用户画像绝非简单的数据堆砌，而是驱动业务增长的核心引擎。本文以小说阅读APP为例，拆解如何通过动态行为标签构建精准用户分层，从内容偏好识别到付费阶段定位，揭示大厂如何用MECE方法将冰冷数据转化为可落地的运营策略。

用户画像除了描述性别，年龄等基础情况，能不能指导运营策略，输出提升用户活跃/付费的方案？当然可以！只不过，必须结合具体业务情况。前几天有同学面试某大厂，光顾着背诵RFM指标，结果挂了…… 一起来复盘下，看大厂对用户画像的分析思路与要求。

一、谈用户标签，先谈场景

首先，每种分析方法，是有特定业务场景限制的。从本质上看，网上盛传的RFM做法，只适合高频互动的零售电商业务的场景，比如耐用品、母婴、医疗、保健、游戏、影视娱乐等，都不适合RFM。这位同学虽然有电商的经验，但忽视了：他面的是某厂的小说阅读APP。

小说业务，其付费的动力是高度内容驱动的。想让用户掏钱，至少得有内容让用户看得爽。想让用户看得爽，得知道用户喜欢什么样的内容题材。并且，小说不同于短视频或者直播。用户的爽快感，不是被炫酷的视频瞬时刺激，而是在持续阅读过程中，在沉浸式的体验中获得的。

这样就形成了一个逐步沉浸的转化过程：寻找内容→点击阅读→持续阅读→付费页面→付费→持续付费。因此，定位用户当前所处的阶段，引导用户向下一阶段发展，是用户画像最关键的问题。这需要丰富的用户标签，清晰用户的状态。

二、基础属性标签

有些用户标签，可以用表单收集。比如：

• 母婴产品：BB出生月份数、BB健康情况
• 少儿教育：年龄、年级、科目（英语/语文/奥数）、目的
• 物流货运：货物类型、货物重量、出发地、达到地、时间要求
• 家政服务：家庭位置，服务内容（保姆/清洁/护理），上门时间
• 医疗保健：年龄、性别、身体状况、病史

注意！这些表单是建立在业务本身的刚需之上。比如没有地址信息，阿姨无法上门服务。所以这种表单信息能受到用户的理解和配合，采集难度低，标签准确度高。

在小说这个场景里，就不太适合用表单收集。因为用户对小说的“需求”并不是简单1+1=2，喜欢穿越，喜欢三国，不代表喜欢“穿越去三国”。因此设计表单的时候，无需事无巨细的八卦，尽量找关键字段。对阅读而言：

1）男女性别（男频女频确实差异大）

2）故事题材（比如：玄幻、历史、穿越、言情）

3）是否是某作者粉丝（热门作者/经典作者）

对用户行为影响大，且容易采集，因此可以在表单采集。其他的标签，则要靠后续行为分析获得。

三、关键行为标签

要定位用户当前所处的阶段，需要找能区分用户类型的最关键标签。既然目标是提升付费率，因此付费相关标签，就是第一重要的。根据用户付费记录，可以区分三个状态：从未付费/付费一本小说/付费2本及以上。引导方向也很清晰（如下图）

注意，上边分类里，有一个策略是导向：保持本篇续订。这就意味着，需要观察用户在阅读小说时候的进度。如果付费的小说已经完结了/断更了，就得即使推荐新内容；如果用户根本连看都看不下去，或者已经愤然弃坑，那也得另寻好内容推荐。因此得再考虑用户阅读行为标签。

四、分层行为标签

用户阅读行为对付费意义很重大。理论上，只有入坑的用户才会付费，还很有可能对更多其他感兴趣内容付费。对还没入坑的要尽快拖进坑里，已经脱坑的要防止流失。因此，区分出未入坑、入坑、脱坑状态，很重要(备注：“入坑”是对读者沉迷在某本小说情节的俗称）

用户如果入坑了，最起码的要求是在小说APP的登录时长、登录频次有一定保证，因此可以现用比如最近一周内登录次数/登录总时长，来区分用户平台活跃的轻、中、重（如下图）

再次，如果用户入坑了一个内容，那么他肯定不会东瞄西逛，而会聚焦在一个内容里。那么这个内容占他在平台活跃时间的比例，一定相当长。

这样可以将用户是否聚焦一个内容的标签区分出来：

无感：没有一个长时间活跃的内容

专一：有一个长时间活跃内容

博爱：有多个长时间活跃内容

具体多长算长，也得用分层分析法哦

第三，入坑、脱坑是一个动态过程。之前没有聚焦内容，之后有了，叫入坑；之前有聚焦的，之后没有，叫脱坑。因此构造标签的时候，不能只考虑当前状态，而是得关联上一个周期的状态，比如关联上一个周期，发现用户聚焦下降了，那么可以归纳为入坑。如果聚焦上升，可以归纳为脱坑（如下图）。

有了行为标签，再结合付费，就更能精准区分问题了。当然，在制定策略的时候，也要考虑用户规模，优先满足大群体的需求（如下图）。

在构造标签逻辑的时候，要符合MECE方法，才能避免意外发生，这是专业数据分析人员与业务人员思考问题的本质区别：业务人员能直接抓最显眼的，数据则关注情况全面性与严谨性。

五、兴趣偏好标签

上文有提到，直接收集兴趣会有各种问题。那还能怎么办呢？当然可以从用户行为中提炼兴趣。如果在上个阶段，对用户的内容的阅读行为做了详细分类和统计，就很容易区分出来：

1）用户对XX类型题材阅读时间长

2）用户对XX类型题材忠诚度高

3）用户对XX类型题材付费率高

这样将活跃+付费行为交叉，很容易定义出用户兴趣偏好

当然，有一类用户就是坚持白嫖，有很多关联阅读行为，但是就是不付钱。此时可用优惠券测试，把其中价格敏感型与真正白嫖到底的区分开，从而形成价格偏好标签。

六、输出策略

有了以上基础的标签准备，最终输出策略时就可以像搭积木一般，针对用户需求，组合出各种策略，只要基础打得牢，出结果是手到擒来的事（如下图）

七、小结

很多同学习惯了做网上的现成数据集。所谓的用户画像，大部分是现成的字段，尤其以直接收集的表单字段居多。这种现成的数据集与实际情况差距非常大，并且没有练习到最总要的：利用用户行为打标签。