|0x00 用户画像是什么
用户画像（Personas），最早由交互设计之父Alan Cooper提出，原意是建立在一系列真实数据之上的目标用户模型，也可以理解为真实用户的虚拟代表，用于描述自然人的属性。在互联网中，也可以理解为用户标签（Profile）的概念，与大数据概念强相关，通过数据来刻画用户。
在笔者的心目中，用户画像可以理解为“基于用户行为数据而获取的用户形式化表达”，通过用户的行为特征、社会属性等各个维度的数据，展示目标用户群体的全貌信息，并根据这些信息挖掘其潜在价值，是数据分析与应用的基础，也是企业应用大数据的数据智能的根基。
互联网企业在定义产品、服务的功能边界时，首先要考虑的就是我们的目标用户群体是谁，我们应该如何找到这类用户。在业务发展的早期阶段，会比较多的借助于用户画像，帮助产研人员理解用户的需求，降低产品使用的复杂性。而随着业务不断发展，用户画像也成为了维持用户增长、进行AB实验的基础性数据，深度与广度都会不断的进行丰富。
可以说，用户画像本质是企业的数据资产的一种表现形式，是个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好等具体应用的核心支撑。
|0x01 用户画像包括什么
用户画像通常有几百种描述方法，数据的来源与计算方式也是多种多样，不仅有偏静态的属性数据，也有基于行为数据的统计，同样也有丰富的算法标签，因此需要体系化的整理思路，以降低画像数据的理解成本，同时也可以做针对性的数据质量监控。
在通常情况下，我们会将用户画像数据分成三类：用户的属性描述、用户的行为数据，以及用户的意图数据。
先说用户的属性数据，这一类数据通常是静态的，即不会随着产品变化而变化。用户的属性通常分为两类：
基础属性：如年龄、性别、所在地、通讯方式等；
社会属性：教育、职业、房产、车辆等。
再说行为数据，也可以称之为“事实数据”，通常代表需要进行统计的指标，也是用户在产品上的行为产生的。比如最近N天做了什么事情、最近N天消费多少、最近N天浏览过的内容，等等。这一类的数据通常是分散在各个业务线的，随着产品变化和时间而不断变化，变动通常较大。
最后说意图数据，这一类通常是算法提供的预测信息，比如用户的兴趣偏好标签：美食、摄影、运动、服饰、旅游、教育等。有一些具有行业特色的，如电商、金融等场景，也会做细分的价值标签，根据某一个具体的行业、或者是某一个具体的细分场景而定。
通过以上三类数据，我们可以比较清楚的刻画出用户的现状。但还有一个技术细节需要注意，在有了用户标签的数据后，我们还需要将这些数据精准的映射到同一个用户ID上，即统一用户ID的建设。因为用户的数据是分散在各个业务线，是在不同的端上进行的行为，甚至是同一台设备、多个不同的用户使用。
在阿里的OneData方法论中，特别提到了OneID的建设，是将用户、设备等业务实体对应的业务数据，映射为唯一的UID，在用户画像领域是基础性的支撑技术，本质是一套解决数据孤岛问题的思想和方法。
|0x02 用户画像只能给常见的分析模型
使用画像做数据分析，重点是解决产品的发展、定位与潜力问题，而不仅仅是处于好奇心，为了向上汇报而搞分析。因为搞不清楚定位，就无法搞清楚种种复杂细分事项的优先级，也就不知道哪些问题对产品真正的有影响。
对用户画像使用比较好的场景，一个是用户增长；一个是电商营销分析。我们介绍一些常见的电商营销分析模型。
首先是AIPL模型，一个可以量化的人群资产运营模型，最早来源于美国，在电商行业被发扬光大。AIPL每个阶段的概念如下：
A：Awareness，认知；
I：Interest，兴趣；
P：Purchase，购买；
L：Loyalty：忠诚。
AIPL的分析过程，就是看用户从看到、点击、下单、购买的全部过程。在很多时候，用于如果比较犹豫的话，适时的发一个红包，那么对于促进转化的作用可就太大了。比如针对链路中“I人群”到“P人群”流转率太低的问题，说明店铺目前缺少销售转化机制，可以根据标签将用户分成不同的群组，通过推荐不同的优惠来促销。
其次是Fast模型，一个衡量用户健康度的运营模型，帮助商家分析用户群体的总量，以及总量所对应的质量如何。FAST对应的说明如下：
F：Fertility，消费总用户数；
A：Advancing，人群转化；
S：Superiority，高价值用户总数；
T：Thriving，用户活跃率。
FAST从GMV的视角分析品牌自身的用户消费情况，可以根据用户的潜力情况，进行差异化的运营。比如某品牌通过对双11的GMV目标拆解，反推出各层级人群体量需求，然后过优化营销预算投入，追加一定的营销费用，最终在双11期间的新老客成交额均超额完成。
最后一个是GROW模型，大快消行业的增长模型。在电商用户总数见顶的情况下，增长变的乏力，那么对细分人群寻找增长机会，就变得更加重要。GROW的概念是：
G：Gain，渗透能力；
R：Retain：复购能力；
O：Boost，价格能力；
W：Widen：延展能力。
对于具体的细分品类，可以在GROW的基础上，寻找增长发力的方向。比如食品类目中最适合提升渗透力的前10大二级类目有哪些、最适合做价格力提升的有哪些；美妆行业中最适合提升渗透力的有哪些，等等。
|0xFF 用户画像还能做什么
当然，在使用画像数据做分析前，请确保计算标签的整个开发流程是顺畅的，否则无穷无尽的创意，很容易拖垮整个研发团队的节奏。除了做分析之外，用户画像对于公司的业务，还有很多其他的帮助。
例如，用户画像可以帮助公司对产品进行定位，确定我们在细分市场中的位置，因为只有明确了目标用户群体，通过画像来理解这群人，洞察他们需要什么，才能够做出准确的产品功能定位，设计出符合用户需求的功能。
除此之外，在公司大大小小的各种决策上，用户画像也可以起到“达成共识”的目的。我们都熟悉AB测试对于功能效果的评估作用，但在没有AB测试之前，我们如何来对海量的创意进行归类和挑选重点呢？
很多设计性的思路，本就是发散的，如果就着功能说功能，恐怕谁都无法说服谁。实际上，通过功能所面向的用户画像，通过一个“抽象化”人的形象，来讨论问题，那么对于目标问题就很容易达成一致，因为这提供了一种中间态的、有标准的评判方法。
当然，AB测试的时候，我们通常也是需要区分用户群体来进行测试，而不是仅仅是满足统计学的规律。随机抽样的人群，可能对于产品的认知都不同，做出来的实验结果也往往就有偏差。
因此，用户画像是一个企业数据建设的重要基础工作，其价值不在需求本身，而在于能为公司提供怎样的分析思路。
