什麼是用戶畫像呢？一般用戶畫像的作用是什麼？
因為之前為了做用戶畫像正好做過相關的研究，順手答一發。
什麼是用戶畫像（ personas）?
Alan Cooper （交互設計之父）最早提出了 persona 的概念:「Personas are a concrete representation of target users.」Persona 是真實用戶的虛擬代表,是
建立在一系列真實數據(Marketing data,Usability data)之上的目標用戶模型。通過用戶調研去了解用戶,根據他們的目標、行為和觀點的差
異,將他們區分為不同的類型,然後每種類型中抽取出典型特徵,賦予名字、照片、一些人口統計學要素、場景等描述,就形成了一個人物原型
(personas)。
一些大公司還是很喜歡用personas做用研的，比如微軟，騰訊blabla...
為何要建立用戶畫像 personas?
Cooper認為建立 Personas 的好處有
- Creates a common language
- Users are no longer elastic
- Provides a target - no longer designing for everyone in the world
- End debates about prioritization and implementation
簡而言之，用戶畫像（persona ）為了讓團隊成員在產品設計的過程中能夠拋開個人喜好，將焦點關注在目標用戶的動機和行為上進行產品設計。 因為，產品經理為具體的人物做產品設計要遠遠優於為腦中虛構的東西做設計，也更來得容易。
但是特別注意的是:
1、 用戶畫像要建立在真實的數據之上
2、 當有多個用戶畫像的時候,需要考慮用戶畫像的優先順序,通常建議不能為超過三個以上的 persona 設計產品,這樣容易產生需求衝突。3、 用戶畫像是處在不斷修正中的
Persona 一般需要具備哪些元素?
- 姓名 Name
- 照片 Photo
- 年齡Age
- 家庭狀況 Personal details / family life
- 收入 Income/Salary
- 工作 Work / job details
- 用戶場景/活動 Activities / use scenario
- 計算機技能/知識 Knowledge / skills / abilities
- 目標/動機 Goals / motives / concerns
- 喜好 Likes / dislikes
- 人生態度 Quotes
注意:對於手機瀏覽器的用戶而言,使用手機瀏覽器的習慣和用戶的生活方式(尤其是喜好、階級)息息相關。
舉幾個栗子：
當年微軟為office做的人物畫像（包括了用戶的主要活動、使用環境、使用工具等等等...）：
既然寫到了這裡，再順便說一下如何建立用戶畫像 personas?
建立 personas 可以分為以下幾個步驟(參考):
Step1: 研究準備與數據收集
Step2: 親和圖
Step3: 人物原型框架Step4: 優先順序排序
Step5: 完善人物原型參考閱讀:CDC《創建定性用戶畫像》創建定性用戶畫像 (寫的很具體~~推薦指數五顆星)
參考閱讀:
Personas Personas | Usability.govCDC《創建定性用戶畫像》創建定性用戶畫像
親和圖 KJ 法在用研中的應用 KJ法在用戶研究中的應用
移動用戶分類參考 Mobile Usage Segmentation System什麼是用戶畫像？
簡而言之，用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標籤化的用戶模型。構建用戶畫像的核心工作即是給用戶貼「標籤」，而標籤是通過對用戶信息分析而來的高度精鍊的特徵標識。
舉例來說，如果你經常購買一些玩偶玩具，那麼電商網站即可根據玩具購買的情況替你打上標籤「有孩子」，甚至還可以判斷出你孩子大概的年齡，貼上「有5-10歲的孩子」這樣更為具體的標籤，而這些所有給你貼的標籤統在一次，就成了你的用戶畫像，因此，也可以說用戶畫像就是判斷一個人是什麼樣的人。
除去「標籤化」，用戶畫像還具有的特點是「低交叉率」，當兩組畫像除了權重較小的標籤外其餘標籤幾乎一致，那就可以將二者合併，弱化低權重標籤的差異。
用戶畫像的作用
羅振宇在《時間的朋友》跨年演講上舉了這樣一個例子：當一個壞商家掌握了你的購買數據，他就可以根據你平常購買商品的偏好來決定是給你發正品還是假貨以提高利潤。且不說是否存在這情況，但這也說明了利用用戶畫像可以做到「精準銷售」，當然了，這是極其錯誤的用法。
其作用大體不離以下幾個方面：
- 精準營銷，分析產品潛在用戶，針對特定群體利用簡訊郵件等方式進行營銷；
- 用戶統計，比如中國大學購買書籍人數 TOP10，全國分城市奶爸指數；
- 數據挖掘，構建智能推薦系統，利用關聯規則計算，喜歡紅酒的人通常喜歡什麼運動品牌，利用聚類演算法分析，喜歡紅酒的人年齡段分布情況；
- 進行效果評估，完善產品運營，提升服務質量，其實這也就相當於市場調研、用戶調研，迅速下定位服務群體，提供高水平的服務；
- 對服務或產品進行私人定製，即個性化的服務某類群體甚至每一位用戶（個人認為這是目前的發展趨勢，未來的消費主流）。比如，某公司想推出一款面向5－10歲兒童的玩具，通過用戶畫像進行分析，發現形象＝「喜羊羊」、價格區間＝「中等」的偏好比重最大，那麼就給新產品提供類非常客觀有效的決策依據。
- 業務經營分析以及競爭分析，影響企業發展戰略
構建流程
數據收集大致分為網路行為數據、服務內行為數據、用戶內容偏好數據、用戶交易數據這四類。
- 網路行為數據：活躍人數、頁面瀏覽量、訪問時長、激活率、外部觸點、社交數據等
- 服務內行為數據：瀏覽路徑、頁面停留時間、訪問深度、唯一頁面瀏覽次數等
- 用戶內容便好數據：瀏覽／收藏內容、評論內容、互動內容、生活形態偏好、品牌偏好等
- 用戶交易數據（交易類服務）：貢獻率、客單價、連帶率、回頭率、流失率等當然，收集到的數據不會是100%準確的，都具有不確定性，這就需要在後面的階段中建模來再判斷，比如某用戶在性別一欄填的男，但通過其行為偏好可判斷其性別為「女」的概率為80%。
還得一提的是，儲存用戶行為數據時最好同時儲存下發生該行為的場景，以便更好地進行數據分析。
行為建模該階段是對上階段收集到數據的處理，進行行為建模，以抽象出用戶的標籤，這個階段注重的應是大概率事件，通過數學演算法模型儘可能地排除用戶的偶然行為。
這時也要用到機器學習，對用戶的行為、偏好進行猜測，好比一個 y＝kx＋b 的演算法，X 代表已知信息，Y 是用戶偏好，通過不斷的精確k和b來精確Y。
在這個階段，需要用到很多模型來給用戶貼標籤。
- 用戶汽車模型根據用戶對「汽車」話題的關注或購買相關產品的情況來判斷用戶是否有車、是否準備買車
- 用戶忠誠度模型通過判斷＋聚類演算法判斷用戶的忠誠度
- 身高體型模型根據用戶購買服裝鞋帽等用品判斷
- 文藝青年模型根據用戶發言、評論等行為判斷用戶是否為文藝青年
- 用戶價值模型判斷用戶對於網站的價值，對於提高用戶留存率非常有用（電商網站一般使用RFM 實現）還有消費能力、違約概率、流失概率等等諸多模型。
用戶畫像基本成型
該階段可以說是二階段的一個深入，要把用戶的基本屬性（年齡、性別、地域）、購買能力、行為特徵、興趣愛好、心理特徵、社交網路大致地標籤化。
為什麼說是基本成型？因為用戶畫像永遠也無法100％地描述一個人，只能做到不斷地去逼近一個人，因此，用戶畫像既應根據變化的基礎數據不斷修正，又要根據已知數據來抽象出新的標籤使用戶畫像越來越立體。
關於「標籤化」，一般採用多級標籤、多級分類，比如第一級標籤是基本信息（姓名、性別），第二級是消費習慣、用戶行為；第一級分類有人口屬性，人口屬性又有基本信息、地理位置等二級分類，地理位置又分工作地址和家庭地址的三級分類。
數據可視化分析這是把用戶畫像真正利用起來的一步，在此步驟中一般是針對群體的分析，比如可以根據用戶價值來細分出核心用戶、評估某一群體的潛在價值空間，以作出針對性的運營。
如圖：後記這裡只寫了用戶畫像的構建流程和一些原理，下次有時間我會寫篇關於大數據平台的實踐文章，並說一下一些行為模型的演算法原理，有興趣的朋友可以關注我的博客 http://www.luoyuchu.com 。
參考閱讀：
［1］永洪BI:手把手教您搞定用戶畫像［2］易觀智庫：大數據下的用戶分析（PPT）［3］楊步濤：基於用戶畫像的大數據挖掘實踐［4］慕課網：電商大數據應用之用戶畫像［5］知乎：Alex Chu 關於用戶畫像的回答作為阿里廣告部門的數據分析師，我目前工作中涉及到的數據分析主要可以分為：行業研究、產品/業務數據支持以及人群洞察（用戶畫像）。今天就和大家分享下我在用戶畫像數據分析中一些心得體會。
什麼是用戶畫像：用戶畫像，又稱人群畫像，是根據用戶人口統計學信息、社交關係、偏好習慣和消費行為等信息而抽象出來的標籤化畫像。構建用戶畫像的核心工作即是給用戶貼「標籤」，而標籤中部分是根據用戶的行為數據直接得到，部分是通過一系列演算法或規則挖掘得到。直接得到的數據比較好理解，比如用戶在網站或APP上主動填寫和上傳的數據，嚴格一些平台（比如電商平台）會要求用戶上傳身份證、學生證、駕駛證、銀行卡等，這樣的數據準確性就較高，因此毫無疑問阿里和騰訊在用戶基礎數據的準確性上甩百度幾條街。通過演算法和數據挖掘得到的標籤可以這麼理解：如果一個用戶最近開始購買母嬰類商品（比如一段的奶粉，New Baby的紙尿布），那麼可以根據用戶購買的頻次及數量，結合用戶的年齡、性別推斷是否為新媽媽/爸爸。
BAT用戶畫像數據淺析：
百度：
百度數據類型廣泛，主要包含搜索數據、百度知道、百度貼吧及百度地圖等數據，但是這些數據很少可以精確到個體用戶層面，搜索大數據可以預測流行病爆發時間、世界盃的勝負概率及城市擁堵狀況，總之百度的數據在宏觀層面有不少應用，但是在微觀的用戶畫像層面，百度毫無優勢，大部分人還沒有百度賬號呢，百度的用戶體系最近幾年也是靠一些APP慢慢完善起來的。
騰訊：
騰訊的數據優勢在社交數據，此外隨著微信/QQ支付的普及，騰訊也有了用戶身份證、銀行卡等數據。騰訊的數據積累年限久遠、維度豐富，從QQ、Qzone、騰訊微博到微信，騰訊涵蓋興趣偏好、地理位置、人口統計學信息等等數據，且準確性也不低。
騰訊在用戶畫像數據方面有很廣泛的維度，且在興趣、心理特徵等標籤上有很高的準確性。
阿里：
據統計，2015年阿里巴巴活躍用戶數為4.07億，覆蓋98.5%的中國互聯網購物人群。其中，移動月度活躍用戶達到3.93億，占整個中國手機網民的64%，這意味著六成以上的中國手機網民都是淘寶或天貓移動端的活躍用戶。（以上相關數據摘自「阿里媽媽電商營銷」微信公眾號）
目前阿里的數據標籤已經逐步整理到阿里的數據超市——GProfile全局檔案。GProfile 全局檔案是以消費者檔案為核心構建內容，通過分析消費者的基礎信息、購物行為以描繪其特徵畫像。在阿里數據的平台上，GProfile 主要根據用戶在歷史時間內的網購行為記錄，從網購時間點、內容深度剖析，提供用戶基礎屬性、社交行為、互動行為、消費行為、偏好習慣、財富屬性、信用屬性和地理屬性八大類標籤服務。此外，從數據能力來說，阿里的數據還可結合優酷土豆視頻數據、CNZZ友盟媒體數據、蝦米天天動聽音樂數據等。（以上相關內容摘自「阿里數據」微信公眾號）
阿里數據的特點是真實、可靠，隨著公司收購其他數據類平台，阿里的數據類型也逐漸豐富起來，在用戶畫像數據方面，阿里可謂徹徹底底的真人數據。
（以上對百度和騰訊數據的分析會有不少推斷和猜測，不妥之處，歡迎指正。）
用戶畫像的價值：
1：精準營銷。精準營銷是用戶畫像或者標籤最直接和有價值的應用。這部分也是我們廣告部門最注重的工作內容。當我們給各個用戶打上各種「標籤」之後，廣告主（店鋪、商家）就可以通過我們的標籤圈定他們想要觸達的用戶，進行精準的廣告投放。無論是阿里、還是騰訊很大一部分廣告都是通過這種方式來觸達用戶，百度的搜索廣告方式有所不同。
2：助力產品。一個產品想要得到廣泛的應用，受眾分析必不可少。產品經理需要懂用戶，除了需要知道用戶與產品交互時點擊率、跳失率、停留時間等行為之外，用戶畫像能幫助產品經理透過用戶行為表象看到用戶深層的動機與心理。
3：行業報告與用戶研究。通過對用戶畫像的分析可以了解行業動態，比如90後人群的消費偏好趨勢分析、高端用戶青睞品牌分析、不同地域品類消費差異分析等等。這些行業的洞察可以指導平台更好的運營、把握大方向，也能給相關公司（中小企業、店鋪、媒體等）提供細分領域的深入洞察。
感想:
用戶畫像是對人的深入挖掘，除了基本的人口統計學信息、地理位置、設備資產等客觀屬性之外，如興趣偏好等是自由度很大的標籤，在很多應用題場景，廣告主（或需求方）更需要用戶興趣、價值觀、人格層面的標籤。比如汽車客戶，環保類的電動車品牌想要觸達的是有環保意識、喜歡小排量的用戶，這就涉及到人的價值觀層面了，因此製作這些標籤的時候不能僅僅通過用戶行為直接產生，需要更深入人格的建模。隨著互聯網野蠻生長時代的消退以及數據技術的進一步提升，從人心理、人格層面的深度分析將逐漸得到重視和應用。我十分期待阿里能構建一套基於人格心理學的標籤，這必將給淘寶帶來更好的用戶體驗，增加我這種不喜歡花哨頁面用戶的停留時間。
這裡的回答真是分成兩派啊。
一派是產品和用研，一派是數據和研發。不知道新人們看了這麼多南轅北轍的答案會不會更迷糊。
原因是對用戶畫像歧義的翻譯。
一種叫做Persona，也叫做用戶角色，是描繪抽象一個自然人的屬性。
一種叫做Profile，是和數據挖掘、大數據息息相關的應用。通過數據建立描繪用戶的標籤。
Persona用戶角色是通過調研問卷、電話訪談等手段獲得用戶的定性特徵。為什麼要設置這樣一種名詞？我們首先要明確一個前提：用戶間有差異。因為存在差異，所以需要描述。
當我們討論產品、需求、場景、用戶體驗的時候，究竟在圍繞誰在討論？不能是無根之木吧。用戶角色應運而生，將焦點定位在一個抽象出來的人上面，避免浪費很多口水。
用戶角色是用戶屬性的集合，不是具體誰，放一張某某的照片也是為了達到共情。它應該能準確描述出產品用戶，一般會設置三到四個用戶角色，也是通常意義上的目標用戶群體。
她是一位25歲的白領，211大學畢業，現在從事於互聯網行業的設計工作，居住在北京。單身，平時喜愛搖滾樂，喜愛日本料理。收入中等。
這段話就是一段簡要的用戶角色描述，它不需要指代特定的誰。
在產品早期和發展期，會較多地藉助用戶畫像，幫助產品人員理解用戶的需求，想像用戶使用的場景，產品設計從為所有人做產品變成為三四個人做產品，間接的降低複雜度。
用戶角色有缺點，評估用戶屬性時難以量化，也很難證偽。你不知道它確定的是不是真的目標群體，用戶群體也隨時間推移變化，所以用戶角色需要不斷修改。
關於如何制定其他答案已經說的很好了。
Profile用戶畫像更多被運營和數據分析師使用，它是各類描述用戶數據的變數集合。
個性化推薦、廣告系統、活動營銷、內容推薦、興趣偏好都是基於用戶畫像的應用。當我們想要選擇某部分用戶群體做精細化運營時，會用用戶畫像篩選出特定的群體。
用戶畫像是一個複雜的系統，隨著產品逐漸成熟，會根據不同的業務場景設計不同的標籤，用戶角色是精鍊和概括，而用戶畫像需要齊全。
{
"ID": 123456,
"姓名": "張建國",
"性別": "男",
"出生年月": 631123200,
"籍貫": "北京",
"居住地": "北京",
"教育背景": {
"學校":"北京大學",
"專業": "CS",
"入學年月":1220198400
}
}
這是一個簡化的畫像，真的畫像還有不少的子文檔嵌套，和上文用戶角色的文字描述差異很大，它是各數值變數和分類變數的集合。用戶畫像是能描述每一個用戶的，不同用戶的畫像肯定不一樣。
用戶角色通過訪談和調研的形式收集信息，而用戶畫像可以通過已有數據提煉獲得，比如擁有用戶的身份證信息，就能準確獲得性別、籍貫、出生年月這三個標籤。也能通過演算法計算獲得，比如在淘寶購物遺留的收件人姓名，通過機器學習，以概率的形式獲得買家是男是女，建國很大可能是男性，翠蘭很大可能是女性。
其餘興趣偏好、行為偏好、社會工程屬性、消費特徵等，也都能作為用戶畫像使用。
具體形式其他答案也都說了，就不講了。
用戶角色和用戶畫像基本上算兩個體系，雖然會有互通，用戶畫像可以參考用戶角色設計，用戶角色也能使用用戶畫像的屬性。可實際差別還是挺大的。大家介紹的概念已經很多了，我舉一個之前和用戶研究的團隊一起實踐構建用戶畫像的例子吧。
當時我是在一個音樂創業公司，需要做一款個性化推薦的音樂產品 章魚FM，由於產品剛剛起步，並沒有數據參考，所以需要從定性調研入手收集數據。我們總共選取了十幾名用戶進行1to1的訪談，並根據用戶訪談的樣本創建了定性的用戶畫像，歷時約1個月的時間。
用戶樣本篩選：
前期需要PM來確定出產品目標用戶群所具備的基本特點，然後才能讓調研公司根據需求去搜集用戶樣本。以收聽音樂電台類用戶為例，我們需要限定：
年齡範圍、性別比例、城市範圍、收聽音樂的頻率時長範圍、使用設備（移動/PC）、使用場景、使用動機、現在使用的產品範圍、收聽音樂習慣等等（根據產品特點設置），還有幾類用戶的人數。最終我們確定的用戶樣本範圍是：
用戶訪談：
確定好用戶的樣本提交給調研公司約訪談的時間。
同時要準備好訪談的大綱，並一定要熟悉訪談提綱，事實證明，如果產品人員不一定程度掌控談話方向的話，光靠研究公司的主持人或者用戶研究員去提問，會很容易出現以下幾種問題：
1.前面開場暖場的話太多，1.5-2個小時的訪談時間，光是聊音樂之外的就聊了1個小時……（暖場很必要，但是需要控制好時間）
2.需要杜絕主持人問用戶封閉式問題以及引導性問題
3.用戶研究的童鞋會更加偏重研究人，在某些產品相關的問題要注意是否被忽略了沒有問到。
最後，採集用戶的基本信息（如性別、年齡、職業）也很重要，為後面的用戶畫像做好基礎信息準備。
訪談最終的創建用戶畫像的樣本是13位用戶＋之前3名產品忠實用戶，一般來說，創建用戶角色Personas需要控制在3-4個左右，防止用戶之間產生根本性衝突。
訪談結果整理及分析：
數據收集和分析以後，進行基本分類，創建用戶角色框架，像有的時候會發生用戶的行為比較多元，這次的訪談結果就是這樣，這個時候我們會把一些行為特點拆分，按照側重重新劃分和歸類，並且突出他最主要的特點。
要點：（1）結合真實的數據，選擇典型特徵加入到用戶畫像中（2）加入描述性的元素和場景描述，讓用戶畫像更加豐滿和真實比如：我們將4類畫像命名為U1-U4。
U1用戶既有按照場景聽歌，探索新歌，也有聽紅心的需求，也有分享，下載等等，在做U1畫像時，我將他探索新歌的特性發揮到最大；將紅心類的放到了U2（一個音樂沉浸愛好者）里，盡量做到區分度大。畫好4類用戶畫像後，需要排優先順序，確定主要用戶、次要用戶和潛在用戶。
劃分標準可以從使用產品頻率，用戶價值和用戶規模三個維度劃分。
最後就是用戶畫像一定要有照片～～話說正常的男生照片太難找啦（不是小受就是猥瑣大叔，這個世界怎麼了＝＝）。。
貼一個畫好的用戶畫像例子：
關於評論里提到的，用戶畫像在研發時的指導意義，以及後續如何驗證畫像和調整做一些補充說明：
初期的用戶畫像是一個基於定性調研得出的結果，確實缺乏足夠的數據支撐，僅針對於指導初期的產品核心功能設計，不會浪費時間在目標用戶不需要的功能上。在產品上線後需要跟蹤相應的核心功能的使用數據以及產品實際的價值用戶（衡量日活、貢獻度等）構成，與前期的用戶畫像進行比對驗證和修正，所以產品的用戶畫像也不是一成不變的也需要跟隨產品迭代更新。我們常說玩英雄聯盟的大部分是大學生，並且以男生居多；我們又說知乎都是年入百萬、全球Top10高校的精英。
無形中我們就對這些群體做了劃分，每一個群體都會打上相應的標籤：
- 玩英雄聯盟：大學生、男生
- 知乎用戶：年入百萬、Top10高校
用戶畫像就是：用戶信息標籤化， 標籤化的目的是讓人能夠理解並且方便計算機處理，通過標籤可以更加數字化的看清楚用戶，與上面的例子不同的是：用戶畫像需要建立在真實的用戶數據之上，不建立在真實數據之上的用戶畫像都是耍流氓。
通常情況下用戶數據分為：靜態數據和動態數據。靜態數據是相對穩定的用戶信息，動態數據是用戶不斷變化的行為信息。
以知乎為例：
靜態數據包括：用戶的性別、職業、工作城市、畢業學校等
動態數據包括：在某個時間回答了一個問題、給一個回答點贊、發表了一篇文章等
更深層次的動態數據還有：在某一回答頁面停了多久、寫回答用了多久等等
用戶畫像可以：提高個性推薦以及廣告投放的轉換率，輔助數據運營人員做出更好的決策。
以淘寶為例：
一款剛上架銷售的母嬰用品要做推廣，在沒有用戶畫像的情況下，該產品將在所有淘寶用戶的首頁輪播廣告，很顯然這條廣告對於大部分用戶來說是垃圾廣告，結果是廣告轉換率極低。而如果基於用戶畫像，只把該條廣告投放在用戶畫像為孕產期女性或有0-3歲嬰兒的母親這樣的廣告轉換率將得到極大提高。
來個不太一樣的觀點。
Persona = Fauxona
叫Faux就是因為「假」。
Persona說到底是不可能存在的人，所有屬性都建立在我們對某一種人群的「理解」或者「偏見」之上（人是多麼複雜，生活是多麼複雜，人和生活又是多麼變幻莫測）。但正是由於這種不存在不真實，它有時候（並不是所有時候）又變得很好用。說它好用主要是因為它可以把複雜的東西簡單化、極端化，讓我們可以集中精力和資源來解決好「一個」問題，但這個問題又是真實存在的。能把一個問題解決得非常好的產品、服務，遠遠高於試圖解決很多個問題但都解決得不太完美的。Persona是一種總結和傳播研究結果、指導產品方向的形式和方法。因為只是其中一種，所以不一定是最合適的。而且由於它並不是很容易準確地被理解和運用（特別是對從來沒有接觸過這個概念的人），很多時候就不用這種方法了。
有一種最常見的誤解就是把Persona和Customer Segmentation混為一談。他們最主要的一個區別就是：Persona是建立在定性研究的結果之上的，解答的問題在於「為什麼」；而Customer Segmentation是建立在定量研究的結果之上的，解答的問題在於「是什麼」。推薦一本書，專門講Persona的，有興趣的可以讀讀：
談到「用戶畫像」，很多夥伴都不陌生，什麼用戶屬性、用戶行為張嘴就來，但是你真的弄懂了用戶畫像的意義與構建方法嗎？用戶畫像有什麼用？用戶畫像包括哪些方面？在做用戶畫像的時候我們應該注意些什麼？今天就讓姑婆來為你答疑解惑。
一、首先，咱們還是來看看用戶畫像的定義
用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標籤化的用戶模型。構建用戶畫像的核心工作即是給用戶貼「標籤」，而標籤是通過對用戶信息分析而來的高度精鍊的特徵標識。
可能這個不夠直白，姑婆舉個例子說明一下，如果你經常購買一些玩偶玩具，那麼電商網站即可根據玩具購買的情況替你打上標籤「有孩子」，甚至還可以判斷出你孩子大概的年齡，貼上「有5-10歲的孩子」這樣更為具體的標籤，而這些所有給你貼的標籤統在一次，就成了你的用戶畫像。因此，也可以說用戶畫像就是判斷一個人是什麼樣的人。（性別、年齡、興趣愛好、家庭狀況等）
那麼，在我們弄清楚用戶畫像的定義之後，我們就要來思考用戶畫像的意義在哪了。
二、關於這一點，姑婆給大家總結一下用戶畫像的意義
用戶畫像在階段和目標不同的時候承擔的使命也不盡相同，咱們分別針對三個階段來說說用戶畫像的意義：
1.初創期：產品還未定型
這個階段往往指的是公司剛剛創立，產品還未成形，需要通過用戶畫像來定義產品模式與功能的階段，這個階段你需要做大量偏宏觀的調研，明確你的產品切入的是哪一個細分市場，這個細分市場中的人群又有哪些特點，他們喜歡什麼，不喜歡什麼，平均消費水平怎麼樣，每天的時間分配是怎麼樣等等等等。
在這個階段，你做用戶畫像的意義在於為你的產品定義一個市場，並且你能夠清楚地知道這個市場能不能做，能不能以你現有的產品構思去做，做的過程中會不會出現一些與基本邏輯相違背的問題。如果分析之後可以做，那就立馬作出產品原型，小步快跑、試錯迭代；如若不行，趕緊換個方向、換個思路。
所以，這個階段的用戶畫像意義在於業務經營分析以及競爭分析，影響企業發展戰略戰略。
2.成長期：產品運營中
在這個階段你公司產品已經被市場認可，各項數據處於一個上升期。這個時候用戶畫像所承擔的責任就又變了。在這個階段，你需要通過產品後台所反饋的數據（顯性、隱形等，後文會介紹）進行整理，得出一個詳細的用戶畫像，這裡不像在初創期那樣做泛調查，抓宏觀。而是需要改變策略，從細節抓起，從每一次和用戶的交互中尋找用戶的真實需求。比如，你是做微信運營的，昨天的閱讀量和前天相比是多了還是少了？轉發數和收藏數都是什麼變化？用戶留言是增加還是減少？後台反饋怎麼樣？通過這些對比，你大致就會得出結論，並指導優化往後的工作。如果是產品運營那涉及的數據就更多了，訪問數據、打開頻率、登錄次數、活躍時間等等，結合起來分析，用戶的需求會更加明確。
這下你該發問了，說：「你這不就是數據分析么？」對啊！在某種意義上，用戶畫像的一部分就是來自於數據分析，那另外一部分來自哪？來自你對你用戶屬性的分解和跟數據的結合。舉個例子：我是一家做母嬰的公眾號，昨天星期五，我是中午11點半推送的圖文消息，打開率不錯，然後周六我也中午11點半推送，結果在標題質量差不多的情況下，打開率降了不少，那你就會思考，為什麼呢？單憑數據肯定是看不出來，但你如果想到「關注我們號的都是孩子的媽，而媽媽們在周六中午一般都要在家準備午飯」這一點，問題就迎刃而解了。得出的結論就是中午這個點用戶一般在做飯，這就可以作為用戶畫像中的一點。如果再深挖呢？我在中午發一篇關於廚房用品促銷的圖文，既能場景化推銷又能看同類商品哪個價位的購買人數最多，這樣是不是將用戶的消費習慣也篩選出來了？有人會說，你這個不準確，那如果多發幾次呢？通過多種不同的手段去獲取用戶的反饋呢？多分析數據，你的用戶畫像就會越來越準確。知己知彼才能百戰不殆。
所以，這個階段的用戶畫像意義在於精準營銷，使產品的服務對象更加聚焦，更加的專註，能更好地滿足用戶的需求，優化運營手段，並提升公司的經營效益。
3.成熟期：尋求突破口
這個階段，產品已經很成熟了，公司也已經有了穩定的運作模式，市場地位趨於穩定，日常工作也大多以維護為主。這個時候，用戶畫像用來幹嘛？尋找新的增長點和突破口。
當產品轉型時，老用戶會有什麼樣的反應？離開還是成為新的核心用戶？新產品預計會有多少用戶導入？結合老用戶需求，新產品有哪些功能不能被遺棄？
這都是你要考慮的問題，這個階段的用戶畫像建議將初創期的泛調查與成長期累積的用戶畫像結合起來做，這樣對於新產品才有一個更好的保障。
好了，作用說完了，那我該如何去做用戶畫像呢？我連用戶畫像有哪些分類都不知道呢。別急，姑婆先來告訴你用戶畫像怎麼分類，都有哪些。
三、用戶畫像通過哪些屬性構成？基本元素是什麼？
這裡姑婆告訴你四個維度，通過這四個大的維度分析再到底層元素分析，能將用戶變得更真實準確，它們是：用戶靜態屬性、用戶動態屬性、用戶消費屬性、用戶心理屬性。
1.用戶靜態屬性
靜態屬性主要從用戶的基本信息進行用戶的劃分。靜態屬性是用戶畫像建立的基礎。比如：性別、年齡、學歷、角色、收入、地域、婚姻等。依據不同的產品，針對性地提取相關信息，並將這些信息進行不同程度的權重劃分。比如教育產品對學歷、角色、收入就比較看重，而對於婚姻、地域則不太感冒。
2.用戶動態屬性
動態屬性指用戶在再互聯網環境下的上網行為，娛樂偏好、社交習慣、出行方式、學習手段等，這些一定程度上能反映出一個用戶是否會對你的產品感興趣。
3.用戶消費屬性
主要包括消費水平、消費心理、消費嗜好等，反映用戶對於花錢的看法，是喜歡質量好的還是性價比高的？傾向於功能價值還是情感價值？這一塊需要好好琢磨，涉及到錢的事兒都是重要的事兒。
4.用戶心理屬性
這一塊指從用戶的生活、工作、感情、社交入手，分析這個人的價值觀，並針對性地改良產品。
在經歷上述四個維度的分析之後，你對於用戶畫像的基本分類應該有一個大致的了解了，需要注意的是，上面提到的所有屬性分類不一定在你的用戶畫像中都要用到，可能是選擇性地分析，具體可在後文構建用戶畫像的方法中知悉。
四、如何構建用戶畫像？
三步走：樣本篩選+信息收集+構建畫像
1.用戶樣本篩選
前期需要根據產品特性確定出產品目標用戶群所具備的基本特點，然後才能讓調研公司根據需求去搜集用戶樣本。
以音樂產品用戶為例，我們需要限定：年齡範圍、城市分布、使用頻次、使用時長、使用設備、收聽習慣等等。最終確定一個用戶樣本範圍。
2.用戶訪談
確定好範圍之後，針對性地挑選用戶做訪談，數量不一定要多，但是要儘可能地涵蓋不同的性格類型。
訪談中需要注意的是：盡量不要問用戶封閉式問題和帶有引導性的問題，並且注意不要忽略產品相關的問題。將用戶的習慣與對你們產品的意見結合，那得出的結論是非常有效的。
3.構建畫像
這一步將收集到的信息進行整理和分析並歸類，創建用戶角色框架（更全面地反映出用戶的狀態），然後根據產品側重點提取出來，進行用戶評估分級，並結合用戶規模、用戶價值和使用頻率來劃分，確定主要用戶、次要用戶和潛在用戶。
這就是構建用戶畫像的步驟，最後你可以根據這個進行用戶評估、精細化運營和分類運營等等，做有針對性的運營，提高運營效率。
五、寫在最後
經過姑婆的一番論述，相信大家都明白用戶畫像究竟該怎麼玩了，還是那一句，「紙上得來終覺淺」，最實用、最深刻的道理往往都源自於實踐當中。所以，大家在工作中多思考總結，發現問題並用方法論去解決它，相信就沒什麼是不能克服的了。
世上無難事，只怕有心人。
交互設計之父Alan Cooper最早提出了用戶畫像（persona）的概念，認為「用戶畫像是真實用戶的虛擬代表,是建立在一系列真實數據之上的目標用戶模型」。通過對客戶多方面的信息的了解，將多種信息集合在一起並形成在一定類型上的獨特的特徵與氣質，這就形成了用戶的獨特的」畫像」。
大數據時代下的用戶畫像
早期的用戶畫像相對簡單，類似於個人檔案信息，區分度和可用性都不強。但是隨著大數據的發展，數據量的爆髮式增長和大數據分析技術的成熟使用戶可捕捉的行為數據越來越多，用戶畫像才真正可以稱為更加具備價值的畫像。其中典型的大數據時代的用戶畫像包括：
1、用戶的消費行為與需求畫像
2、用戶的（內在）偏好畫像
網路社會也就是現在社會的真實映射，一個人的喜好在網路時代完全可以體現出來。常聽的歌曲，經常瀏覽的新聞，翻閱的小說及視頻聊天等信息，毫無遮掩的體現了一個人的偏好。
用戶畫像隨著社會大數據信息的激增，可以說越來越豐富，越來越精細，用戶畫像也被應用到某些行業自身客戶的營銷中，比如互聯網精準營銷，以標籤、畫像為基礎的精準定向廣告投放盛行。通過對人群基本屬性、行為習慣、商業價值等多種維度信息數據綜合分析，精準的進行目標受眾的畫像和定位，實現基於大數據的精準營銷。例如，擁有用戶流量入口的社交軟體和媒體公司，紛紛通過整合自有和外部的媒介資源，在用戶畫像的基礎上針對行業客戶提供廣告精準投放服務。
如何實現用戶畫像？
1、用戶畫像方向或者分類體系的建立
給誰畫像，畫什麼像，為什麼畫這個像，畫像的分類和預期結果是怎麼樣的，這些問題都不是系統完全自動產生的。當然，在大數據足夠多的程度下，可形成客戶的關鍵信息畫像，但是現在應用更為廣泛的是人工+系統結合的用戶畫像，即人工設計畫像的方向和體系。這樣的優勢是體系化和結構化，應用性更強，比如我們要進行消費能力的畫像、消費內容偏好畫像、消費流失畫像，這些也是後面數據採集和畫像模型構建的前期和目標。
客戶畫像體系和方向的構建是客戶畫像最關鍵的一步，類似於打地基和房屋初始設計，東方國信就為電信行業構建了紮實可靠、豐富詳實的客戶標籤體系，依靠電信業客戶信息的應用價值和場景，通過三層的標籤結構實現了標籤的「由淺到深」、」由客觀到主觀」、「由通用到場景」的畫像，這三層分別是基礎標籤（簡單加工後的數據）、營銷畫像標籤（以營銷和服務的基礎元素，比如各類偏好、能力、傾向就研究的客戶標籤）、場景產品營銷標籤（對應具體場景和產品的目標客戶的精準標籤），這些標籤不僅很好的成為運營商洞察和營銷客戶的有力支撐和助手，也成為運營商大數據運營的關鍵。
2、用戶數據收集
當確立了畫像的方向，即確定了需要的數據信息和力度，比如客戶的消費的詳細的信息，客戶的下單的時間、客單價、商品信息，商品促銷信息等等，客戶畫像的數據要做到真實、可關聯應用、存在一定的周期可供偏好類模型構建。
3、用戶標籤、指數建模研究
上面提到，有的標籤是客觀引用形式，而很多標籤則是需要大量的大數據行為來綜合建模完成的，比如我們說客戶是爵士樂偏好人群，不能通過客戶的某一次購買或者搜索關注行為來下決定，而是要多其應用的頻次、占消費比、佔大部分人群比等綜合信息綜合構建。
用戶畫像的應用隱私？
用戶畫像是營銷和服務的重要手段，但是在用戶畫像應用中更要注意用戶的隱私的保護和應用授權，比如商家在一定程度上可以根據客戶的消費水平在內部形成客戶購買促銷力度的標籤，但是不能將客戶的消費數據給其他的行業或者產業。工信部規定，要在徵得用戶授權、保障用戶隱私安全不泄露的前提下，合理、合法的收集、使用用戶個人信息。這就要求利用大數據進行用戶畫像活動時，要徵得用戶同意，並且保障用戶隱私不泄露，做到安全、合法。
總結：用戶畫像是精準營銷的一個具體的呈現形式，用戶畫像本身並不神秘，而且隨著時間和信息積累也在不斷的更新拓展，我們相信隨著互聯網、O2O等交互應用信息越來越多，客戶畫像能夠為企業甚至行業、政府了解客戶、認知客戶、營銷客戶起到更加重要的積極的作用。
【用戶畫像找發源地—眾多DSP，數據公司的供應商。優勢:數據量巨大，覆蓋範圍廣，用戶畫像可幫助企業進行新老用戶行為分析，監測查詢，數據用戶拓展。】
【Title:復仇者聯盟2之用戶畫像分析】powered by Bruce Lan
歡迎閱讀原文，有配圖哈哈~復仇者聯盟2之用戶畫像分析 powered by Bruce Lan
最近很火的《復仇者聯盟2》（以下簡稱復聯2）電影，吸引了很多觀眾觀摩，但是看完後卻是雲里霧裡的，以下從用戶畫像的分析上淺談各位英雄，也藉此總結一點做產品的角度如何分析用戶行為。
見過很多的產品經理會經常說一句話：我認為某某用戶會這樣做，我覺得從某某用戶的角度這樣會比較好一點。但是這個其實是在不準確的，並不精準。產品經理或者運營者需要做到的是：根據某某的學歷，愛好，生活習慣，他會這麼做。真正的是需要有一個很清晰的用戶概念才能夠進行分析。所以做產品的第一個關鍵點就是明確你的用戶是誰，他們有什麼愛好等，這是用戶畫像的第一個部分：研究用戶類型、做好數據挖掘。
【研究用戶類型，收集數據】
在復聯2裡面出現了各種各樣的英雄，我們來分析一下他們的用戶類型.
班納博士：
全世界最聰明的人之一，天才核物理學家，為人內斂、冷靜，有點孤僻。
綠巨人：
由班納博士變成的綠巨人，時而能控制自己的情緒，時而不分敵我，力大無窮，橫衝直撞，力量能夠隨著憤怒而增強。
美國隊長，羅傑斯：
為人正直，充滿正義感，為人冷靜、比較古板，有統領全局的超強指揮能力，擁有振金製作的超強盾牌和高超的格鬥能力。
鋼鐵俠，托尼：
萬人矚目的鋼鐵俠，全球首富，超級科技天才，萬人迷、花花公子，非常細化吐槽，喜歡追求吐槽和極限，個性中二、腹黑。擁有很多的鋼鐵俠鎧甲和賈維斯AI。
賈維斯：
由托尼製造出來的人工AI，理性且公道，非常忠誠。
雷神，索爾：
索爾是北歐神話萬神之王奧丁的兒子，擁有超強的身體素質和無敵的雷神之錘，個性比較粗魯，很難接受新知識，屬於頭腦簡單的肌肉猛男。
鷹眼，巴頓：
擁有超遠射程和頂尖的近身格鬥能力，而且相當的冷靜，處變不驚，心智不會被控制。
奧創：
由托尼和班納博士製造出來的AI，侵蝕了賈維斯的一部分，繼承了老爸托尼的中二和腹黑，也是超級天才，能夠控制網路和機器人，目標是毀滅鋼鐵俠和使全世界變得更「安靜」。
幻視：
托尼和班納由於奧創的失敗，更新了新的AI，加上心靈寶石的力量和振金肉體、附加上雷神的神力和賈維斯的舊有部分AI，變成了超級英雄幻視。幻視力量十分強大，理性、十分的理性，雖然智力和能力強大，嘴邊也說： I am … I am，但實際上對自己的存在會有疑問。
黑寡婦，娜塔莎：
原蘇聯特工，偵查、審問、戰鬥樣樣精通，掌握各種戰鬥技巧，擁有強大的心理素質，但心裏面會對自己的過去產生自卑、孤僻的情緒。
滅霸：
終極大BOSS，各項能力MAX，又有各種有逼格的武器：無限拳套、各色寶石…就是個性比較中二一點。
【細化用戶行為】
說了好長一段才把基本的用戶性格分析好了，簡單來說可以通過第一步分為：高帥富、白富美、學霸、土肥圓、大老粗之類的，對用戶貼上一些標籤。那麼接下來就是在此範圍內給用戶添加行為、目標和問題了，讓之前設計的用戶畫像豐滿起來。
以下以做部分的實例：
班納博士：
會因為自己害怕自己變成綠巨人後控制不了自己，進而放棄跟黑寡婦之間的感情，最終在復聯2結尾飛向外太空。
綠巨人：
這個阿獃，當暴走的時候，不需要跟他去說什麼，只是不停地破壞破壞再破壞了。
美國隊長，羅傑斯：
因為一直惦記著自己的初戀，但卻被冰封75年，這是隊長到了現代社會依然愛著自己的初戀，因為他的念舊和長情，導致他在感情上的古板。
鋼鐵俠，托尼：
因為經歷了紐約大戰，深深感覺到自身的能力不足，想要追求更強大的力量，所以慫恿了班納博士一起製作奧創的AI，希望能夠保護世界。
賈維斯：
人工智慧好像沒有什麼遇到過什麼問題，除了斷電。
雷神，索爾：
雷神之錘是只有被它自身認可的人才能夠拿起來使用的，索爾的鎚子被打掉了，被幻視拿起來當做是武器使用，他是故意把其放在一邊，讓幻視出其不意的去攻擊奧創。
鷹眼，巴頓：
因為被洛基心靈控制過一次，自身進行心智鍛煉後不再懼怕心靈控制，對猩紅女巫的法術產生免疫。
奧創：
中二的他，為了得到永恆的身體，準備用振金製作軀體並把自己轉移到新軀體內，但是遭到了復聯的襲擊；由於自身性格缺陷，沒能毀滅世界。
幻視：
由於自身過於完美，會找不到自我。
黑寡婦，娜塔莎：
由於自身身體問題，不能生育，所以一直覺得自己是一個怪物，不敢面對自己的感情，後面把鷹眼的孩子當做是自己的孩子。
滅霸：
太高帥富的人，總有一點收集慾望，所以很想收集完各種能量石鑲嵌在無限拳套上面統一全宇宙，但歸根結底是因為想要博得死亡女神的歡心。
以上進過部分的細化後，是給各種不同的用戶添加了類似的用戶場景，這個只是最初級的細化，後續還需要給不同的用戶細化更多的變化並添加一些特殊的場景，使得整一個用戶數據更加豐滿。對了別忘了給用戶添加編號或者名稱。
【優先等級】
把產品、運營和業務部門一起拉過來完善這個用戶畫像後，需要對所有用戶進行優先順序的排序，認清楚哪些用戶是核心用戶，哪些是打醬油的用戶。
由於整一個復聯2的故事的定位是：爸爸去哪兒之----奧創尋找鋼鐵俠的故事。所以在整個電影中主要有人物就應該是鋼鐵俠、奧創和其「孫子」幻視，拋開一切，這是一個回歸親情的好電影。飾演匹諾曹的奧創歷經千辛萬苦尋找自己的工匠爸爸鋼鐵俠，不料奧創的兒子幻視更得鋼鐵俠的歡心，唯有獨自神傷與爸爸大鬧一場後黯然離去。
但是整一個故事是向前發展的，復聯3的故事將會更壯闊，所以將來的主要人物就應該分為：滅霸大BOSS 和復聯整個社團，因為無論如何單獨的個體都是不足以與滅霸進行抗衡的。這裡其實是想告訴大家，產品設計的不同階段，核心的用戶並不是一成不變的，是會根據不同的戰略和形勢進行調整的。
【關聯規則】
除了再告訴大家一個很好用的招數，在做用戶畫像的過程當中，其實可以通過關聯規則去聯想更多的細則。比如你的設計的用戶是鋼鐵俠，他去買一輛跑車，但是他買跑車是專門給自己的女朋友的，那麼就需要考慮到其女友喜歡的是什麼顏色的汽車和品牌，這就是關聯規則。完全可以根據這個方式去腦暴來豐滿用戶畫像。
這是我自己做產品的一些心得，結合了最近比較熱門的復聯2電影寫一些分析給大家，希望能夠簡單易懂。
最後附上簡單的分析流程：
1. 研究用戶類型，收集數據
2. 細化用戶的行為
3. 根據之前的用戶畫像在不同的時期排優先等級
4. 通過關聯規則去補充更多的細節
【坐著】
Bruce Lan
某平台的大管家，多年從事互聯網行業，遊戲主策劃、產品經理。熱愛遊戲，為創業瘋狂。
歡迎閱讀原文~有很多配圖哈哈~復仇者聯盟2之用戶畫像分析 powered by Bruce Lan
我的知乎（歡迎點擊關注）
我的微博（歡迎點擊關注）
很多企業都有建設「用戶畫像」的需求。首先來介紹我們所理解的兩種用戶畫像（User Persona 和 User Profile），以及如何構建用戶畫像（User Profile）的標籤體系，並由此驅動產品智能。
以下內容由神策數據資深演算法工程師鄒雨晗提供，版權歸作者所有。更多乾貨分享請關注以及用戶行為專欄。
User Persona
第一種意義上的用戶畫像（User Persona），是產品設計、運營人員從用戶群體中抽象出來的典型用戶。例如，在用戶調研階段，產品經理經過調查問卷、客戶訪談了解用戶的共性與差異，匯總成不同的虛擬用戶；在產品原型設計、開發階段，產品經理圍繞這些虛擬用戶的需求、場景，研究設計產品用戶體驗與使用流程；當產品設計出現分歧時，產品經理能夠藉助用戶畫像（User Persona）跳出離散的需求，聚焦到目標用戶，不是再討論這個功能到底要不要保留，而是討論用戶可能需要這個功能，如何使用這個功能等等。
例如某招聘類產品（https://www.clearvoice.com）在調研階段構建的用戶畫像（User Persona）：
圖 某招聘類產品的用戶畫像（User Persona）
如圖是這個產品對於自己的潛在的用戶群體的一個直觀的認識，包括這些用戶的年齡、性別、婚姻狀況、受教育程度、職業、收入等各個維度的一些預估。而後續這個產品就可以按照這些預估，來作為後續產品交互、流程等設計的一個重要依據。
所以，總的來說，這類用戶畫像（User Persona）本質上是一個用來描述用戶需求的方法論。它可以幫助不同角色在產品研發過程中，從用戶的角度思考問題。在產品設計階段和原型開發階段，產品經理會較多地藉助用戶畫像（User Persona）理解用戶的需求，想像用戶使用的場景。
但通常情況下，隨著產品上線後不斷迭代，真實用戶的用戶越來越多，僅通過用戶畫像（User Persona）可能難以更加量化細緻地評估用戶需求，也很難通過數據來確定用戶畫像（User Persona）虛構的人物是不是真的目標群體。同時，真實用戶群體也隨時間推移變化，在設計階段虛構的用戶畫像（User Persona）需要重新調研、設想。
新浪微博就是一個典型的例子，最開始，微博主要的設計是為了滿足一二線城市的白領的使用，此時的用戶畫像（User Persona）可能是這樣的：一二線城市、二十歲到三十歲、較高教育程度、白領、收入在 6000 以上，在這時候，新浪微博所有的產品交互和流程設計可能都是據此進行的。但是，隨著新浪微博的逐漸發展，它的用戶群體已經發生了明顯的「下沉」，越來越多三四線城市的「草根」用戶開始使用。那麼，對於這種情況，新浪微博的整個產品、功能、交互設計等，都應該有所調整。
對於這種問題，用戶畫像（User Persona）有時候可能反應就會滯後，我們可能就需要採用另一種方案，也就是用戶畫像（User Profile）了。
User Profile
為了解決上文提到的一些問題，同時也是為了能夠更加精細深入地了解用戶，我們自然會希望通過產品積累的用戶行為數據來為產品運營提供更好的支撐，甚至由此誕生一些新的功能，例如根據用戶瀏覽記錄向用戶提供個性化服務。這就是我們著重介紹的第二種用戶畫像（User Profile），也即根據每個人在產品中的用戶行為數據，產出描述用戶的標籤的集合。例如猜測這個用戶是男是女，生活工作所在地，喜歡哪個明星，要買什麼東西等。
特別是隨著「千人千面」等理念深入人心，許多企業希望能建立自己的用戶畫像體系。那麼，在這種情況下，我們更應該明確兩種用戶畫像的差異。與第一種用戶畫像（User Persona）不同的是，用戶畫像（User Profile）的建設更加關註：
是否反應受眾的真實需求：用戶畫像（User Profile）這個詞的字面意義，是關注人口屬性、生活狀態、人生階段等靜態信息，但這些信息並不一定直接反應用戶興趣。產品更關注的往往是某用戶「最近喜歡看哪類視頻」、「準備買多少錢的手機」這樣能夠幫助產品運營的動態信息。
時效性：用戶的興趣偏好隨時都在發生變化，需要及時更新用戶標籤。極端情況下，甚至希望用戶上一次瀏覽的情況，在他進行下一次瀏覽前就能體現到用戶畫像（User Profile）的更新上。
覆蓋度：用戶畫像（User Profile）既要勾勒出用戶感興趣的內容，也要記錄用戶不感興趣的信息，盡量多地滿足產品運營的需要。但同時，除了人口屬性等明確的屬性外，大多數用戶畫像的正確與否是沒有意義的。如「最近喜歡看搞笑視頻」這個標籤，並不表示用戶下一次一定觀看搞笑視頻，因此執著於提升標籤的準確度，不如設計出多更清晰描述受眾需求的標籤，更多時候我們注重提升用戶畫像的覆蓋度，同時提供更細粒度的畫像。
簡單總結下，與用戶畫像（User Persona）主要來源於產品與運營人員對於客戶的理解、調研與認知，用戶畫像（User Profile）則主要是基於真實積累的用戶行為結合具體的業務場景產生的一系列標籤，這些標籤共同構成了對於一個用戶的真實描述。
那麼，下面我們就看看如何來設計一套用戶畫像的標籤體系。
用戶畫像（User Profile）標籤體系的建立
所謂用戶畫像（以下均指 User Profile）中的標籤體系，簡單來說就是將用戶劃分到多少個不同的分類之中。當然，在這種情況下，一個用戶是可以落到多個不同的分類上的。用戶落入的這些分類都是什麼，彼此之間有何聯繫，就構成了一個標籤體系。
一般來講，有兩種常見的思路設計用戶畫像的標籤體系。
一類是結構化的標籤體系，這類標籤可以直接從人口屬性、物品信息等基本信息中直接得到，有明確的層級關係，如性別、省市、視頻分類、商品分類等。下面是亞馬遜（http://www.amazon.cn）的商品標籤體系，用戶畫像的標籤體系與此類似，可以結合具體的業務場景來確定。
圖 亞馬遜的商品標籤體系
簡單來說，結構化的標籤體系通常較為簡單，一般可以直接通過用戶的行為映射得到。例如根據用戶的購買記錄，為用戶構建物品對應的結構化標籤。但結構化標籤往往粒度較粗，無法充分衡量用戶的興趣，例如用戶在新聞類 APP 中閱讀了關於某明星的娛樂類新聞，其實並無法推斷出他對所有娛樂類新聞感興趣，他也不一定只對該明星情有獨鍾。
另一種是非結構化標籤體系，就是各個標籤各自反應各自的用戶興趣，彼此之間並無層級關係。典型的非結構化的標籤，如搜索廣告系統中的關鍵詞，或者文檔主題模型（Topic Model）。例如新聞類 APP 中，我們往往會構建大規模的主題模型（主題數在千～萬級別），不僅僅涵蓋已經構建的結構化的標籤體系，如娛樂（明星、搞笑）、體育（籃球、足球）等，往往還能更細緻地表達如星座、食物、體育活動等語義上的分類，而且這些分類之間並沒有明顯的層級關係。
標籤體系的建設本身一要便於使用，二要有明顯的區分度。結合具體的產品而言，在不同的場景下對這兩點要求的核心是不同的。因為選擇哪些標籤並沒有明確的依據，還是需要充分了解到底是什麼因素在驅動用戶使用產品。有效的標籤體系，要能反應用戶決定買什麼、不買什麼的邏輯與依據。例如電商產品中，以新聞頻道的方法，為用戶構建「財經」、「體育」、「旅遊」……這樣的標籤，雖然並不難，但也沒多大意義。
實踐案例
我們曾經與國內某知名視頻聚合網站共同搭建視頻推薦服務。該網站每天聚合全網的視頻，向用戶提供熱門視頻、視頻檢索等服務。網站已經積累了大量的用戶和行為數據，圍繞新、老用戶的運營模型在發生著變化。
在開始具體的項目之前，我們首先要意識到，與傳統的視頻站點不同，短視頻網站是有它自己的運營特點的，這些特點包括：
播放隨意性強：短視頻播放雖然是個高頻、周期性強的娛樂應用，但單次觀影時間短，用戶選擇隨意性大；
熱點輪換迅速：平台中不斷加入新視頻，每天的熱門內容不斷變化，網站需要發現用戶潛在的興趣點，向用戶推薦新鮮內容；
場景驅動：場景是特定的時間、地點和人物的組合下的特定的消費意圖。不同的時間、地點，不同類型的用戶的消費意圖會有差異。例如白領乘地鐵上班，會關注當日的新聞熱點；周末晚上在家，用戶更喜歡點擊娛樂類搞笑視頻。當場景辨識越細緻，就越能了解用戶的消費意圖，推薦的滿意度也就越高。
隨著視頻資源的不斷豐富和用戶需求的多樣化，如何準確地向客戶推薦視頻，是該產品用戶畫像的一個基本目標。我們十分看重推薦系統中推薦結果的可解釋性，也讓用戶能感覺到每一條推薦視頻的推薦理由。當然，我們構建用戶畫像也以觀看場景和觀看興趣為主。
我們考慮新用戶和老用戶兩大類群體。新用戶第一次進入 APP，在這一階段的運營目標以留存為主，主要向用戶推薦近期熱門視頻。除了常規的設備信息、地理信息外，我們對用戶了解甚少，可以通過猜測下列問題「用戶在哪裡？」、「這個時段可能處於什麼場景？」來構建用戶畫像，進行場景推薦。這兩種標籤的獲取較為直接，通過用戶手機的地理位置信息和當前時段就可以得到。
而基於這兩個標籤，在不同場景下，我們向新用戶推薦不同的視頻，例如：
工作日 7:00 - 10:00：
用戶可能搭乘公共交通工具前往公司，乘車時使用 3G/4G 流量上網，時間較為碎片化，並且容易受到打擾而中斷觀看。通常這個時段用戶希望了解當天的時事、新聞。因此我們推薦短小精悍的熱點新聞。工作日 12:30 - 14:00：用戶可能在公司午休，我們推薦娛樂、搞笑類的視頻，目的性較弱，隨意尋找符合自己口味的內容，但有可能因為午睡或工作，觀影時間碎片化。因此，我們推薦視頻時長較短，諸如娛樂、搞笑類的視頻，如
X 奇藝的「笑 X 來了」等。周末 19:00 - 23:00：用戶可能在家中休息，觀看時間較為充足；使用
WIFI，速度穩定；這個時段用戶目的性通常較強，例如觀看「XX 歌手」、「XX 男」等綜藝節目的熱門片段更新沒有。因此我們可以推薦綜藝節目、電影片花等，滿足用戶長時間放鬆的需求。通過場景推薦的方式，我們可以在不了解用戶興趣的情況下，針對不同場景標籤下的新用戶推薦不同熱門視頻，滿足用戶需求。
而對於老用戶，運營目標是提升用戶體驗，向用戶推薦感興趣的內容，以提高觀影時長；結合場景推薦用戶可能感興趣的新鮮內容，以提高用戶留存率。除常規信息、場景信息外，構建老用戶的用戶畫像還會考慮：用戶在不同時段的興趣點，用戶是否喜歡探索新鮮視頻，對用戶召回需求。下面我們分別對這三類進行描述：
對於第一類「用戶興趣標籤」，可以通過視頻本身的分類信息構建結構化的興趣標籤。我們在實際處理中，將每個用戶最近觀看記錄作為一個觀影序列，通過 Item 2 Vec[1]產出視頻的
Embedding 矩陣，並用 Bag of Words 的思想以每個用戶的最近觀看記錄描述用戶興趣，得到用戶 Embedding，作為用戶興趣標籤。通過用戶興趣標籤，我們可以將用戶興趣融入前文描述的場景推薦中，例如在工作日的 7:00 - 10:00，我們根據用戶興趣，從熱點新聞中篩選用戶感興趣的軍事、財經等品類；在周末的 19:00 - 23:00，我們根據用戶上周的觀影記錄，重複推薦相同的新一期的綜藝類節目。對於第二類「用戶新鮮度的需求標籤」，我們通過衡量用戶觀影記錄中，各影片之間的相似度得到。影片分類覆蓋越多，或影片之間的向量距離越遠，說明用戶越喜歡探索新內容。對於喜歡探索不同類型的視頻的用戶，我們會更傾向於從用戶未觀看過的分類中，抽取新鮮熱門視頻加入推薦排序結果中。
對於第三類用戶召回方面的需求，其實也是一個非常現實的需求。神策分析可以通過多維分析的方式尋找用戶流失的原因，同樣的我們也通過統計方法預測用戶流失風險。例如，對於視頻網站的老用戶，觀影習慣和場景通常較為固定，當用戶最近一段時間內的觀看頻次顯著低於過往，甚至沒有打開 APP 時，我們判定用戶有流失風險，可以通過推送感興趣的視頻等手段，召回用戶。
現在，讓我們總結一下，短視頻是一個高頻、隨意性強的產品，用戶的觀看行為受時間、場地等場景因素影響較大，需要對用戶在不同場景下的觀看行為做深入了解，歸納不同場景下用戶個體需求、群體需求的差異，針對不同場景制定相應的推薦策略，這也是我們選擇場景作為短視頻產品用戶畫像的突破口的原因。
同時我們在構建視頻推薦的用戶畫像時還面臨如下挑戰：
數據稀疏性：個人的觀看記錄相對整體的覆蓋度是十分低的，不同的個體間重合度也很低。我們需要從這些稀疏的數據中得到個體、群體的興趣標籤。
用戶興趣變化快：用戶的興趣點隨時間、熱點變化，用戶觀看了幾次關於某明星的短視頻，並不代表第二天或未來用戶會對他感興趣。我們需要分別構建用戶短期、長期的興趣標籤。
場景識別難：目前我們的場景識別以時間段為主，未加入地理位置信息，而後者能顯著提高細粒度場景識別的準確度。
最後，總結一下文中提到的兩種用戶畫像。User Persona 可以幫助我們形象的了解目標用戶的行為特徵，作為我們判斷用戶需求的依據；User Profile 從用戶行為中構建各種標籤，在用戶生命周期中不斷刻畫用戶意圖，輔助產品運營。
畫像標籤體系的建設是不斷迭代的過程，例如視頻產品中，新的視頻、新的熱門話題不斷產生，不斷地研究和調整也就必不可少。只有根據產品運營的目標，靈活調整標籤體系，才能取得最好的效果。
以上內容由神策數據資深演算法工程師鄒雨晗提供，更多乾貨分享請關注 2017神策數據驅動大會。
我最近一直都在研究所謂的用戶肖像的建立，經過一段時間理論學習，發現這塊大致可以分為4個階段，
第一個階段就是純理論階段的 就是通過宏觀的經濟學角度去分析你所定位的用戶 所具有的共性，標籤，這樣的標籤具有很強的定位性，因此，非常重要，一定要咀嚼細節之後做出判定，分場景討論。
第二階段就是 產品上線 對所針對的用戶一個 大致流向進行的數據總結，這時候 注重的可能是大概率事件，通過這些大概率事件進行標籤化。（這裡我要說明下， 我是這樣分標籤的， 第一級標籤是 姓名 性別 人的固有屬性 第二級 我把用戶行為 類似消費習慣等 第3級 標籤 我把用戶心理活動 這裡面其實有一個很正常的原則，就是用戶的消費行為可能是偶然行為，由於環境因素所致 類似於廣告這類因子導致。所以說 第三級標籤是非常夢幻的，但是通過其他的技術 或者設定消費邏輯 是可以監控的，比如說 滑鼠的熱點圖啥的）
第三階段 就是 機器學習， 每添加一個新用戶，我可能通過 一些一級標籤 我就已經預計好了 用戶的行為 這裡面的技術 就比如說 是 拿出一部分組群 進行訓練集 提煉出單一性 這樣就有一定的概率猜中用戶的喜好 。大概的意思就是通過一個y＝px＋b這種演算法，無限的去精確p b 的準確 以至於 可以達到 確定y數值
第四階段 就是現在最前沿的深度學習了， 理論就是間接因素的因素化（沒有直接關係的因素，其實有時候確實很重要，這塊就是解決我說的第三級標籤），還有就是自動化邏輯標籤，自動判定邏輯指代 這種概念吧。 就比如說 pb eb 以上的數據，裡面的標籤邏輯太多 你根本無法理順 你可能就用一種模型去設定 讓電腦自動去生成函數，這樣每一組函數 就是一個標籤 相當於這樣
以上都是我自己的理解，可能有問題 請多多交流。裡面的詞 就是那個意思。。。不要深究辭彙問題。
個人的理解，用戶畫像就是用戶在各個維度上的量化描述，我了解的主要的應用場景是廣告/營銷定投。
一、目標用戶畫像（適用於產品各生命周期）
市場調研：了解目標用戶、熟悉用戶需求、抓住產品痛點、滿足用戶需求
產品階段：確定產品目標用戶（產品需求、視覺設計、交互設計等參考）
產品內測：邀請目標用戶、內測渠道選擇、目標用戶維護
產品上線：應用市場（首發／推薦位）、廣告投放、地推、渠道選擇
運營初期：水軍軟文、種子用戶邀請、用戶反饋解決、產品功能需求優化
成長／成熟期：目標用戶留存促活、商業價值轉化
二、用戶畫像分析方法
用戶問卷調研：通過問卷形式，了解用戶的產品使用場景
用戶場景研究（用戶訪談）：觀察記錄用戶使用同類產品時的場景及人機交互細節和原因，了解用戶真實需求和偽需求，評估需求優先順序
數據定量統計：根據產品目標確定統計分析維度指標，定量分析用戶特徵，建立要素權重（學習與調整）
用戶數據提取：用戶初步屬性——建立常用標籤——應用產品、運營需求
三、用戶畫像分析指標（簡化為一個名字、一張照片、關鍵描述語、一個場景）
基本屬性：地域、年齡、性別、文化、職業、收入、生活習慣、消費習慣、婚姻狀況等（可通過社交屬性導入）
產品屬性：產品類別、活躍頻率、產品喜好、產品驅動、使用習慣、產品消費等
用戶行為三要素：Time、Place、Thing
Time（使用時間）：時間點、時間跨度
Place（數據埋點）：產品各級頁面URL鏈接、活動H5頁面、下載渠道、頁面內容信息、內容類別／屬性等
Thing（用戶操作）：用戶瀏覽、搜索、閱讀、點贊、評論、收藏等
四、用戶畫像的檢驗（Persona：利用海量數據，具象化得到一個虛擬用戶，把握用戶畫像顆粒度）
P 代表基本性（Primary research）指該用戶角色是否基於對真實用戶的情景訪談
E 代表移情性（Empathy）指用戶角色中包含姓名、照片和產品相關的描述，該用戶角色是否引起同理心。
R 代表真實性（Realistic）指對那些每天與顧客打交道的人來說，用戶角色是否看起來像真實人物。
S 代表獨特性（Singular）每個用戶是否是獨特的，彼此很少有相似性。
O 代表目標性（Objectives）該用戶角色是否包含與產品相關的高層次目標，是否包含關鍵詞來闡述該目標。
N 代表數量（Number）用戶角色的數量是否足夠少，以便設計團隊能記住每個用戶角色的姓名，以及其中的一個主要用戶角色。一個產品，一般最多滿足3個角色需求。
A 代表應用性（Applicable）設計團隊是否能使用用戶角色作為一種實用工具進行設計決策。
（註：Persona來源於Alan Cooper的《贏在用戶》一書）
五、用戶畫像價值與意義
價值：投用戶所好，產品商業價值最大化
意義：產品團隊：提高團隊決策效率，數據挖掘完善演算法，建立精確用戶模型
產品應用：搜索引擎、推薦、廣告投放、內容Push等
目標用戶：提高信息獲取效率，準確滿足自身需求
備註：以上內容，純屬作者閑扯，不作為娛樂飯後談資，有不服者歡迎來戰！1、什麼是用戶畫像
什麼是用戶畫像呢？其實它是建立在一系列真實數據之上，抽象出來的一個標籤化的用戶模型，構建用戶畫像的核心工作就是給用戶打上一系列標籤，標籤則是通過對用戶信息進行分析挖掘出來的高度精鍊的特徵表示。就好像如果你經常購買一些玩具玩偶，電商可能就會給你打上一個「有小孩」的標籤，甚至更精準的分析出你家裡的小孩是男孩還是女孩，年齡是1到3歲，還是5到10歲，這一系列的標籤便構成了你的用戶畫像。
2、為什麼能對用戶畫像建模
那我們為什麼能對用戶畫像做一個建模呢？可以想像一個場景：周末的早上醒來後很無聊，A便拿起手機玩NBA的遊戲，玩了10多分鐘之後，又看了DOTA的視頻直播，接著A想起來今天有事要出去一趟，就起床去洗漱，然後A化妝，穿上高跟鞋……
到現在為止大家心裡可能會有一個疑惑，就是A的性別到底是什麼？我們想的根源可能就在於描述了上面四個動作，第一個是NBA遊戲，第二個是DOTA視頻，接著是化妝以及穿上高跟鞋。一開始我們並沒有提到A的性別，而我們在潛意識裡已經開始對這個用戶進行了建模。儘管我們不知道A確切是誰，叫什麼名字。
同樣，在計算機科學領域也可以對這種行為做一次建模，以下是數據流：
一個用戶在網路媒介上做了一系列的行為，比如瀏覽了一些網站，下載App……這些行為都會形成數據，需要一系列的演算法為它打上一個標籤，我們要做的就是先給它打上一個標籤，也就是對它的某一些屬性做一些判斷。這裡就會有一個疑問，這個標籤和用戶真實的屬性是不是一個匹配的程度呢？這是一個很重要的問題，我們來簡單分析一下，一開始就拿最簡單的行為來分析，一開始A玩了一個NBA的遊戲，他產生了一個行為，根據這個行為，我們可能給他性別的標籤打上男性，因為他潛在的模式說明用戶某一方面的屬性與他的行為是有很強的關聯性的，也就是玩NBA的遊戲和性別是男性的關聯是非常強的（但是也有一些情況，比如喜歡攀岩這個標籤的屬性和性別的關連性就很差），所以有一些用戶的一些行為和他的某一些屬性的關聯性非常強，就有可能產生一定的可逆，而這個可逆是我們給他打標籤的基礎所在。
但是有些時候，獲得的數據特徵不像剛剛說得那麼明顯，比如想要判斷一個剛打開微信的人是男是女、多少歲顯然不可能，因為他的行為只是一個中性的標籤。如果很多中性的標籤放在一起，有可能就是某種特別的組合。比如打開QQ，又打開微信，偏低齡化的可能性就多一些。這都是我們潛在的經驗。我們通過個體的一系列數據就可以給這個個體打上比較貼切的標籤，但是很多時候用一個人的數據，匹配度會比較低，這時候可以通過一個群體的整體數據來給這個個體打上標籤。
我們在群體數據裡面，主要是要挖掘群體後面的知識，加上我們已經有的知識來對個體進行標籤的匹配，之前所說的同時打開QQ、微信可能是一個很簡單、線性的潛在模式，但是很多時候我們的數據有很多很頻繁的特徵，很頻繁的行為里就為後面隱藏了一個非線性的潛在模式數據關係。我們可以通過數據挖掘找出這種潛在模式，從而挖掘出這種個體行為與他某一種屬性的關聯度，這就是我們要通過大數據來挖掘出它背後非常重要、不易尋找的規律，這也是為什麼用戶畫像和大數據關聯度比較高。
3、確保數據的有效性
回到上面的數據鏈，從行為到數據進行建模，首先要保證真實，因為有一些數據並不是真實的，這些行為並不是用戶主動觸發的，這些行為產生的數據都是無效數據。比如某些行為是通過投廣告的行為來促使用戶完成的，那在建模中就要剔除出去的。第二就是數據到標籤這一步，要保證有效性，保證根據數據生成的標籤是有用的，也就是說有一些記錄，比如你只是打開一條微信消息的記錄，可能這個是非常沒用的，根本判斷不出任何的標籤，這部分記錄就要把它剔除掉，這樣我們就可以通過比較完美的數據進行建模。整個過程，用戶的屬性和行為的可逆性越強，數據的特徵越明顯，通過標籤的演算法，我們就可以找出標籤和用戶的屬性相匹配，就可以得到標籤和用戶匹配度非常高的準確率。
用戶畫像的本質是對你有用的用戶信息，建立用戶畫像，就是收集和整理有效信息的過程。以上一句話告訴你們什麼是用戶畫像，一大堆人都羅哩羅嗦的，故作高深，越扯越高深，越說越玄乎。平常實際應用到用戶畫像，就是收集用戶信息把對你有用的信息歸納整理成方便你自己使用的一個表格/資料庫/數據模型or。。。。。
定義：用戶畫像就是對所有用戶的進行標籤化，信息結構化。作用：網站用戶畫像核心價值在於了解用戶，猜測用戶對產品的需求或者潛在需求，精細化的定位人群特徵，挖掘潛在的用戶群體，為媒體網站、廣告主、企業及廣告公司充分認知群體用戶的差異化特徵，根據族群的差異化特徵，幫助客戶找到營銷機會、運營方向，全面提高客戶的核心影響力。
對百度和阿里的用戶畫像有些接觸 所以就以這兩家的來說
用戶畫像本質上一套刻畫人的標籤體系 包括人口屬性、社會屬性、興趣偏好等 但實際作用就是進行營銷過程中的人群投放 所以往往用戶畫像也是一個數據產品 而現在市面上大部分的數據產品其實也就是以人群畫像為主
具體的使用場景比如我的品牌廣告主是寶馬 那麼我可以通過人群畫像洞察關注寶馬品牌的受眾的特點 就如上述所屬的人口屬性、社會屬性、興趣偏好 尤其是其中的興趣偏好可以輔助我在策劃營銷活動的過程中偏向哪些方向 比如興趣偏好中可能會包含目標受眾喜歡的明星那就可以作為代言人的選項 喜歡的影視劇的類型就可以作為視頻網站貼片廣告的投放渠道
上面說的其實都是描繪用戶在日常生活中的特徵和偏好 但還有一類更重要的就是用戶在廣告主所在行業下的關注點或者說偏好 比如一款具體的車型 我們更希望得知用戶對這款車的關注點集中在哪些方面 如果帶有正負向的判斷就更好了 例如我們發現用戶對該款車主要的顧慮是油耗或者維修的成本 那麼在廣告投放過程中就可以把這些信息點予以解答 打消消費者的顧慮
——————————————————————————————————————————
下面說下我對市面上一些用戶畫像的感受
百度的用戶畫像是基於用戶的主動搜索和點擊瀏覽數據 在體驗用戶意圖上有先天的優勢 只不過受限於自身帳號體系的完備性 但其興趣標籤的廣度肯定是具備相當優勢的 畢竟你在網上搜的所有東西都會經過底層處理後形成你的興趣標籤
阿里的用戶畫像基於購買和相關的瀏覽數據 距離營銷的最後一環更近 但廣度也受限於自身售賣商品的品類 不過帳號體系很完備 而且我看到的標籤已經經過PM的打磨 在易用性上有很大的優勢
除了上述兩家綜合類的廠商外 在某些垂直領域的廠商其用戶畫像勢必更加直接 比如汽車之家、攜程等
以上高票答主的答案都很贊。也說明了，各個領域對於畫像的理解和操作方法都有些差別。
那麼，我想把問題簡化一些。作為營銷人來說，很多時候我是不需要特別複雜的畫像的。就比如，只想做一個PPT，只想得到一些畫像結論驗證你的策略，讓PPT更有邏輯性。那麼，除了請專業的數據團隊畫像，用簡單的工具可以完成就再好不過了。
以我自己為例，因為經常要對微博上的用戶進行分析，所以會經常用到一個畫像工具BlueView。
BlueView智能營銷系統過程非常簡單：
首先要登陸到BlueView大數據平台上，找到「社群畫像」。
然後創建任務，設定一下數據周期。然後坐等結果就行了。
根據數據量的不同，會有十幾分鐘到1小時的畫像等待時間。
完成任務後能看到的數據維度都在這裡了（關鍵詞：優衣庫）。
全部的數據維度比較多，看著有點抓狂，不過我常用到的就是以下幾個：
1. 熱門帖子
2. 社群內關注關係
這裡通俗來說就是指，討論這個話題的人群關係網中，最核心的5個結點。
這裡可以直接找出來話題關鍵人物，甚至可以與BlueView的產品「KOL畫像」結合起來使用。
4. 性別分布
性別分布這個維度有時候也可以用上。比如優衣庫這個話題，參與討論的有超過80%的是女生。這類話題中人群的性別分布還是非常明顯的。
其他的數據維度有興趣的話可以研究一下。http://www.blueview.cc
我需要的用戶畫像場景並不複雜，所以一般用一下工具基本上就能做了。但也有很多時候，客戶有更加定製化的畫像需求，這種情況我一般會去找一些做社會化洞察的團隊基於多個平台做一個用戶畫像，周期會長不少。用戶畫像在產品開發的整個流程中都會使用到。對於敏捷開發流程而言，最重要的可能是進行產品的定位與規劃，如產品定位需要根據用戶畫像來對產品核心人群需求進行痛點分析，進而找到準確的產品定位，產品里程碑需要根據用戶畫像來討論或判斷未來需要達成的目標，可做或可不做什麼事......用戶畫像可以說會貫穿產品設計的整個流程，一切涉及用戶需求或心智等的討論，都需要回到用戶畫像去考慮用戶需要什麼，用戶不需要什麼......
推薦閱讀：