因此对很多企业来说，搭建的用户画像标签并没有真正起到有效的作用。那到底什么是用户画像，用户画像对企业来说主要用在什么地方？以及企业该如何搭建一套有效的用户画像？今天小亿就来为大家分享一下。

一、什么是用户画像？

1.定义

用户画像即用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。

2.类型

（1）统计类标签

这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础。

（2）规则类标签

基于用户的行为以及规则，在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定

（3）学习挖掘类标签

二、用户画像主要的作用是什么？

全域场景下，用户画像的应用通常是基于大数据平台进行数据采集分析，把用户标签按不同模块进行归类后提供给产品、运营或分析师使用，应用场景涵盖金融风控、精准营销、个性化推荐等，应用方向包括活动人群筛选、用户洞察报告、营销决策系统、推荐系统等。

1.精准营销

2.用户洞察

用户画像也是了解用户的必要补充。产品早期，产品经理们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候就可以辅以用户画像配合研究。方向包括新增的用户有什么特征，核心用户的属性是否变化等等。

除此以外，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通，最后辅助业务决策。

3.产品设计

相比过去较为传统的企业生产什么就卖什么，如今“用户需要什么企业就生产什么”成为主流，于是许多企业把用户真实的需求摆在了最重要的位置。

4.数据应用

用户画像是很多数据产品的基础，诸如耳熟能详的广告系统，广告基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等来帮助企业进行进行推广投放的。

除此以外，还有个性化推荐，比如我们在音乐app上看到的每日推荐，网易云之所以推荐这么准，就是他们在做点击率预估模型（预测给你推荐的歌曲你会不会点击）的时候, 考虑了你的用户画像属性。比如根据你是90后，喜欢伤感的，又喜欢杰伦，就会推荐类似的歌曲给你，这些就是基于用户画像推荐。

三、企业该如何搭建一套有效的用户画像？

1.明确用户画像的目的

确认用户画像目的是非常基础也是关键第一步，要了解构建用户画像期望达到什么样的运营或营销效果，从而在标签体系构建时对数据深度、广度及时效性方面做出规划，确保底层设计科学合理。

2.数据的收集与处理

在采集数据时，需要考虑多种维度，比如行业数据、全用户总体数据、用户属性数据、用户行为数据、用户成长数据等等，并通过行业调研、用户访谈、用户信息填写及问卷、平台前台后台数据收集等方式获得。

3.数据标签化

在这一步企业将得到的数据映射到构建的标签中，并将用户的多种特征组合到一起。标签的选择直接影响最终画像的丰富度与准确度，因而数据标签化时需要与产品自身的功能与特点相结合。

还得一提的是，储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。

（1）静态的用户信息标签以及2D用户画像

（2）动态的用户信息标签以及3D用户画像

给用户打上不同的行为标签，可以获取到大量的网络行为数据、网站行为数据、用户内容偏好数据、用户交易数据。这些数据进一步填充了用户信息，与静态的标签一起构成完整的立体用户画像，就是所说的3D用户画像。

4.绘制用户画像

（1）定性与定量相结合的研究方法

一般来说，定性的方法，在用户画像中，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。

（2）数据建模——给标签加上权重

给用户的行为标签赋予权重。用户的行为，我们可以用4W表示：WHO（谁）；WHEN（什么时候）；WHERe（在哪里）；WHAT（做了什么），具体分析如下：

①WHO(谁)：定义用户，明确我们的研究对象。主要是用于做用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、身份证、微信微博号等等；

②WHEN(时间)：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。越早发生的行为标签权重越小，越近期权重越大，这就是所谓的“时间衰减因子”；

③WHERe(在哪里)：就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签，比如小米手机；网址则指用户行为发生的具体地点，比如小米官方网站。权重是加在网址标签上的，比如买小米手机，在小米官网买权重计为1，在京东买计为0.8，在淘宝买计为0.7；

④WHAT(做了什么)：就是指的用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户购买了权重计为1，用户收藏了计为0.85，用户仅仅是浏览了计为0.7。

当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：标签权重=时间衰减因子×行为权重×网址权重。举个栗子：A用户今天在小米官网购买了小米手机；B用户七天前在京东浏览了小米手机。由此得出单个用户的标签权重，打上“是否忠诚”的标签。

四、构建用户画像需要注意的关键点

1.所有数据要建立在真实的、准确的、全量的、实时的数据之上

影响用户画像的最终呈现的数据有很多，我们要选择线上的实时的数据来做洞察，相较于线下导入的数据，线上数据更直观，也更真实；其次，线上的数据能够覆盖更多、更全面的端口，来充分记录一个用户的多种行为。

2.标签并不是维度越多、越广泛就一定是最好的

数据量不断扩充，用户画像也会越来越细，越来越多，供我们参考的信息也越多，但是数据的存在是为了形成洞察，洞察的结果是为了指导业务。因此多个用户画像存在的时候，我们一定要制定核心画像和进行优先级排序，跟核心业务路径转化最相关的，作为我们最重视的画像来指导业务。

3.用户画像是需要不断迭代和修正的

用户画像终其根源是人的画像，人的属性，人是复杂的，是动态变化的，因此在真实的业务环境中，一个用户的等级可以逐渐攀升，行为确是多种变化，所以我们做画像的规则也需要动态适应这种变化。

五、小结

用户画像发展至今，可用性已经得到了一步步的提升。当企业以庞大的用户数据为依托，借助其标签化、信息化、可视化的属性，构建出一整套完善的用户画像，就可以进一步通过数据来识别与预判经营的风险。

与此同时，用户画像应以最终业务目标为指导来进行构建，不同业务刻画出来的用户群体是有差异的，只有选择对业务有价值的标签来刻画用户才能更好的应用在业务层面，实现真正意义上的千人千面。

最后在落地运行用户画像的过程中还需要开发标签的数据工程师和需求方相互协作，将标签应用到业务中。否则开发完标签后，数据还是只停留在数据仓库中，没有为业务决策带来积极作用。