如何通過已有數據對用戶畫像，標籤和分析？該產品核心問題在哪，如何落地？
通過已有產品獲取到了一部分用戶數據，如何通過數據分析對用戶畫像，標籤化，對用戶行為進行分析，從而區分不同級別用戶進行相對應的精準營銷？
這個問題從本質上看是兩類問題：
1、對用戶畫像，打上標籤。這是個聚類問題，將同一類用戶通過演算法聚合成一類。2、對不同用戶進行精準營銷。這個問題是個預測問題，對用戶行為建模，預測某一類用戶會對什麼更感興趣。一、先說第一類問題，聚類。這個成熟的演算法很多，具體選擇哪種就要看你的數據有什麼了。既然叫做數據分析，那邊必然是以你的數據為準基礎的，看你的數據包含什麼，如果能把用戶映射到某一個空間裡面，表示成向量（也就是高維空間的坐標），就可以kmeans，DBscan等等方法來進行聚類，如果只能給出兩兩用戶的相似度，那麼就是用基於層次聚類的演算法。再重申一遍，關鍵是數據。二、就是對用戶行為建模，同樣因為不了解數據，就只能簡單講一講普通的流程。精準營銷這個問題可以規約為預測用戶對什麼商品感興趣。這個建模流程簡單來說應該包含下面幾個過程：
a、選取特徵，從歷史數據中選擇、構造出一些特徵，假設這些特徵和要預測的值之間的一個關係（這個關係也就是你的模型）。這一步是定性的過程。b、確定模型中的未知係數，也就是定量的過程。c、計算模型的置信度，根據測試集數據（從歷史數據中選擇一部分出來，分割方法很多，自行百度交叉驗證）來判斷預測準確性，如果符合要求，就可以用這個模型來預測用戶喜歡什麼，進行精準營銷，如果準確性不滿足要求，那麼就再重複上述過程，構造更複雜的特徵，或者收集更多數據，嘗試其他模型。你說的問題，通過用戶分群分析模型能夠很快捷解決。用戶分群即用戶信息標籤化，通過用戶的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。
與漏斗分析模型不同，運營人員可以看到，用戶在不同階段所表現出的行為是不同的，譬如新用戶的關注點在哪裡？已購用戶什麼情況下會再次付費？然而，由於群體特徵不同，行為會有很大差別，因此運營人員或者產品人員希望可以根據歷史數據將用戶進行劃分，將具有一定規律特性的用戶群體進行歸類，進而再次觀察該群體的具體行為。這就是用戶分群的原理。
嚴格說來，用戶分群分為普通分群和預測分群。普通分群是依據用戶的屬性特徵和行為特徵將用戶群體進行分類；預測分群是根據用戶以往的行為屬性特徵，運用機器學習演算法來預測他們將來會發生某些事件的概率，分別從兩個場景介紹下這兩種用戶分群方式。
列舉個普通用戶分群的例子，普通用戶分群主要分析用戶屬性和行為特徵。以直播產品行業為例。高黏性與高頻消費用戶的行為觀察是產品經理和運營人員工作重點。例如某運營人員可以篩選出過去 30 天內、等級 10 級以上、有「留言」和「點贊」行為，並且付費禮物送出次數超過 10 次的用戶，視其為高黏性且高頻消費用戶，對其進行分群定義後展開數據分析。通過高黏性與高頻消費用戶近期的行為觀察不同用戶群體近期的行為表現，從而可以看出該用戶群體的人均觀看時長與其他用戶存一些差別，如高頻花費用戶與非高頻花費用戶觀看時長人均值對比；
預測用戶分群，主要通過機器學習演算法預測事件概率。互聯網金融產品常常會用到預測用戶分群的功能。互聯網金融客戶按照風險投資偏好這一屬性分為保守、穩健和激進，按照投資行為可分為已投資和未投資。運營人員可以根據這一屬性和行為將滿足某種條件的用戶群體提取出來，譬如激進型但未投資的這群用戶，然後分析這一群體的行為特徵從而優化產品促進用戶投資，或者根據其瀏覽的項目頁面推薦用戶可能會感興趣的項目。
產品經理或者營銷人員很喜歡腦補用戶特性和用戶體驗，給用戶貼標籤也是憑空想像，沒有任何事實依據。
而用戶畫像（persona ）能讓團隊成員在產品設計和營銷的過程中拋開個人喜好，將焦點關注在目標用戶的動機和行為上進行產品設計。
我們在公眾號「七橋沙漏」上期講了用戶畫像的作用。這期實戰講講如何構建用戶畫像。
一
、用戶畫像準備階段——數據的挖掘和收集
（1）對網站、活動頁面進行SDK埋點。
即預先設定好想要獲取的「事件」，讓程序員在前/後端模塊使用 Java/Python/PHP/Ruby 語言開發，撰寫代碼把「事件」埋到相應的頁面上，用於追蹤和記錄的用戶的行為，並把實時數據傳送到後台資料庫或者客戶端。
所謂「事件」，就是指用戶作用於產品、網站頁面的一系列行為，由數據收集方（產品經理、運營人員）加以描述，使之成為一個個特定的欄位標籤。我們以「網站購物」為例，為了抓取用戶的人口屬性和行為軌跡，做SDK埋點之前，先預設用戶購物時的可能行為，包括：訪問首頁、註冊登錄、搜索商品、瀏覽商品、價格對比、加入購物車、收藏商品、提交訂單、支付訂單、使用優惠券、查看訂單詳情、取消訂單、商品評價等。
把這些行為用程序語言進行描述，嵌入網頁或者商品頁的相應位置，形成觸點，讓用戶在點擊時直接產生網路行為數據（登陸次數、訪問時長、激活率、外部觸點、社交數據）以及服務內行為數據（瀏覽路徑、頁面停留時間、訪問深度、唯一頁面瀏覽次數等等）。
數據反饋到伺服器，被存放於後台或者客戶端，就是我們所要獲取到的用戶基礎數據。
然而，在大多數時候，利用埋點獲取的基礎數據範圍較廣，用戶信息不夠精確，無法做更加細化的分類的情況。比如說，只知道用戶是個男性，而不知道他是哪個年齡段的男性。
（2）A/B test
為了得到更加詳細的，具有區分度的數據，我們可以利用A/B test。
A/B test就是指把兩個或者多個不同的產品/活動/獎品等推送給同一個/批人，然後根據用戶作出的選擇，獲取到進一步的信息數據。
為了知道男性用戶是哪個年齡層，藉助A/B test，我們利用抽獎活動，在獎品頁面進行SDK埋點後，分別選了20~30歲和30~40歲兩種不同年齡段使用的禮品，最後用戶選擇了前者，於是我們能夠得出：這是一位年齡在20~30歲的男性用戶。
以上就是數據的獲取方法。有了相關的用戶數據，我們下一步就是做數據分析處理——數據建模。
二
、用戶畫像成型階段——數據建模
（1）定性與定量相結合的研究方法
定性化研究方法就是確定事物的性質， 是描述性的；定量化研究方法就是確定對象數量特徵、數量關係和數量變化，是可量化的。
定性的方法，表現為對產品、行為、用戶個體的性質和特徵作出概括，形成對應的產品標籤、行為標籤、用戶標籤。
定量的方法，則是在定性的基礎上，給每一個標籤打上特定的權重，最後通過數學公式計算得出總的標籤權重，從而形成完整的用戶模型。
所以說，用戶畫像的數據建模是定性與定量的結合。
（2）數據建模——給標籤加上權重
用戶的行為，我們可以用4w表示：WHO（誰）；WHEN（什麼時候）；WHERE（在哪裡）；WHAT（做了什麼），具體分析如下：
WHO（誰）：定義用戶，明確我們的研究對象。主要是用來用戶分類，劃分用戶群體。網路上的用戶識別，包括但不僅限於用戶註冊的ID、昵稱、手機號、郵箱、身份證、微信微博號等等。
WHEN（時間）：這裡的時間包含了時間跨度和時間長度兩個方面。「時間跨度」是以天為單位計算的時長，指某行為發生到現在間隔了多長時間；「時間長度」則為了標識用戶在某一頁面的停留時間長短。越早發生的行為標籤權重越小，越近期權重越大，這就是所謂的「時間衰減因子」。
WHERE（在哪裡）：就是指用戶發生行為的接觸點，裡面包含有內容+網址。內容是指用戶作用於的對象標籤，比如小米手機；網址則指出用戶行為發生的具體地點，比如小米官方網站。權重是加在網址標籤上的，比如買小米手機，在小米官網買權重計為1,，在京東買計為0.8，在淘寶買計為0.7。
WHAT（做了什麼）：就是指的用戶發生了怎樣的行為，根據行為的深入程度添加權重。比如，用戶購買了權重計為1，用戶收藏了計為0.85，用戶僅僅是瀏覽了計為0.7。
當上面的單個標籤權重確定下來後，就可以利用標籤權重公式計算總的用戶標籤權重：
標籤權重=時間衰減因子×行為權重×網址權重
舉個栗子：A用戶今天在小米官網購買了小米手機；B用戶七天前在京東瀏覽了小米手機。
由此得出單個用戶的標籤權重，打上「是否忠誠」的標籤。
通過這種方式對多個用戶進行數據建模， 就能夠更廣的覆蓋目標用戶群，為他們都打上標籤，然後按照標籤分類：總權重達到0.9以上的被歸為忠實用戶，ta們都購買了該產品......這樣的一來，企業和商家就能夠根據相關信息進行更加精準的營銷推廣、個性化推薦。
本文未涉及到具體演算法，主要提供了從整體去分析的一個系統性、框架性思維。用戶畫像的核心在於對用戶標籤權重的理解，一個直接方法是有經驗的專業人士進行人工設定，再進行調整。還有一個方法是用足夠多的樣本進行統計或者數據挖掘。採用什麼樣的方式根據每個企業的具體情況而定。
我補充一些關於定性分析的思考。
- 定量分析需要依賴大量的樣本，同時藉助技術手段來捕捉、存儲和分析數據。而要讓數據變得可分析，就必須經過一個正常化、標準化的定義和歸類過程，這個過程會在無形之中剔除數據中所包含的背景、意義和故事。
- 僅靠定量化的用戶畫像無法幫助企業要與用戶建立更長久的關係時，數字無法折射出日常生活中的各種情感：信任、脆弱、害怕、貪婪、慾望、安全、愛和親密。很難用算術法則來表示一個人對服務/產品的好感程度，以及這種好感會隨著時間變化而發生怎樣的轉變。
- 定性分析，包括市場調研、設計調研和定性調研等，涉及心理學、社會學和人類學，旨在揭示情感、故事和意義。
- 定性與定量必須結合在一起，但更重要的是以用戶為中心，而不是以數據為中心。
一步步來。當我們談到了解我們的客戶（understand our member base)，無論是用戶類群(segmentation) 還是用戶肖像（persona) ，其實說白了是對兩類客戶認知的判斷：
- 現存客戶 (Existing Customer) - 我的現存客戶是怎麼樣，喜歡什麼，什麼消費習慣，哪些客戶最值錢等等
- 潛在客戶 (Prospect Customer) - 我的潛在客戶在哪，他們喜歡什麼，通過什麼渠道獲取，獲客成本是多少等等
這個問題看上去很簡單，但是實際上，建立這樣的用戶肖像需要很系統的定量分析和定性分析，且缺一不可。而其實根據你對客戶的了解而提供對應的服務即是一種：產品經理的思維，產品開發的過程。很多大型公司都是由數據分析部門，產品開發部門，市場部門一起去指定新產品的定位（proposition）和戰略的，從而進行精準營銷。
對於現存客戶和潛在客戶的了解，我們可以通過以下工具來實現：
- 了解你的商業模式，是零售類的重複性銷售，還是會員制度，還是保險/銀行等金融產品類的少頻價高。
- 然後是了解你的商業目的：
- 我是想定位我的產品和商業模式（Proposition）？
- 還是指定不同的精準營銷手段（personalized marketing campaign segmentation）？
- 還是說提高用戶活躍度？（請參考我之前的答案：除了積分、等級、身份標籤等較為常見的用戶行為激勵措施，還有哪些新興奇特的策略？ - Terry Meng 的回答）
當公司的數據驅動程度比較高的時候，可以通過很多自動化的機器學習方法實現你要求的精準營銷。比如推薦系統，我這裡的推薦系統不是只是給你推薦什麼產品，而是根據不同的應用場景，設定不同的商業規則，真正的實現「在對的時間，向對的客戶，通過對的渠道，推薦對的產品」。
好了，更詳細的案例分享我會在我的專欄更新，歡迎關注 Analytics at Work - 知乎專欄首先，你得清楚什麼是精準營銷，或者說什麼是營銷。不是說有個人群畫像就完了，做人群畫像的工具很多，充其量就是個DMP，就是個投放工具而已。營銷要解決的問題不是只知道哪些人就可以的，也不是只有標籤化的數據就完了的。誒懶的說了，放個截圖好了。
這個是從品牌廣告的角度講的營銷，你可以根據你的角度自行刪減
首先，關於建立用戶畫像、標籤化的問題，不僅需要從已有的用戶數據進行定量分析，還需要以問卷、訪談等形式進行定性研究。定量和定性分析相結合，才有可能得出一個更為精準的用戶畫像。
其次，關於得到用戶畫像後區分不同用戶級別從而進行相應的精準營銷的問題，我立即想到的是推薦引擎。推薦引擎利用特殊的信息過濾技術，將不同的內容推薦給可能感興趣的用戶。較常見的推薦引擎通用演算法有（1）基於關聯規則的推薦演算法（如買了泳衣的用戶可能會買泳鏡）；（2）基於內容的推薦演算法（需要用戶的歷史數據，例如我在淘寶上買了個貓砂盆，轉眼第二天又給我推薦了一個貓砂盆）；（3）協同過濾推薦演算法（這個應該是題主想要的東西了）。
協同過濾推薦的核心是找到和目標用戶興趣相似的用戶群，技術上叫「最近鄰居」（Nearest Neighbor）。通過最近鄰居對商品的加權評價來預測出目標用戶對該商品的喜好，從而進行精準推薦。套到題主所說的用戶畫像，那麼可以理解為：系統匹配與目標用戶的畫像所相似的用戶群，然後推薦這類用戶群感興趣的商品給目標用戶。簡單來說，物以類聚，人以群分。 最後補充一點關於協同過濾推薦的最主要的優缺點。優點：可以過濾難以進行內容分析的商品，例如音樂。且推薦具有新穎性。缺點：用戶做出評價較少的情況下，數據不充足，產生稀疏性問題。數據都沒列出來就要談分析的都是耍流氓，具體可以參考淘寶的全景洞察產品http://dongcha.taobao.com，教你如何為用戶打上豐富標籤，也可以參考百度司南專業版sinan.baidu. com，教你正確的使用搜索行為數據
這幾年，大家越來越重視『用戶畫像』。
產品經理和市場營銷人員為了提升用戶體驗，往往張口閉口談『用戶畫像』，使用的方法也是五花八門。
然而，『用戶畫像』的本質是一種數據思維，它從海量的用戶特徵和行為中提煉出通向營銷目的的捷徑，從而幫助品牌做出有效的營銷決策、並提升轉化。
好的『用戶畫像』，一定不能脫離這些特徵：
它是基於用戶的真實行為數據
數據樣本足夠大、有大量歷史數據量沉澱
有科學的演算法和模型，從數據中構建出可靠的畫像
不過在開始講如何做『用戶畫像』之前，熱巢小哥哥決定先講一講：為什麼我們要做『用戶畫像』。
為什麼要做『用戶畫像』？
看到這裡，小哥哥知道肯定有人要不服氣了——
「我是老闆，我當然知道我的產品賣點和我的用戶需求～」
「我干這行超過10年了，用戶需要什麼我還不知道嗎？」
——是的，往往就是這些經驗蒙蔽了我們。
在廣告營銷行業，經常有甲方認為好的產品賣點，在消費者看來不具有吸引力。因為「屁股決定腦袋」——位置決定想法的理論，品牌方和消費者經常不在同一個視角上對話。
大家可以借這張圖，感受一下這種錯位（僅供娛樂）▼
為了解決這個問題，於是我們經常會聽到4A廣告公司經常會念叨這個詞：溝通。這裡的「溝通」不僅僅是指乙方在服務甲方過程中的溝通，更重要的是幫助品牌從用戶角度出發，制定與消費者開展有效溝通的營銷方案。
專業的溝通包括很多工作，4A們是怎麼做的呢？各家都有絕活，但大致離不開這四大塊：
- 品牌的目標用戶群體（TA）分析
- 競品分析
- 媒介管理/渠道投放
- 數據監測
前兩塊是策略部門的工作，先確定了營銷策略後再進行廣告創意——注意，在這個服務流程框架下，幾乎不會有創意先行的案例，因為創意往往是靠靈感和經驗，而策略通常需要理性和準確，需要的是數據和分析。
這裡再提供奧美公關數據分析總監王澤蘊公開過的一張圖，是奧美做『用戶畫像』的方法： ▼
她具體地介紹了TA分析的要點，包括：企業、品類、消費者，另外也是強調了競爭和渠道。
一句話總結，品牌需要通過數據來量化定製『用戶畫像』，做到知己知彼，確保營銷campaign能順利達到預期目的。
不是所有的『用戶畫像』都有用
看到這裡，有些人可能又要不服氣了——「好好，你說的是有道理。但是現在數據太多了，我自己就有一堆銷售數據，外面還有很多公司都聲稱都提供用戶畫像，這裡面有差別嗎？」
——當然是有差別的。不是所有的 『用戶畫像』都對品牌有用。
通過長期的交流和觀察，可以列舉三種很有代表性的「坑」。
第一種是自拍腦袋，品牌主會balabala說「我的用戶就是二三線城市，受過良好教育、處於收入上升期的30歲以下年輕人」。這麼說有問題嗎？看起來已經有「二三線城市」、「良好教育」、「30歲以下」這些標籤了，但有兩個問題：1是沒有經過數據檢驗，2是數據不夠準確、略顯粗放。長期養成拍腦袋的習慣，可能會錯失真實存在的市場機會。▼
第二種是只看內部數據，不看外部數據。品牌主一般都對銷售數據特別重視，比如統計報表能顯示汽車用戶的收入水平、駕駛習慣、駕駛里程，這部分數據只有品牌有，但這些數據能用做『用戶畫像』嗎？不一定，有一個重要的認知概念叫「倖存者偏差」，這些老司機已經不需要你再去教育引導，他已經養成消費習慣來消費你的品牌了，從這部分群體勾勒出的畫像，未必就是你的潛在用戶群體。潛在用戶是對相關產品感興趣，但還沒有產生消費行為的那部分人，也是營銷要去影響、去爭取轉化的那群人，這時候光有內部的銷售數據就不夠了，一定要結合外部數據一起看。
第三種是錯把監測數據拿來用。現在一些第三方監測數據產品很多，有些品牌一聽：哇是第三方耶，那數據應該會准一點了吧！——不是的，第三方數據並不一定就等於真實數據，而且第三方監測數據主要是用於監測廣告投放後的效果。如果品牌是要做『用戶畫像』，那麼用監測的數據結果來做參考，無異於本末倒置了；而且，鑒於第三方監測數據的真實性在行業內一直有爭議，它在這個時候很有可能變成一個既做裁判又做守門員的不靠譜角色。
那麼問題來了，『用戶畫像』到底怎麼做才靠譜？
『用戶畫像』怎麼做？
在互聯網尚不發達的年代，『用戶畫像』主要靠市場調查公司來完成。
調查公司的身影，可能比你想像的還要活躍——
走在街上，有沒有被攔下來填寫問卷：帥哥美女用什麼化妝品？用什麼手機？他們都是調查公司派來的。
西方國家民主選舉，不同黨派發表競職演說，也會有民調公司調查民意。
調查問卷由專業人員設計問題，還要依據特定的統計要求來向人群發放回收問卷，最後通過SPSS/SAS等軟體錄入數據、統計分析出結果。
除了問卷調查，還有一類形式是對典型用戶進行長篇幅的訪談，像記者採訪一樣的對話。一般至少要提供30個人物訪談才有統計學意義。
而現在，我們已經有更快、更有效率的方式來開展『用戶畫像』研究——即通過社交媒體，抓取並分析熱點內容、參與熱點互動的用戶。
之所以要重視社交媒體數據，需要理解兩個重要的發展背景：
- 跨屏時代迎來巔峰，互聯網/移動互聯網廣告花費持續增長，用戶高度依賴、高頻次使用移動終端進行跨媒體交互行為。
- 社交及溝通應用領跑互聯網，消費者購買決策越來越容易被社交媒體上的信息所左右，這為大數據分析消費行為並得出規律提供了新的發展機會。
簡單來說就是：
傳統市調——耗時、耗人力、成本高、樣本數量有限，且存在受訪者隱藏真實想法的可能。
社交媒體大數據——符合用戶溝通和線上行為習慣，無需人力、數據可自動全天候採集，數據量和分析維度更豐富、更客觀、可信度更高 。
熱巢給某殺菌軟膏做過一次線上調查，研究用戶的使用習慣和使用場景。之前他們購買的市調報告大概只能勾勒出最簡單的4、5個用戶需求： ▼
而通過熱巢旗下的社交媒體大數據工具進行採集分析，以30天社交網路輿情的數據為樣本，結果發現了更多新的市場機會和新的用戶需求： ▼
——這就是利用社交媒體外部數據的一大優勢。
讓我們再來回顧一下開篇講到的， 好的『用戶畫像』，一定不能脫離這些特徵：
它是基於用戶的真實行為數據
數據樣本足夠大、有大量歷史數據量沉澱
有科學的演算法和模型，從數據中構建出可靠的畫像
現在就比較容易理解了。
1.品牌做『用戶畫像』，最重要的是要知道我面對的目標消費人群是誰？他們平時喜歡做什麼，討論什麼，對什麼話題感興趣——有了這些數據，才能幫助品牌更好地找到用戶，賣出產品。
由於社交媒體數據是用戶主動分享、主動傳播的，這些行為比來自其他網路渠道的數據——比如無意識的瀏覽點擊動作，具有更強烈的動機和需求，更能反映用戶真實的消費需求、情感態度及興趣愛好。
2.相比傳統的市場調研方法，社交媒體大數據的採集能力更強、可以以更低的成本沉澱更多的歷史數據。
3.許多公司都聲稱自己能提供多維度的『用戶畫像』，事實上互聯網平台和電商平台都有自己的原始數據，他們能夠提供的數據維度甚至多達上百個，然而面對這麼多非結構化的數據標籤，品牌真的有能力看懂嗎？▼
實施一場好的營銷戰役，除了要能夠知道最基本的用戶畫像特徵（包括：性別、年齡、城市、婚姻狀況、學歷狀況……）和品牌關心的用戶行為、興趣愛好以外，還重要的就是要解讀用戶的心理。如同優秀的諮詢和策略人員那樣，在擁有了大量用戶行為數據後，我們需要有專業能力去理解和洞察這些數據。對於提供數據服務的產品工具來說，這個優勢必須通過科學的演算法和模型來體現。
譬如對於用戶情感態度的分析，需要有自然語言處理(NLP)；對於預測，需要有回歸演算法和隱馬爾可夫模型(HMM)；對於用戶的人格分析，需要借鑒心理學上著名的大五類人格(The Big Five，也被稱為OCEAN模型，含開放性openness,盡責性conscientiousness,外向性extraversion,隨和性agreeableness,情緒穩定性neuroticism五項測量指標)模型來計算分析。▼
隨著數據量的積累，和機器學習自我訓練時間的積累，未來的『用戶畫像』不僅能夠提供針對已知數據給出分析報告，還能更準確地給出預測，真正為品牌實施實用有效的營銷戰役提供決策幫助，提升轉化效果和效率。
恭喜恭喜！看到這裡，您已經完成了「數據驅動創意」的第一步，同時也完成了培養數據化思維的關鍵一步。
歡迎關注熱巢知乎專欄和微信公眾號：rechaos_com
除了為品牌提供專業的數據服務，我們還為「創意死硬派」們搭建了 超級廣告策劃師平台，可以直接在線發布項目、對接專業的廣告創意公司/個人。
每周我們還有線下交流活動CG Talk，具體活動時間、地點和主題，請隨時關注熱巢公眾號 ▼
http://weixin.qq.com/r/ZnV3b2HEqjzVrSUM9yB0 (二維碼自動識別)
用戶畫像介紹
早期的用戶畫像是通過對用戶多方面信息的調研和了解，將多種信息分類聚合，產出幾個有典型特徵和氣質的虛擬用戶。用戶畫像用於輔助產品設計，評價需求是否有價值，別讓產品偏離核心用戶的需求；市場營銷方面，可以用於方案制定，推廣渠道選擇，同時對運營人員也有一定的指導意義。此種的用戶畫像粒度比較粗，用虛擬的用戶畫像代表真實的用戶。用戶畫像會用如下的文檔描述。
隨著互聯網的不斷發展，積累的用戶信息、行為記錄越來越豐富，同時大數據處理和分析技術也已成熟，可以計算出每一個用戶的特徵。特徵使用從人口基本屬性、社會屬性、生活習慣、消費行為等信息抽象出來的一個個具體的標籤表示，標籤是某一用戶特徵的符號化表示。為每個用戶計算用戶畫像，這樣更加貼近真實的世界，每個人都是獨一無二，不能隨隨便便被其他人代表，用戶畫像精準到人。用戶畫像用標籤集合來表示，例如：
吳某，男，32歲，河南人，北京工作，銀行業，投資顧問，年收入50萬，已婚，兩套房，有孩子，喜歡社交，不愛運動，喝白酒，消費力強等。
基礎信息可以通過用戶的註冊信息獲得，但像是否有孩子、喜歡社交、喝白酒、消費能力等級等，用戶不會告訴我們，需要建立數據模型才能計算出來。當然，用戶標籤的體系是需要根據業務領域去設計的，比如銀行和電商用戶標籤體系就會不同。
基於大數據用戶畫像的用途
1. 應用最廣泛當屬個性化推薦，電商網站為準媽媽推薦嬰兒用品，為攝影愛好者推薦鏡頭。個性化推薦中，計算出用戶標籤是其中一環，需要有協同過濾等推薦演算法實現物品的推薦。
2. 精準廣告可以根據年齡、區域、人群、天氣、遊戲愛好、內容偏好、購物行為、搜索行為等定向選擇進行投放，例如騰訊的廣點通，支持用戶在微信、QQ精準投放。
3. 精細運營，例如向目標用戶發送促銷活動簡訊，避免全量投放完成的浪費。可以針對某次活動的拉新用戶進行分析，評估活動效果，看是否和預期相符。
4. 輔佐產品設計，把用戶進行分群，依據不同用戶群特性就行產品設計和測試驗證。
其它應用場景
1. 查看某次市場推廣的用戶畫像，事後分析是否和預期一致，判斷推廣渠道和產品目標用戶群的匹配度。
2. 查看不同地域的用戶畫像，不容內容頻道的用戶畫像。
3. 個性化Push，例如新聞客戶端根據用戶的閱讀習慣進行個性化的新聞推薦。
步驟
回答這個問題，產品有產品的做法，技術有技術的做法。
產品數據變成用戶畫像，建議先通過幾個維度 把用戶分為幾類，然後對這幾類各抽若干客戶樣本進行訪談，理解行為背後的意義和用戶目的，然後就可以得出初級的用戶畫像啦。
不過，用戶畫像是產品初期定位用戶的方式，但不夠動態精確，最終還是需要變成機器動態分析需求的。試著回答下題主的問題：用戶畫像及用戶分群精準營銷
用戶畫像：用戶為中心分析問題洞察價值
運營的靈魂是對用戶的理解，在理性的分析中感性的理解用戶。能夠把用戶群分得越精準，說明對用戶的理解越深入，運營目標就越清晰，運營方案的效果就會越好。數據本身是冷冰冰的，但是數據背後的用戶是形形色色的人，分析數據實際就是在分析人背後的行為，通過對數據背後的行為進行洞察，從而更好的制定運營策略。專註用戶洞察的諸葛io提供3個核心組件：
1、用戶行為路徑分析
諸葛io的用戶行為路徑分析，可幫助企業了解用戶習慣，查看到用戶在哪個頁面被什麼元素所吸引，這是一個用戶行為路徑的整體呈現，建立宏觀認知。
通過採集用戶會話數據，從會話開始到會話結束，那麼，什麼是會話呢？用戶訪問一次，即是一次會話，訪問一次停留10分鐘，這是一次會話，會話開始和會話結束就是開始訪問和結束。
場景，即以會話開始，觀察會話開始之後的用戶行為，比如，用戶打開產品後有77%查看產品詳情，然後登錄查看餘額等（數據來自諸葛io官網的DEMO，不一定符合業務習慣，但邏輯是一樣的）。
同樣的，還可以看會話結束的來源行為，比如：可以查看「綁定銀行卡」這個行為的來源行為和後續行為，了解用戶習慣是怎樣的，是大多數用戶點一下就往下做？還只是看看？都可以通過諸葛io平台展示出來。
諸葛io的用戶行為路徑分析，幫助企業建立對用戶群的整體認知後再做數據分析，因為沒有細分的數據混在一起是沒有價值的。
2、靈活拆分
用戶行為數據，包括所有實名用戶信息、行為信息、行為背後的業務數據，諸葛io通過這些維度和欄位來分析用戶，前端可直接根據業務理解的方式進行拆分。用戶群細分的一個關鍵點是對比分析新/老用戶，另一關鍵點是將某一類用戶分組後實現精準觸達。
比如：建立一個分組運營：昨日的優質客戶
「首次訪問時間」、「首次來源域名」等欄位都是基於諸葛io積累了大量業務場景而設置的，通常來說，只有明確用戶的第一次訪問來源，才能評估哪個渠道是有價值的，諸葛io有很多「首次」字樣定義的欄位，比如：在「首次訪問時間」欄位中篩選「查看理財項目超過5次」的用戶；比如精準分析「新增後」一天內，完成綁卡但未完成首投且用戶來源是「網貸天眼」（目前國內網貸行業較為權威的第三方機構），如此篩選出來的用戶意味著這是一群高質量用戶，該群用戶進入產品後查看很多項目且完成綁卡，但最後未投資，那麼很可能中間遇到了問題。在這種情況下可將用戶分組，在第二天致電用戶詢問使用產品中遇到的問題，比如，用戶反饋綁卡環節體驗不佳：原本打算投資，但總反覆彈出「實名認證」的提示。該應用場景即可證明：將用戶精準的拆分出來是精細化運營的基礎。本質上，將不同特徵的用戶通過對比交叉到群體畫像模型中，比如：將不同用戶群交叉到次日留存的模型中，對比不同用戶的行為特點，這樣的分析思路。
3、下鑽到底
諸葛io平台上，每一個代表用戶數據的數字均可點擊查看單體用戶的行為路徑，比如：有「點擊」行為的有50用戶，通過一個列表即可查看到這50個人是誰，可以查看該用戶整個行為路徑。
用戶畫像完整的記錄了用戶的行為軌跡，並採集了豐富的用戶環境信息，用戶真假一目了然。首先按照用戶行為路徑建立整體認知，然後通過用戶分群分析，最後在某一個用戶群中隨機篩選3-5個單體用戶驗證之前的分析結果，查看用戶的實際行為是否與猜想一致，最後能否基於這類行為特點還原出用戶當時的使用心理，其實這是一個深度還原用戶使用場景的過程，諸葛io以用戶為中心，洞察業務與用戶間的情感鏈接。
用戶分群精準營銷
——自動篩選、自動執行、自動衡量、智能增長
諸葛io除了強大的用戶行為分析能力，還實現了從「廣告監測」到「著陸流量分析」最後「功能優化」的覆蓋用戶生命周期各階段場景的數據打通，這對於用戶的評估是一個新緯度，如此構建出更真實的用戶分析模型。
1、一站式實現渠道效果衡量
投放是每家企業首先需要解決的問題，因為與成本有關，唯有通過有效的流量才能帶來最佳的轉化。
衡量渠道質量，評估獲客效果，必須將用戶行為關聯起來。廣告監測：從曝光到投資；深度鏈接：活動來源標籤；跨平台分析：從JS到App。
無斷點的完整獲客分析場景
諸葛io基於DeepShare技術，打破WEB和App之間的信息壁壘，完成一站式的內容跳轉，實現App的內容直達，實現App跳轉前後的用戶識別，從而完善來源渠道、推廣效果監測、歸因分析等場景。精準評估渠道價值基於UTM的網站、H5落地頁追蹤，諸葛io獲取分析功能可以快速評估渠道價值；基於deeplink的跨應用市場用戶追蹤，精確計算跨應用市場的用戶數據。
諸葛io基於對產品的洞察和經驗的積累，開發出「獲取分析」模塊，實現自外而內全路徑數據分析：廣告投放曝光、新增下載活躍，轉化留存。
因不知題主產品的行業，下面我以互金產品為例談談精準營銷具體方案：
2、著陸頁分析
諸葛io支持將不同用戶群在落地頁中的行為以「可視化」的方式呈現出來，比如：拆分未投資用戶與已投資用戶，通過落地頁的可視化點擊分析，發現「未投資用戶」更關注產品的安全性和背景，而「已投資用戶」更關注收益及資金安全的情況。
3、產品運營
對於理財產品，可將用戶分為：註冊評估者，新手期投資者，周期性復投，都需要分別分析討論，比如：深度洞察首次投資，同樣的，當用戶進入新手期後，從試探性到首投的過程是比較模塊化。
4、智能觸達
互金產品用戶轉化節點較多，如引導綁卡，實名、設置密碼等，通過諸葛io智能觸達平台在合適的時機進行引導和鼓勵，提升轉化和用戶價值。
?促進首單轉化：不斷減少從新增到首投的時長周期
基於強大的用戶分組能力，諸葛io開發出「智能觸達」模塊，這是一個偏自動化運營的工具。
見上圖，以首單轉化場景為例，給新增用戶設定一個條件：如果註冊成功後一天未完成開戶行為，即推送一條簡訊/移動端PUSH。諸葛io支持自動衡量，統計出在執行運營動作後3天內實現「首單投資」的用戶數，分析絕對數量/轉化率/交易額。
改變了傳統的運營觸達方式——每次需要技術部門的配合。諸葛io打通所有數據且實時查看，實現運營自動化、自主化（由發起部門自行設置即可完成）。
?促進追加投資：引導追加資產促進用戶價值層級遷越
對於新手期的活躍用戶，在諸葛io平台可通過手動設置完成運營：篩選出資產小於5萬且最近30天內沒有投資行為的用戶，為其精準推送現金券，通過自動衡量查看效果：3天內實現使用現金券投資的用戶數，自動分析絕對數量/轉化率/交易額。
以上，諸葛io深度挖掘基於用戶行為數據的價值且打通跨平台數據，可自動化執行，最終效果實時評估，為用戶提供更好的體驗，這就是諸葛io提供的從用戶獲取到落地頁再到用戶進入金融產品後的數據應用的方式。
推薦閱讀：
※國內的數據挖掘，大數據的案例有哪些？
※國內外有哪些數據分析相關的競賽比賽網站？
※如何系統地學習Python 中 matplotlib, numpy, scipy, pandas？
※國內在線圖表工具，你能說出幾個？
※國內哪家數據公司有實力？