怎么样去进行用户画像分析

1. 怎么样去进行用户画像分析

用户画像，是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是企业应用大数据技术的基本方式。那么怎么样去进行用户画像分析？
  
  1、 静态属性
 
 静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础，最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。依据不同的产品，记性不同信息的权重划分。如果是社交产品，静态属性比较高的是性别性别、收入等。
 
  2、 动态属性
 
 动态属性指用户在再互联网环境下的上网行为。信息时代用户出行、工作、休假、娱乐等都离不开互联网。那么在互联网环境下用户会发生哪些上网行为呢？动态属性能更好的记录用户日常的上网偏好。
 
  3、 消费属性
 
 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理。这个动态属性是随着用户的收入等变量而变化的。在进行产品设计时对用户是倾向于功能价值还是倾向于感情价值，有更好的把握。
 
  4、 心理属性
 
 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动。进行用户心理属性得划分更好的依据用户的心理行为进行产品的设计和产品运营。
 
 关于怎么样去进行用户画像分析的相关内容就介绍到这里了。

2. 用户画像分析怎么做

用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。
可以运用营销自动化微信用户标签库来给用户打标签，“标签“就是带有特定含义用于描述真实的用户自身带有的属性特征。“标签”相较于其他用户画像基础要素来说，标签可以是动态的，通过动态的社交活动行为，例如：搜索、浏览、评论、点赞等构建出3D的用户画像。
通过对折叠屏手机用户的标签数据分析，可以得知用户的购物偏好特征和生活属性，从而品牌可以更针对性地展示不同用户想看的内容，还有为以用户需求为导向的产品研发，提供数据支持。

用户画像基本要素
1、地域
即用户所在的地理位置，不同城市的生活消费形态也是不同的。普遍一二线城市的居民平均收入要比三四线城市的居民平均收入要高一些。
2、性别
性别也是对消费需求影响较大的因素之一。参考该要素来宣传产品或服务，能够大大提高品牌的营销效率。
3、年龄
即用户的社会角色，每个年龄段的用户社会角色也不同，感兴趣的商品特性也不同。
4、受教育程度
受教育程度不同的用户对营销内容的要求也会不同，对于生活的态度和关注的事情也不同。
5、行业特征
了解用户所在行业，对产品或服务的关注点不同。

3. 用户画像分析怎么做

首先，是找到目标用户。以Tik Tok为例。在Tik Tok刚刚开始上线之后，分析我们的用户是谁是非常重要的，比如什么年龄，性别，地域教育等等。这样可以快速帮助产品找到当前的主流用户群体是否是产品的初始定位。如果完全不同，那就是产品的设计出了问题，偏离了方向。
上线一段时间后，我们可以把用户分成不同的活跃程度。比如都玩Tik Tok，有的天天玩有的偶尔玩，有的能刷很久，有的刷完就走了。频率和时长成了此时用户最大的特征差异。那么，不同频率和时长的用户在年龄、性别、地域上有什么区别呢？这些是对特征的进一步认识。
一段时间后，部分用户会保留和流失用户，需要分析保留用户和流失用户在行为特征上是否有特殊差异。
https://iknow-pic.cdn.bcebos.com/f703738da977391294357ff1ea198618367ae20b?x-bce-process=image%2Fresize%2Cm_lfit%2Cw_600%2Ch_800%2Climit_1%2Fquality%2Cq_85%2Fformat%2Cf_auto

4. 什么是用户画像？如何分析用户画像

什么是用户画像？用户画像是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。
通俗来讲，就是——我们产品的目标受众是什么，使用我们产品的核心人群是什么样的，他们有什么行为特征、消费习惯，什么是能够刺激他们购买的核心需求。

我们可以理解成，它就是一家企业的核心武器，它可以帮助我们：
聚焦、洞察用户的需求。
更精准地决策。
培养用户思维。
为了帮助大家更好地理解用户画像，这里为大家梳理了一套用户画像建立模板，大家可以参考：

如何分析用户画像？1.百度大数据洞察：百度指数
百度指数是以百度海量网民行为数据为基础的数据分享平台。分别有趋势研究、需求图谱、人群画像是百度指数的三个展现维度。
趋势研究：这是百度指数最核心、最基本的功能，是以时间维度，判断关键词的关注热度；我们可以做对比分析，从而找出规律。
以美术班为例，搜索关键词后，发现了一条规律，每年的3月和9月是搜索高峰期，这也正好应对了两个开学季。
需求图谱：通过用户在搜索该词的前后的搜索行为变化中表现出来的相关检索词需求。
比如，通过“美术”这个大关键词，检索出的相关小关键词。可以帮我们更精准地掌握用户的需求。圆中的圈越大，说明与大关键词的关联性越强。
人群画像：搜索关键词的人群共性特征，是从地域、年龄、性别分布以及兴趣属性这几个特征展开的。
2.全域数据洞察——观星盘
观星盘汇聚了百度域内数据、客户数据、合作伙伴数据组成的全域数据，构建海量用户行为标签，提供多维度行业和品牌洞察能力，全方位感知用户行为和意图，帮助品牌锁定精准目标用户。
借助观星盘数据精细化细分人群，可以覆盖不同侧重点进行引流营销，增强目标用户对品牌的认知，提升影响力。

5. 用户画像是什么？怎样建立用户画像

用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。企业通过对海量数据信息进行分析，将数据抽象成标签，再利用这些标签将用户形象具体化就是用户画像的建立过程。个推近期上线了全新的【用户运营】服务。个推·用户运营支持APP自有数据与个推海量数据融合，能够有效完善APP数据标签体系，涵盖用户基本属性、兴趣偏好、媒体偏好、线下活动场景等丰富维度，让APP用户画像更加全面立体；同时提供标签管理平台，支持APP开发者和运营者自助创建、自主维护、高效管理标签，还为开发者打造了丰富的行业标签模板库，涵盖餐饮、快消、美妆、母婴等多个行业，运营人员可按需灵活调用，分析  0 门槛，让用户画像洞察更加高效便捷。个推·用户运营SDK限时免费中，您可注册/登录个推开发者中心免费开通。    

用户洞察

6. 网站用户画像分析怎么做

首先是寻找目标用户, 拿抖音为例, 抖音刚开始上线以后, 很重要的一点就是要去分析我们的用户是谁, 比如是什么样的年龄 性别 地域 学历等等, 这可以很快帮助产品去发现现在的主流的用户群体是不是产品最开始的定位, 如果完全不一样了, 那就是产品哪里的设计有问题 偏离了方向。

等上线一段时间, 我们就可以对用户进行不同活跃的等级的划分, 比如同样都是玩抖音, 有天天玩的 也有偶尔玩的, 有一次可以刷很久的, 也有刷刷就走了的用户, 频次, 时长成了用户这时候最大的特征差异， 那么不同频次, 不同时长的用户他们的 年龄， 性别, 地域有什么差异, 这些都是特征的进一步洞察。
再过一段时间, 有用户留存有用户流失, 需要去分析留存和流失的用户在行为特征上的差异是否有什么特别不一样的。

7. 一文教你看懂什么是“用户画像”？

上回说到，我们既要吸引用户，也要精准防止用户的流失，并且介绍了在第一个漏斗环节中如何对用户进行流失的防范，我们这次就来说说，在这部分留存的基础上再一次的漏斗分层中如何留住用户，也就是如何通过“用户画像”留住用户。
  
 什么是用户画像呢？
  
 用户画像是建立在一系列真实数据之上的目标用户模型，即根据用户的属性及行为特征，抽象出相应的标签，拟合而成的虚拟的形象。从本质上来说，用户画像是数据的标签化。在大数据时代，企业通过对海量数据信息进行分析，将数据抽象成标签，再利用这些标签将用户形象具体化就是用户画像的建立过程。
  
 举个例子，如果现在你知道使用产品的是女性，30-35岁之间，喜欢宠物、追剧，住在江浙一带......那么你在做营销的时候是不是要考虑这些属性？
  
 用户画像在精细化运营体系中发挥了不可或缺的核心功能。
  
 随着产品功能不断丰富优化，用户数量大幅增加，用户需求的多样化和产品服务的多样化之间就存在了匹配和不匹配、选择与不选择、喜欢与不喜欢之间的矛盾。
  
 什么时候能用得到用户画像？
  
 短信营销作为用户低成本促活的有效利器，现已经成为运营过程中最重要的方式之一。传统的仅用“发送率”来衡量推送效果的方式不够全面，缺乏对营销各个环节链路的数据展示，无法准确判别真正影响营销实效的根本原因，通常一次正确有效的短信营销都需要根据用户画像来写短信文案，以此达到质量最大化。
  
 用户画像在哪里能看到？
  
 以访问分布为例，通过访问地区、访问分布、浏览器分布及操作系统分布数据来看，我们可以清楚地知道用户基本画像，哪些省份的用户活跃度最高，用户更倾向在什么时候打开APP，是安卓端用户占比高还是iOS端用户占比高，通过手机品牌配合近几年各大手机厂商发布的用户报告，可以进一步细化用户画像。了解了这部分数据后，运营同学可以有针对性地做出一些优化方案，比如应该给哪些用户推送什么信息，根据用户画像的差异进行用户分层。
    
 移动互联网的发展也极大冲击了广告营销的方式，人们对互联网广撒网的投放方式感到疲惫甚至厌倦，大数据时代来临，基于用户的喜好与特性投放营销成为了主流。合理利用用户画像，不仅能够降低成本，还可以大大促进点击率及转化率，提升整体营销效果。

8. 用户画像数据建模方法_用户画像分析

近些年，互联网进入了“ 大数据 时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚 焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。伴随着对人的了解逐步深入，一个概念悄然而生： 用户画像 （UserProfile），完美地抽象出一 个用户的信息全貌，可以看作企业应用大数据的根基。
  
  一、什么是用户画像？ 
  
 男，31岁，已婚，收入1万以上，爱美食，团购达人，喜欢红酒配香烟。
  
 这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。
  
 如果用一幅图来展现，即：
                                          
  二、为什么需要用户画像 
  
 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？
  
 也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？
  
 大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。
  
  三、如何构建用户画像 
  
 一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每 个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多 文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。
  
 人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。
  
  3.1 数据源分析 
  
 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。
  
 对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类， 高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…所有的子分类将构成了类目空间的全部集合。
  
 这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。
  
 本文将用户数据划分为静态信息数据、动态信息数据两大类。
                                          
  静态信息数据 
  
 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。
  
  动态信息数据 
  
 用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户 傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等一样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡 客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等均可看作互联网用户行为。
  
 本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。
  
 在互联网上，用户行为，可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。
  
  3.2 目标分析 
  
 用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 0.8、李宁 0.6。
  
 标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。
  
 权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。
  
  3.3 数据建模方法 
  
 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
  
  什么用户 ：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。
                                          
 以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，可以获取的标识信息有所差异。
  
  什么时间 ：时间包括两个重要信息，时间戳+时间长度。时间 戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即 可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。
  
  什么地点 ：用户接触点，Touch Point。对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是PC上某电商网站的页面url，也可以是手机 上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
  
  内容 ：每个url网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。
  
 注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖1元，火车 上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿 泉水的需求程度不同。即，愿意支付的价值不同。
  
 标签 权重
  
 矿泉水 1 // 超市
  
 矿泉水 3 // 火车
  
 矿泉水 5 // 景区
  
 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
  
 所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
  
  什么事 ：用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
  
 不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为5，浏览计为1
  
 红酒 1 // 浏览红酒
  
 红酒 5 // 购买红酒
  
 综合上述分析，用户画像的数据模型，可以概括为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
  
 用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
  
 标签权重=衰减因子×行为权重×网址子权重
  
 如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
  
 标签：红酒，长城
  
 时间：因为是昨天的行为，假设衰减因子为：r=0.95
  
 行为类型：浏览行为记为权重1
  
 地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
  
 假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。
  
 则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户A：红酒 0.665、长城 0.665。
  
 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
  
  四、总结 ：
  
 本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，能够给您提供一个系统性、框架性的思维指导。
  
 核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
  
 比如影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。
  
 最后，接触点本身并不一定有内容，也可以泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。
  
 比如游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。
  
 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%， 订单转化率提升34%。