京东用户画像分析（详细介绍用户画像）

简介：用户画像也是近几年流行的一个词，但是很多小伙伴对画像的认知仅仅停留在标签的层面，或者只是用来做一些简单的群体分析；如何全面理解和系统化这背后有很多点需要我们去深思和深挖。今天就根据自己的一些看法来分享一下，因为和产品画像的联系，中间也会夹杂一些关于产品画像的知识。如有不足和错误，希望大家批评指正。以下欣赏~

今天的分享主要介绍如何通过用户画像和产品画像来构建数字化系统。前面是对整个内容的概述，接下来我们会从浅到深对各个模块进行探索和讲解。由于时间原因，我们将主要通过用户画像进行扩展。，对于重要或有趣的产品画像相关点会略作辅助介绍。

首先，我们来看看互联网公司的核心是什么。我的拙见是围绕商品、供应链、物流、营销活动等的整个购物旅程背后的用户体验。

既然用户体验很重要，那么如何衡量和优化整个流程，就是站在用户的角度去收集各个模块的数据，用统计和概率的思维进行建模分析；在产品运营和成长过程中寻找雪球效应的撬点施加影响，最终建立良性闭环。

作为互联网从业者，其实我们经常会有一些困惑，产品的用户是谁？他们满意吗？产品健康吗？有什么问题？我们如何才能很好地为我们的用户服务并最大化彼此的利益？

如何打造更多用户使用的产品，如何打造更多用户喜欢的课程？就像小坡站（B站）在成长过程中一直在解决问题，如何突破二次元的定义，如何打通用户圈，如何让尽可能多的人在B站找到自己喜欢的内容，怎么做 对存量用户留存和增量用户拉动。当然，肯定没有人人都满意的产品和课程，但如何在现有体系下最大限度地满足？我想这是每个人都希望得到答案的根源。

手段之一是以增加用户数量和保持现有用户数量和价值为目标，利用大数据技术精准用户画像，结合产品画像，解构用户和产品，微调耕作，最后专注于关键目标客户。分组突破。比如电商猜你喜欢的个性化推荐技术，万能的淘宝有海量的产品可以满足几乎所有人的购买需求，但是如何让用户能够准确快速的找到是个大问题，而个性化是它的根本，用户画像和塑造是个性化的基础，希望让用户感受到产品为他们打造的满足感。

如何解构用户？比如你很了解某个人，和他一起吃饭，如果你收集了你之前和他一起吃饭的好恶（用户动态数据），那么他的性格是什么（犹豫不决）（用户数据），他是否喜欢吃辣（用户数据），然后你结合有哪些菜，是否辣（产品静态数据），做两端匹配可以提供更好的体验。所以不仅仅是用户画像，产品画像或者其他维度也是需要的，最重要的是搭配。

那么我们来看看目录。第一部分是什么，即什么是用户画像；第二部分是为什么，为什么需要用户画像和精细化运营；那么第三部分是如何，我们如何建立产品和用户画像；第四部分是一个例子，是一些方法论的介绍；最后，我们做一个总体总结。

课程的目标是通过分享让大家了解用户画像和产品画像，整体概念框架和一些构建方法；熟悉常用产品和用户画像的一些应用；尝试结合自己的工作做一些练习。由于过去公司数据和技术的机密性，我们无法直接与您共享特别细粒度和相应的数据。所以在分享的过程中，我会结合行业内的一些案例，以及其他前辈在网上公开分享的内容和数据，帮助大家了解整个应用。

01

什么是产品/用户画像

首先我们来看看什么是用户画像。根据维基百科的定义，用户画像是与用户相关的数据的可视化展示。一句话，就是用户信息的标注。从海量的用户信息中找出一些标签，贴给用户。当然，这些标签的来源是一些用户的行为。

以范冰冰为例，通过对客户信息的采集，将客户实体映射为客户画像，最终通过这些画像建立认知。比如范冰冰是演员，是女人，参加过哪些电影节。当然你会问上面这些标签有什么用？这将根据具体的业务场景来确定。有些标签在 X 场景下没用，但在 Y 场景下可能很有用。当然，这也提前说明了人像构建的过程必须与业务相结合。

比较常见的画像是，当我们需要建立平台客户的群体认知时，需要使用视觉标签。让我们看一个食品用户画像。对于餐饮业务场景，在平台上购买的用户是什么样的？比如性别比例、蓝领和白领的比例、对评价敏感的人的比例等，通过拉平纵向偏好用户画像与整体的对比来发现差异和优化点地点。

比如你是抢购秒杀频道的运营负责人。通过上面类似的分析，你已经发现了秒杀频道的用户画像和全站用户画像的区别。有什么用？例如，我们发现秒杀频道的女性用户或年龄较大的女性用户占比远高于整个网站。然后我们对全站进行分析，发现这类用户喜欢购买的品类是A、B、C；但是我们发现频道里几乎没有A。、B、C类商品，或者A、B、C类商品的价格区间要高很多，甚至还有大量的男性商品。然后我们立即找到了一个优化点。如果我们可以对这个场景中的品类和商品做一些调整，并进行一些测试，我们可能会在测试中发现明显的提升。

再比如食品类下的商品运营如何扩大自己的流量池。通过与上面类似的分析，比如发现某渠道有很多18-30岁的男性，平台上的电子产品也很多。购买产品，结合您的专业知识，您是否可以考虑进入该渠道为您的碳酸饮料。

上面是一个更直观的应用程序。其实我们可以通过算法挖掘群体偏好（如果没有算法基础，可以跳过），进一步改造渠道中的产品。例如，我们可以通过算法对过去N天的渠道中用户的产品进行召回和排序，生成他们在全站购买的产品，然后通过用户的活动减少这些产品的向量在频道和频道 LTV 上。，形成一个包含 300 或 500 个产品的最终产品库。这些产品是你的典型用户的集合，可以和你现有的产品集合集成测试，会有很好的收益。消费购物非常复杂，需要根据具体的业务场景进行开发。

顺便介绍一下什么是产品画像。可以简单理解为产品画像，就像用户画像一样。可以简单理解为一个产品的海量数据的标签。根据产品的特点、设计、功能、品味、潮流、价格段、受欢迎程度。、销售状况、促销力度、销售渠道的差异，将它们区分为不同的类型，然后从每种类型中提取典型特征，并给出名称、特征、场景、统计元素等描述。

事实上，产品和用户画像之间有很多交叉和互动。例如，产品具有适合人群的标签，例如女性或男性。可能是很多女性用户经常购买，或者用户经常购买某个品类或颜色的产品。，然后用户可以附加类似的标签。有了产品标签，运营在做活动的时候，可以根据活动首页和分会场的人群定位，选择产品，营造氛围，比如时尚中的产品池的选择场地，如合约表现不佳（拒绝、退货、低价评级）、高点击&低转化产品控制。

02

为什么需要产品/用户画像？

为什么需要角色？事实上，在用户使用产品的过程中，如果我们做对了事情，让用户体验非常好，那么我们其实可以有很好的收益。但是如果我们做一些用户体验很差的事情，损失将是巨大的。

如何在企业商业化的过程中实现与用户的共赢，需要逐步探索。一种方法是通过数据推动决策制定以实现利益最大化，在此分享。通过用户和产品资料找到并更好地服务于为您的产品付费的人群。

通过前期形成的产品，已经形成了我们平台的一些忠实客户。对这些群体的解读，可以带动产、销、销一体化。需求（用户）和供给（商品）之间存在匹配的GAP，可以促进精准供给体系的构建，比如C2M和C2B的可能尝试。

我们从宏观和微观的角度来看看人像的作用。微观上主要是细化，如推荐、搜索、精准营销、精准投放、风控、定量定性分析、数据化运营用户分析等。从宏观上看，就是将用户的认知形象化。在探索用户足迹的过程中，建立了市场细分和用户群。

顺便说一下产品画像的作用。产品画像的前端作用更多的是在流量分配中与用户画像匹配，以及一些相关的推荐和精准推送。比如用户标签是a类的价格段偏好，那么产品画像也有价格段标签。比如用户喜欢一件30-50元的衣服，那么这个产品是一件衣服，正好是30-50元，那么这个维度上可能比其他价位的产品更合理；然后，通过将其他维度的产品与用户标签的匹配相结合，可以构建更多的匹配维度。

在后端维度上，产品画像也能带来很多帮助，可以带动后端供应链。通过商品画像的历史情况（近期曝光量、点击量、订单量、转化量等），可以做出销量预估，进行备货、采购、越库、生产物流等的优化。

对于统一建模和预测分析，首先，如果你有人口统计属性，比如性别、年龄等，你可以明确用户是谁，他在平台上买了什么，为什么；划分后，可以明确市场机会、市场规模等关键信息；再次，就是产品需求的细分，根据差异化竞争提供产品规格和商业价值，可以做更多的差异化竞争，不做大量库存，成本更精准可控；最后是利益态度的细分。通过用户画像，可以做不同的渠道策略、定价策略、产品策略、品牌策略；比如渠道策略，我们可以进行渠道归属和捕获对应的用户群，

综上所述，产品和用户画像非常重要。两者相辅相成，在整个用户体验过程中都非常重要。

03

如何建立产品/用户画像

——以用户画像为例——

那么如何建立用户画像和产品画像呢？这是一个称为分析器的概念。电影中经常有一些概念。 通过观察和收集犯罪现场信息（数据收集）来想象犯罪者的心理和心理。犯罪时的行动（预测），最终带来破案的机会（实施），与建立用户画像的方法类似。

第一步是收集数据。图中的方法很多，各有优缺点。但是，目前主流的方法是将用户静态数据与海量平台用户行为数据相结合。通过埋点，我们可以看到用户在我们的平台上浏览了哪些产品，订购了哪些产品，购买了哪些产品。将这些数据串起来可以作为了解用户的入口，进而通过一些统计和概率知识建模，比如用户细分、生命周期划分、流失用户研究等，做深度挖掘。接下来，让我们解构用户角色。

主要是人口属性、消费需求、购买力、爱好、社会属性等。

用户画像的粒度很简单，比如年龄标签是20-30岁和21岁，这两个明显是不同的粒度标签

第三，从层次结构来看，用户的基本属性和行为标签是浅层的用户画像。这些标签画像主要是收集的，比如年龄和性别。第二层是汇总层，有一点处理，比如手机端活跃的时候，经常购买的品类等等。第三层是基于前两层可以实现的营销敏感性、社交关系、在线时间预测；最后一个比较深，需要根据业务知识进行定制。比如保险领域的高、中、低值，贷款需求的程度，风险的高低。

我在网上找到了一个金融领域的例子。例如，根据活跃情况，可以区分活跃用户和流失用户，然后根据时间窗口维度，可以分为48小时活跃用户和非活跃用户。简单的统计可以给用户贴上各种标签。比如最近12个月的累计订单超过20次，可以分为高频用户和低频用户。不过，如果再展开，可以自行阅读上图。

当然，用户画像所依赖的基本产品标签是必不可少的。例如，在用户服装偏好下有一个颜色偏好（白色）。这是附加在产品上的与用户历史点击、购买、收藏等相关的标签的聚合。实际上，底层产品的颜色标签是必不可少的。

下面是一种构造方法，但不是唯一的方法。

一是从大维度上分为动态和静态两大类。例如，性别、年龄、地区、收入和生活习惯等人口统计数据是相对静态的。性别一般不会改变。年龄每年增加一岁。职业所在行业不会发生突变，这些可以归类为静态标签。比如用户对设备的访问，用户是否48小时活跃，内容&商品消费偏好不断变化，这些都可以归类为动态特征。

静态和动态的划分其实是按照一定的维度，或者在一定的时间窗口内确定的。静态人像一般实时性较弱，更新慢；动态肖像的变化相对较快，并且可能具有时间敏感性和空间差异。

不同的行业、不同的业务，会有不同的建设目标和方法。在这个过程中，标签维度的扩展是由业务应用的元素分析驱动，进而通过标签维度的扩展。然后我可以再次推动业务。

上图介绍了常用偏好标签建模的思路。我们不会过多地扩展它。有兴趣的朋友可以私信交流。

系统化的标签制作怎么做，可以参考上图，上图的元素和很多美团的做法，限于篇幅，这里就不过多展开了，后续分享可以专心到施工细节。

关键是结合业务，构建闭环，用数据提升业务理解，通过业务理解快速搭建画像相关的数据体系。

04

产品/用户画像的应用

第四部分，我们将介绍一些人像的应用。

首先，我们通过用户画像来介绍与竞品的对比分析。在调整和选择大战略时，可以有差异化的市场定位。根据用户标签进行市场细分和群体画像分析，并输出分析报告；帮助企业了解用户人口统计、人生阶段、消费偏好等；帮助企业分析用户和朋友之间的异同，优化市场定位和差异化产品策略。这部分数据有自己的内部数据，竞品的数据可以通过第三方间接获得。

比如今天的shein，作为一个跨境快时尚平台，做得很好。如果同类型平台可以考虑区分年龄标签，比如他们砍掉18-35岁的年轻女性，是否可以考虑将35-50岁作为用户群体，中年女性在运营过程中进行调整，而是在利基点有不错的收入。

另一个思路是，如果我们在一些用户的标签维度上存在较大的差异，如果我们只是想拿下这些用户，那说明我们可能做错了，我们可以用数据来排查问题，比如当我们把频道选择的过程带来这样的差异吗？是不是货有问题，价格太高？品类深度不够？认识到这种差异，我们可以进一步深入分析或用户访谈，以调整我们为用户进行产品的心理创造。

通过人像数据的对比，可以确定一件事，那就是我们的竞品是谁。真正的竞争对手突然出现在你的面前，那个肖像与你高度重叠的人，而不是我们想象的那个人。如果你发现被认为是竞争对手的典型用户群体在 30 到 50 岁之间，而你的群体是 20 到 35 岁，那么至少在目前的情况下，你是一个弱竞争对手。

在定位到不同的人群，根据数据做出一定的划分之后，我们还可以根据情况进行针对性的投放和媒体的选择。在做广告和营销推广的时候，我们根据画像来划分用户，将他们划分为大市场->交易->高价值用户，然后通过一定的标签进行数据分析，比如上图中的性别维度，我们发现在女性实际上是女性的比较中，高价值用户中的用户比例与大盘用户的比例相反。

然后有几个可以遵循的动作，可以分析交付渠道和产品。是排水的问题吗？还是产品对男性用户来说自然不高？产品操作有问题吗？如果不做调整，后期分销渠道选择女性标签会不会更准确？

我们希望根据不同媒体目标的覆盖范围分配预算，并在平台上按标签划分人群。对于上述问题，我们将性别分开。是否还有其他维度可以进一步拆分？例如，通过用户反映的APP安装列表，平台上的高价值用户安装了各种购物APP和金融APP。在投放过程中，可以根据渠道的不同进行过滤，或者在投放过程中选择一些对应的标签词进行尝试。

上面的例子是根据用户画像选择不同的渠道，逐步测试和优化。对于产品的定位调整，可以尝试结合产品的生命周期，做一些品类的深度和广度的操作。

对于不同生命周期的用户，数据和画像的丰富程度也会有所不同。在精细化操作过程中，可以根据情况进行差异化操作。这是另一个案例。在用户分析方面，将通过用户调研和访谈进行初步的产品定位。在上线和拓展的过程中，会根据用户现场的情况进行效率分析。新用户的特点是什么？核心用户属性是否有变化？前后一年的获客可能会有很大差异。这种差异经常被关注，你可能知道产品的变化是否符合预期。

精准营销领域的一些尝试，可以参考上图。分析历史上某个时间窗口内的用户，哪些方面是独特的，比如年龄组、性别、地区、收入、偏好等。通过这样的分析，你可以选择对应的人群进行投放。输出到媒体广告，做预算看效果，然后返回效果数据，再迭代进一步提高准确率。通过某个功能找人，然后分析这些潜在用户，找到可以接触到他们的渠道。

上图也和之前的介绍有点类似，功能也差不多。就是从现有用户中筛选出核心用户，结合这组用户的标签，对投递标签进行初步筛选。当需要控制成本时，可以通过核心组标签 -> 强相关组标签 -> 普通用户标签放置。在这里，还需要结合不同人群经常互动的产品来选择产品池。

在看一个金融领域的应用案例时，根据职业、年龄、存款等进行筛选，根据历史理财偏好进行基金推荐。

另一个概念是CRM。业内有很多讨论，也存在一些问题，如上图所示。稍后我们将讨论 CRM。

有几个需要注意的地方。事实上，有时我们现有的用户并不等于目标用户。在产品运营的过程中，你会发现平台上的用户画像是这样的，但是结合竞品的策略和一些情况，我们会做更多的差异化竞争。重叠部分是高价值用户，是否应该投入更多的人力？结合用户画像更细粒度地扩大人口，是A人口，B人口，还是C人口？

那么第二点就是要建立什么样的用户画像，比如用户是男是女，收入多少，喜欢什么样的产品。这些标签可能毫无意义。如果要说有意义的地方是这些标签如何影响决策，如何给用户带来更好的体验，带来更高的留存和复购。

05

评测总结

要从实践中得到真正的知识，我们需要结合具体的业务场景去尝试。

我们需要分析业务场景，然后不要只看画像，而是做一些对比，通过前后对比，与竞品对比，渠道与市场对比等。 ，找出缺点和优点，做修正和调整。通过数据反馈形成数据闭环，最终在产品的迭代过程中获得更好的业务成果。综上所述，做人像，要有目标，要有数据，不要拘泥于技术细节。大胆尝试，然后先粗粒度，再细粒度。