看完了，难以运用到产品当中。

很多用户画像报告做得确实挺好，但最终都沦为形式主义。

举个例子，在艾永亮超级产品公众H所写的文章中，曾有读者吐槽，企业建立了用户画像，大概划分了百来个维度，例如，用户的消费情况、属性以及行为等....这样的用户画像足够了解用户了吧，结果产品上线后只能干瞪眼。

这个问题就在于，用户有那么多维度，怎么样合理地选择标签？难道不应该对用户层级进行分类？应该累计消费多少金额才能成为VIP用户，后期该如何维护和持续洞察用户？为什么要选择这几个标准？产品发生变化后要修改这个标签吗？

搭建好标签后，该如何验证用户画像的有效性？怎么样才能知道我的产品成功了？有没有更多的应用场景？

我想这就是很多企业面临的类型情况，使用用户画像一段时间后，发现没什么作用，到了后期基本上也就不再使用了。

建立起用户画像，却难以应用。

02

如何理解用户画像

现在企业按照产品周期设立了几个标签，例如，活跃用户、新用户。流失用户，这些标签都能够进行细分？但你能确定这真的值得企业花费时间细分吗？

要知道这些都存在滞后性的，按照流失用户来说，往往这类用户是在很长时间未曾使用过产品，有时候是好几个月才被成为流失用户，因此，哪怕知道这是流失用户也无济于事，这是有价值的，但太滞后了。

在艾永亮超级产品公众H文章中关于这点提到了一个新方法，将最近一次活跃到今天的数据，用户六个月没有活跃，那么就为180天。这比简单记录流失用来要来得好，能够划分为不同的距今天数进行分类，设定时间为30天、90天。180天为节点。

当然，距今天数并不是最好的，用户之间还是有差异的，哪怕他们不活跃的天数相同，但流失率不一定对等。该问题在低频场景中尤为明显。

让我们回头再次分析关于流失用户的定义，首先，并不是为了设立一个高大上的系统。其次，是为了如何挽留。我相信任何一家企业都希望流失用户越少越好，那么在产品没问题的前提下，预防性的减少流失用户比记录流失用户更重要。

因此，最好的流失用户标签为：流失率>距今天数>流失标签。

当然，在这个过程中我们不能忽略用户画像的核心价值，那就是在确定产品创新的目标下的用户标签集合，通过数据进行验证后进行精准推荐，这才是用户画像背后的逻辑。

不是因为我有了用户画像才能驱动产品进行创新，而是为了创新而建立用户画像。

用户画像可以通过两种形式获得，一种是基于已有数据、流失标签和距今天数，另一种是已有数据计算概率模型，需要运用到机器学习和数据挖掘。

概率处于0~1之间的数据。就拿性别来说，除非能够获得用户的信息，否则很少用户会填写性别，而且填写的性别也不一定精准，多少游戏中性别为女的抠脚大汉一抓一大把。

在这里我们可以增加判断用户性别的算法，例如，名字、通过已有的姓名性别库预测新用户的性别。

特殊情况下，不少中性的姓名，更有看似男性名字，也有可能是女性。这种特殊情况意味着特殊概率，那么我们可以通过模型进行推断，当然为了方便，在模型中会设立阈值，百分之多少以上的概率会被认为该用户是男性，以下则默认为女性。

除了生理上的性别，还需要建立消费模具上的性别标签，虽然有些人是男性，但他们在购物行为上为女性，对于这点要进行区分。

03

总结

看到这里大家可能觉得用户画像太过于复杂，其实用户画像是基于产品模型，用于理解用户决策，结合场景以及产品形态还有用户需求.....这些都离不开用户画像。

对于企业而言，没有一个用户画像标签能够脱离产品之外，基于产品，我们可以想象很多关于用户画像的玩法，例如，你开了一家沙拉门店，那么沙拉有不同的口味，那就可以分为用户口味偏好，喜好程度，相似度，价格偏好，在深入场景，某个办公室地点每天都会有五六笔订单，那么可以分为不同的用户不同的时间段，根据后台数据，以团购或拼单的模式促进订单合成，降低人力成本。

用户画像可以按照产品划分为多个模块，例如，用户消费画像、用户行为画像、用户兴趣画像、具体的画像如何还是要看产品的最终形态。

企业越大，用户画像就越复杂，它的作用在于将数据进行标签化，促进产品进行创新，不同标签对应着不同的用户群体，也对应着不同的用户需求。

好的用户画像就像数据生态体系，结合着产品和企业的生态体系，这是一门复杂的交叉领域，因此，不仅仅局限于一种方法论，希望大家能将其核心思想吃透。

如果你想了解更多关于用户画像的方法论，不妨关注“艾永亮超级产品”公众H