当我们讨论产品、需求、场景、用户体验时，往往需要将焦点聚集在某类人群上，用户画像便是一种抽象的方法，是目标用户的集合。本文作者对银行用户画像体系的建设进行了分析，希望能给你带来一些帮助。

用户画像的正式英文名称是User Profile，大家往往把它和User Persona混淆，后者更恰当的名字是用户角色。用户画像是产品设计和用户分析的一种方法。当我们讨论产品、需求、场景、用户体验的时候，往往需要将焦点聚集在某类人群上，用户画像便是一种抽象的方法，是目标用户的集合。

举个例子：“女，白领，25~30岁，工资15000~20000，211大学，IT测试工作，居住在北京回龙观，未婚，有男友，喜欢阅读，有房贷，喜欢星巴克，经常加班。”这样一串描述即为用户画像的典型案例。如果用一句话来描述，即用户信息标签化。

一、用户画像的作用

用户画像实际就是一个数据分析工具，帮忙银行洞察用户的需求，可以持续改善产品以提升体验，还有最重要的功能就是精准营销和精细化运营。

1、广告投放前一定要清楚你的用户是谁，长什么样，比如多大、什么职业、家庭收入，用户经常出现在什么渠道，有个用户画像分析，就可以进行精准的广告投放，提升投放转化的ROI。

2、银行在营销前最大的痛点就是营销转化率太差，营销客群选择上太粗放，通常拉一批名单直接营销，营销转化太差，所以导致营销成本太高。

精准化营销需要利用用户画像平台，对用户进行分层、分群，差异化的营销，根据不同类型的用户采用不同的营销策略和不同的触达方式。

3、个性化推荐需要分析用户、了解用户，知道用户的偏好，有区别的推荐给用户。

4、通过分析用户的行为，为用户打标签，一个用户会存在多个标签，同时根据用户的行为为不同的标签赋予不同的权重，通过用户分析研究不同用户都有什么样的特征和偏好，以及核心用户的属性、特征、偏好是否有变化。

5、在产品功能迭代的时候，我们需要分析用户画像行为数据，去发现用户流失情况，最典型的一种场景就是漏斗转化情况，就是基于用户的行为数据去发现流失严重的页面，从而相对应的去优化对应的页面。

比如我们发现从下载到点击付款转化率特别低，那么有可能就是我们付款的按钮的做的有问题，就可以针对性的优化按钮的位置等等。

同时也可以分析这部分转化率主要是在那部分用户群体中低，假如发现高龄的用户的转化率要比中青年的转化率低很多，那有可能是因为我们字体的设置以及按钮本身位置不显眼等等，还有操作起来不方便等等因素。

二、从0到1建设思路

一个比较成熟的画像系统，会有成千上百的标签，这些标签的生产不是一次完成的，而是随着业务的发展需要，逐步补充完善，最终呈现在大家眼前的就是一棵庞大的标签树。

跟自然界的树木一样，要想长得茁壮参天，必须有一个稳定的根基和合理的结构，用户画像的构建也是一样的，前期最重要的仍然是搭好画像骨架，确保后续的发展过程中，依然保持清晰的结构和高延展性。相反的，如果一开始为了抢时间，将大量标签无序的堆在线上，后期管理和使用的难度会迅速凸显出来，重构的代价巨大。

我们看一个银行用户画像体系，其实银行建设一个好的标签树结构要满足两个条件，“高概括性”和“强延展性”，高概括性意味着结构体系能够很好的包含一个用户的基本属性和产品交互的相关行为，同时对于银行业务重点单独强调，没有遗漏。“强延展性”意味着结构全面的同时也有一定的抽象概括能力，保证新增的标签可以很好的找到对应的分类，整个体系不会过于收敛局限。

1. 基本属性

基本属性是指一个用户的基本社会属性和变更频率低的平台特征，例如真实社会年龄、性别、婚姻状况、昵称、号码、账号、lbs等标签。这些标签类型多为直采型，可从用户基本信息表中直接获取，不需要统计或者算法挖掘。

示例：性别_女

2. 行为属性

平台属性是用户在手机银行平台上操作时表现出的基本属性特征，是利用用户行为进行算法挖掘，标识用户真实属性的标签。

最典型的平台属性标签例如平台年龄标签，这里就有一个疑问，为什么在用户的基础属性中已经有年龄标签，但在平台属性中重复又有一个呢，这里就涉及两者之间的差别。

我们在这里举2个例子：

一个用户社会身份为20岁，但他喜欢中年人的偏好风格，在使用app购买理财、保险产品的时候，表现出的真实偏好为30-40岁，对于这样使用产品时表现出的用户心智和真实年龄不相符合的用户，如果只采用上传的基本属性，给他推荐年轻人喜欢的产品，是不是很难命中个体用户的兴趣呢？

一个用户在注册信息时填写的性别是男性，但是他之后的购买行为和浏览内容都是偏女性向的。如果不做平台属性的标签，直接将其标记为男性用户，之后系统推荐给他的都会是男性向的内容，并不是用户真实想看的。所以，一般做推荐算法，或者定向BD策略，往往是用平台属性标签比较多。

两种不同的标签，本质上是用户自己上传信息的随意性和挖掘信息的权威性差异，是用户社会属性和真实属性差异。

我们仔细分析一下两者在数据源、计算逻辑、标签格式、标签值和应用场景的差异，如下：

数据源与计算逻辑：基础属性是利用用户自行上传的存储在用户基础信息表里的数据，平台属性则利用客户端或者服务端埋点上报采集的用户行为数据进行挖掘计算生成。基本属性是典型的直采型标签，平台属性是典型的算法挖掘型标签。

末级标签和输出标签值：以性别为例，基本属性代表用户真实的社会身份，是确定的事实，所以典型标签形式为“性别_女”，而平台属性则代表用户在性别维度的偏好概率，所以典型形式为“性别_女_0.80”其中‘女’为末级标签，0.80则代表用户在平台的女性身份上表现出的倾向程度。

应用场景：平台属性通过用户行为进行挖掘，更能代表用户的真实倾向，输出结果比基本属性准确率高，在定向营销和算法里，年龄、性别等通常采用平台属性。而社会属性中电话、身份证、账号、昵称等使用较多。

3. 行为属性

行为属性记录的是用户的全部单点行为，用户的单点行为包括启动、登录、浏览、点击、交易等非常多，而且跟不同的产品，不同的模块交互，不同的时间窗选取，行为就更加复杂了，如何能够全面的梳理，可以按照“产品＊功能模块＊用户单点行为*时间”四大要素来组织。

这里的“产品＊功能模块＊用户单点行为＊时间”意思是一个完整的行为应该包含“哪个产品”“哪个功能模块”“哪个行为”“哪些时间要求”几要素，例如某浏览器存款产品或者理财产品距今最近一次访问时间。按照这几要素组织行为，不容易发生遗漏。

示例：产品初次登录时间，最后一次启动距今时间，30天内搜索行为频次，一个月内闪屏访问次数等。

4. 产品属性

产品偏好是对用户使用某些产品、产品核心功能或者其他渠道的偏好程度的刻画，属于挖掘型标签，其中产品的选取可以包括自家存款产品、竞品。

功能和渠道包括站内产品功能，也包括push、短信、开屏、弹窗等几大运营和产品法宝。

示例：搜索模块偏好、理财偏好、存款偏好。

5. 价值属性

银行的目标最终都是收益，所以交易属性往往作为一个单独的维度重点刻画。交易属性包括统计型标签——消费频次、消费金额、最近一次消费时间等，也包括挖掘型标签——消费能力和消费意愿，同时包含敏感度标签——优惠促销敏感度、活动敏感度、新品敏感度、爆款敏感度等。

6. 风险属性

用户的风险情况，和逾期情况。

示例：逾期次数、逾期金融。

三、用户画像整体架构

用户画像的整体架构，首先进行标签建模，然后建立模式库，形成用户画像的后台库，打标签前需要做很多工作，数据需要首先作整理和清洗，保证数据的质量。

银行标签体系建设是平台的关键，平台的一期可以先建设原始标签和事实标签，二期三期后项目人员对业务和标签体系有深入的了解后再进行建设。

四、用户画像模块

用户画像系统作为数字化平台的重要功能，也可以把服务封闭好，业务通过标签筛选后用户提供给营销中台，下一步作精准化的客户营销。

五、构建用户画像需要注意的关键点

1）所有数据要建立在真实的、准确的、全量的、实时的数据之上

影响用户画像的最终呈现的数据有很多，我们要选择线上的实时的数据来做洞察，相较于线下导入的数据，线上数据更直观，也更真实；其次，线上的数据能够覆盖更多、更全面的端口，来充分记录一个用户的多种行为。

2）标签并不是维度越多、越广泛就一定是最好的

数据量不断扩充，用户画像也会越来越细，越来越多，供我们参考的信息也越多，但是数据的存在是为了形成洞察，洞察的结果是为了指导业务。因此多个用户画像存在的时候，我们一定要制定核心画像和进行优先级排序，跟核心业务路径转化最相关的，作为我们最重视的画像来指导业务。

3）用户画像是需要不断迭代和修正的

用户画像终其根源是人的画像，人的属性，人是复杂的，是动态变化的，因此在真实的业务环境中，一个用户的等级可以逐渐攀升，行为确是多种变化，所以我们做画像的规则也需要动态适应这种变化。

4）误把典型用户当做用户画像

其实我们在社交媒体上，经常会看到某个社交平台公布了典型用户的行为轨迹，然而引来不少人吐槽完全不符合。这个原因就是银行营销人误把典型用户当成用户画像。

典型用户的这些特点，是把用户所有特性抽象表现出来并组合在一起。而用户画像则是把用户以标签的形式360°表现出来，而且千人千面，两者是有区别的。

5）误把用户画像简单理解成标签构成

由于用户画像的形成需要用户标签来构建，因此有50%的人会误理解成用户标签=用户画像。其实是不对的，因为用户标签可以是很多不同的内容。

比如：姓名、年龄、爱好等，这些都属于用户标签，但对于来说，丝毫不利于银行业务产品的营销，因为从银行业务考虑，用户画像是依托于产品而形成的标签存在，这些与产品业务无关的标签是累赘，是误导，不利于业务进一步营销。

六、小结

用户画像发展至今，可用性已经得到了一步步的提升。用户画像建设以庞大的用户数据为依托，借助其标签化、信息化、可视化的属性，构建出一整套完善的用户画像，就可以进一步通过数据来识别与预判经营的风险。

数据完整性和精准度是首要的前提，否则用户画像应用得不到业务部门的信任，也没办法使用。

用户画像应以最终业务目标为指导来进行构建，不同业务刻画出来的用户群体是有差异的，只有选择对业务有价值的标签来刻画用户才能更好的应用在业务层面，实现真正意义上的千人千面。