用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。
目前市场是分为 To C 和 To B 两类用户画像需求，网上传播的用户画像一般以 C 端为主，它们模版多，方法全，RFM 模型成熟，并逐渐衍生出一些用户洞察公司，帮助企业完善用户画像。但这些 C 端模版对于 To B 端的企业来说无法直接套用，并且两者用户画像研究群体不同，导致在洞察方法上也略有差异。
此处我以制作 To B 用户画像为例进行阐述，希望可以解决你的疑问，它的的主要内容包括：
1、用户基本信息用户基本信息很好理解，B 端客户一般为企业，它的基本信息就包括企业信息，组织架构，公司特征等，这些信息对我们建构用户基本框架提供了很大的帮助。根据用户基本信息，可以将用户团队规模大致分为 10 人以下、20 人～50 人、50 人以上等类型。或者可以根据所在行业的核心关注指标来进行不同团队的划分。
此处，我们以 20 人～50 人的公司为例，模版中可以依次填入公司名称、公司特征、组织架构的信息。
完成基本信息的输入，20～50 人创业公司的基本面貌就可以清晰地展现在我们面前，这种信息类似于 C 端用户画像的信息，很好地解决了“用户是谁”这个问题，将一行行数据和文字具象化，让产研人员可以感受到活生生的用户，而不是陷入自我想象的循环圈。
2、购买决策链。建立用户基本轮廓后，我们可以继续从用户决策链下手。如果我们能充分了解决策链上各个角色的影响力，以及他们对产品的需求，那么才能提高获得订单的成功率，进而完成我们对用户核心诉求的探索。
以蓝湖一个 PM 画像为例，Kevin 是产品负责人，在社区领域经验非常丰富。他们的产品节奏从来不以快为标准，而是以好为标准。目前，很注重流程的管理以及文档沉淀，深知这些是保证高品质输出产品的关键。希望能有一个 All-in-one 工具能更便捷的使用。
人数不同的公司，决策链的长短也有区别，小公司 PM 的影响力可以占到 70%，而中大型团队 PM 还有总监、VP、CEO 等关键角色。所以你可以根据不同的公司情况，有针对性地进行补充其他关键用户画像，完善决策链。
3、用户核心诉求。在了解各个关键角色的用户画像之后，我们可以对决策者的核心诉求进行归纳总结；一方面，从使用者、决策者的双维度出发，帮助产品不断优化和迭代；另一方面，为客户精细化运营提供抓手和依据，实现产品增长目标，从而提高企业的市场占有率。
如果调研足够深入，甚至还可以得到一些用户的关键数据，例如 DAU、WAU 等，这部分数据对于你填充用户画像的最后一块空白非常有帮助。
在搜集以上信息结束之后，你可以根据在调研中发现的差异点进行个性化补充，比如重新进行用户分类，更改用户的公司规模，增加关键人物画像等。
洞察用户进而输出完整的用户画像报告这是我们每个人都必须了解的事情，无论你是产品、设计还是运营、销售，了解用户可以让我们更有针对性地帮助他们达成目标。
这个模版我已经上传至蓝湖的「超级文档」，大家可以在创建文档时直接选择，希望你能喜欢！
用户画像分析方法（案例）
对于互联网从业者，经常会提到一个词——用户画像。作为一名刚主要做用户画像DMP的数据PM，工作中总是会被需求方问到——
我要查看XXX的用户画像 或是 能否能够XXXX类用户的画像。 抑或是有别的产品会问到：你们是怎么做用户画像的？
然而在沟通的过程中，我发现，不同的人对用户画像的理解差异还是非常大的。有的人认为用户画像就是包含了用户的详细的信息，有的人认为用户画像是能够反映出一个群体的统计学特性，有的人认为用户画像可以做用户研究.....这些想法或多或少有一些片面的，本文就用户画像的基础知识进行说明，并结合一些DMP产品进行分析，同时对用户画像在K12产品中的应用做一说明。
1、当我们谈论DMP和用户画像时，我们在谈论什么？
此部分结合常见DMP&用户画像定义和我工作中对DMP&用户画像的定义进行说明
用户画像是DMP中非常重要的一个环节，因此将DMP和用户画像拆开进行说明
1.1DMP
1.1.1 DMP是什么？
DMP即 datamanagement system,数据管理平台，单从名称上来看，这个定义还是非常宽泛的，所以国内很多企业或者个人会将dmp的核心功能理解错。
结合我的理解，DMP其实是一个全面的数据收集，加工，整合的平台，吸收各种数据源的数据，以用户为基本单位，清洗，整理形成结构化的数据表，并进行用户标签的计算，以期能够精准的描述各种用户。
纯碎的DMP平台是指小型的、定制能力极强、中立性好的DMP技术服务商。美国DMP市场是极度细分的，中国市场是高整合的，往往DMP的需求是和DSP、SSP紧密联系在一起的，目前还很难有纯粹的DMP平台。
1.1.2 DMP可以做什么
精准营销，广告投放，个性化推荐，其他应用
1.1.3 DMP的基础架构及数据加工流程
DMP的基础架构：
DMP的数据加工流程：
1.1.5 DMP的实际应用（市面上能够看到的产品）
DMP广告平台：腾讯广点通、阿里妈妈达摩盘；
独立第三方DMP：talkingdata、神策数据；
个性化推荐：今日头条、一点资讯、淘宝、京东等；
说明：个性化推荐的应用我们能够感受到，但是背后的逻辑我们是看不到的
其他应用
1.2用户画像
1.2.1 用户画像是什么
关于用户画像，有两类定义：User Persona 和User Profile
User Persona：是产品设计、运营人员从用户群体中抽象出来的典型用户。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户；
经典案例——《用户体验要素》中提到的用户画像
UserProfile：根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。
本文所提到的用户画像，指的是User Profile
1.2.2 用户画像怎么做
基础数据收集：收集用户在网站内外的静态数据和动态数据；
行为建模：基于用户的基础数据，通过技术手段进行行为建模；
构建画像：通过行为建模，可以输出一系列的用户标签，每个用户的标签都可以形成一个集合，这个标签的集合可以表示出这个用户的特点。
1.2.3 用户画像的常见应用
个性化推荐（电商、资讯类产品）、风控、预测等
1.2.4 用户画像与DMP的关系
DMP是数据管理平台，可以简单理解为，把数据提供到DMP平台，DMP平台输出一系列标签，或其他想要的结果。
用户画像是输入用户数据到DMP，DMP输出了用户标签。
DMP不只可以输出用户标签，也可以输出其他的标签，比如输入文章，输出文章标签。
因此，用户画像是DMP的一个应用方向。
2 相关产品介绍
由于用户画像主要是作为底层应用，因此它的很多应用都是能感知，但不可见。比如电商平台的个性化推荐页面，资讯类App首页的个性化推荐背后，就是用户画像在发挥着作用，用户标签和内容标签/商品标签进行智能组合。
由于本人从事K12教育行业，所以只选取了两类竞品：开放DMP平台、教育类产品，其中以开放DMP平台为主。
3 竞品分析
3.1 开放DMP平台
3.1.1 产品说明
3.1.2 功能对比
达摩盘
广点通
神策数据
说明：神策数据看起来更像是一个数据分析工具，但是其底层的搭建、对数据的管理与DMP有类似的地方，并且我们可见的部分即类似BI的功能，可看作DMP在应用层的表现，因此也把它列为竞品
3.1.3界面对比
说明：由于这三个产品均需付费才可体验全部产品功能，界面主要来自于说明文档，可能与真实节面有一定出入
达摩盘-标签
达摩盘-新建标签
达摩盘-人群报表
达摩盘-人群明细
达摩盘-整体报表
广点通操作界面
广点通-创建广告
广点通-创建广告2
神策数据-用户分析-事件分析
神策数据-用户分析-用户属性
3.1.4产品底层技术架构思考对比
说明：
1）此部分内容为通过产品体验和阅读说明文档，思考抽象出可能的底层架构，并非真实情况；
2）产品底层技术架构：我们所看到的功能模块，都是由不同的技术模块相互协作实现的。产品底层技术架构描述了产品对应的底层技术模块、以及模块之间的关系。
达摩盘
神策数据
3.1.5总结
总结来看，达摩盘和广点通是DMP在互联网广告中的典型应用。DMP是定向广告投放最核心的大脑，DMP提供的用户画像，是进行定向广告投放的最核心最关键的一步。达摩盘和广点通最重要的目标是，把对的广告在对的时机，展示给对的人。
而对于神策数据，这一类数据分析工具，DMP在数据分析、数据可视化的过程中也发挥着非常重要的作用，哪类用户的哪类行为比较突出，哪类用户在未来会产生什么样的行为。
3.2教育类产品
用户画像DMP在教育类产品中的应用——
（1） 洋葱数据个性化课程制定（类似自适应学习）；
用户在学习前，先进行测试，根据测试情况为用户制定个性化课程包，如下图1；
图1
用户完成学习，根据用户学习测试结果，展示可视化学习分析报告，如下图2
图2
4 用户画像怎么用？
用户画像是一个的底层产品，用户画像的应用通常难以看到。那么，用户画像该怎么用呢？结合对DMP产品和教育类产品的分析，用户画像的应用总结如下：
（1）用户标签可视化——
相关产品的功能：广点通和达摩盘将用户标签直接展示出来，用户可直接选择标签，并且对标签进行组合，选出目标用户，然后投放广告。
可借鉴场景举例：比如说，我想对今年刚报课程并且消费能力比较高且学习认真的这批学员发送一条推送消息，希望他们能够参加一场直播，促进其对知识的掌握。那么可以直接选中：新用户+消费能力高+学习认真这几个标签，然后对这部分用户发送短信。
好处：精细化运营，提高ROI；简化操作
（2）用户标签关联分析：
相关产品功能-广点通lookalike：（1）提供种子用户；（2）筛选种子用户特征；（3）将种子用户与腾讯用户进行匹配，进行人群扩展
可借鉴场景：一批用户购买了商品A，我想要找出与购买这一商品相似度比较高的用户。那么可以将这批用户的信息导入到DMP，计算出这批用户的标签，再通过关联分析，找到和这批用户相似度比较高的用户
（3）个性化推荐：
相关产品功能：个性化课程制定
可借鉴场景（以K12教育为例）：
（1）针对未注册用户，根据其访问行为，为其推荐个性化课程页面，提高购买转化率；如果是通过互联网广告进来的用户，则可以为其制定个性化落地页，提高注册和购买转化；
（2）针对注册未购课，根据其浏览行为，为其推荐个性化课程页面，提高购课率；
（3）根据用户学习行为（主要是做题情况），为其制定个性化试题和学习建议。
简单用户画像分析
上篇文章，我们了解了常见的业务场景（案例）和5种分析方法。这篇文章将带领大家走进工作时候的业务场景，学习在几种较为复杂的业务场景下，我们都是如何借助数据进行分析，解决问题的。
平常我们在网上也会对用户画像进行搜索，一般情况都会下会找到两种结果的答案。
第一种是会告诉你用户偏标签数字的内容。
第二种是描述一个用户的职业兴趣爱好以及使用产品时候的一些特点。
两种也会有一些差距。第一种一般指的是用户在系统里面产生的一些行为一些用户特征，或者用户主动填写的资料，更偏数据统计过程中形成的标签系统。第二种更是偏用户访谈用户研究的，一些感性的东西。
第一种我们就会用在产品的推广运营，产品设计中。这种一般是来自产品具体数据的表现，所以用在商务或运营中会比较多一些。第二种一般会帮助我们识别产品所主要服务的人是什么类型的，是比较感性的一个东西。但是它对于指导我们具体工作时，会有缺失的。
两者之间有一些差异，但是还是要多了解一下第一种基于数据的用户画像。
基础属性（用户的基本情况）：年龄、性别、生日、星座、教育、身高、收入、职业 ....
社会关系：婚姻、有无小孩、有无女孩、家有老人、性取向....
行为特征：基本行为 注册时间、来源渠道.... 业务行为 买过特惠商品、曾获优秀学员
业务相关（运动类型产品）：高矮胖瘦、体脂率、在练肌肉、日均9000步、收藏100个健身计划....
1、直接填写（比如是注册的时候，相亲的产品，外卖的产品，装修的产品）
2、通过用户自己的已有特征推得（一般是在做活动的时候，简单个性化运营，业务分析要拆成不通群体观察，用户研究（准备））
举个案例：产品是一个电商平台，运营部门要针对与北京的女大学生做一个女生节这样的运营活动。
这个时候我们如何去区分性别，地址，消费能力。
我们可以用现在已有的特征去推。我们可以通过买过的东西推算，如买过多次男性产品的归为男性，买过多种卫生巾产品的用户归为女性。地址也可以通过收货地址推算得出。消费能力也是可以通过细节消费（比如买一个消耗品超过200元钱这个样子）通过用户特征做推断，都是通过以往信息来筛选。不可能所有用户都发生这样的行为，这样的我们只能给一部分用户打标签，还有一部分用户没有识别出来的。
当然我们还是需要做进一步的推演。比如地址我们也可以进一步通过用户的常用IP来得出是否在北京。或者说消费能力也可以查看用户使用的手机型号是否为新款。比如通过手机型号vivo和美图手机也可以得出大部分女性用户（当然也会有些误判）职业可以通过收货地址是大学消费等地方。
3、通过用户身边的人推断
距离相近（某些属性，周围的人都具备，用户大概率也具备）
行为相似（通过协调过滤，找到行为相似的目标用户）
常见特征：基础属性 社会关系 行为特征 业务相关
使用场景：市场营销，个性化运营，业务分析，用户研究....
通过用户画像去了解数字背后的用户一般情况下会有三种落地的场景（高质量拉新，精准运营推送，辅助产品设计）
如何高质量拉新？ （一个2手书籍交易平台）
1如何从现有的用户里面找到我们，那些是真正的用户
定义什么是我们真正的用户（比如：高留存用户，核心行为频次，完成率高）
2真正用户的特征
是谁？ 电商平台可以通过他购买的书籍。倒推他们的年龄，受教育程度，地域，消费能力。
从哪里来？ 电话访谈等方式，发现很多来自朋友推荐。
3按此类型，找到类似的用户
用户画像：高校、科研院所、知识密集型工作区域。消费倾向社科类书籍。
有的时候人拉人的这种手段不一定会做的很好。会有很多条件限制我们，没有办法去做。在这种情况下我们可以选择很多渠道做合作做投放，不同渠道会有不同属性，不同渠道的用户会有不同的标签，比如年龄的标签职业性别等。我们有了自己的标签之后，在对接渠道时候我们可以将我们的诉求和特征对应起来选择更好的投放渠道。
另外也有很多广告投放也做的很好，都是可以精准的选择受众。对比两个平台的标签和画像，都是可以对的上。但一开始的时候一定要梳理好我们要投放什么类型的人，不然再好的平台也是用不上的。我们有一个用户画像之后，在拉新的时候会有一个大体的参考。
用户画像是通过对用户各类特征进行标识，通过标识给用户贴上各类标签，再通过标签把用户分为不同的群体，以便对不同的群体分别进行产品/运营运作。
比如拉面说在微信进行推广，因为拉面是即食食品，更加吸引年轻人，且更加偏向城市里忙碌的社畜，那么拉面说的用户画像就为年轻化（年龄）、上班族（职业）。
用户画像的标签有4种：
如：姓名、性别、年龄、星座、教育、身高、收入、职业等。
如：婚姻、有无女孩、有无男孩、家里是否有老人等。
基本行为 ：注册时间、来源渠道、最近一次活跃的时间、最近一次支付的时间。
业务行为 ：是否买过特惠商品、是否曾获优秀学员，这些标识都会对产品的后期运营有所帮助。
这一类跟其他类不太一样，就像第三类中的业务行为，它是通过业务行为产生出来的特征，而业务相关呢，它是积累了其他的业务不会去记录的一些数据，比如运动健身类的产品。
它会涉及到：胖瘦高矮、体脂率、BMI、在练胸或者练臀、日均10000步、收藏了多少份健身计划等等。
1、注册信息
一开始注册叫你填多少岁、地域的基础信息
and选择你喜欢的领域、兴趣，你在app搜索关键词等等
2、通过用户自己的已有特征推导
比如：从买过的东西去推，比如说买过女士衣服+化妆品。常用IP进行推导地域等。
3、通过用户身边的人推断
通过距离：基于某些属性，周围的人都具备，用户大概率也具备。
通过行为：通过协同过滤，找到行为相似的目标用户。
例：EXCEL的数据透视图
当你需要看哪个属性的时候，图跟随你的选择变化，如下动图：
此时你可以清晰地看到省份、城市的数据情况，或者可以选择下次在进行广告投放的时候更加偏重于这些区域。
由于这个功能会比较简单，下次和切片器一起写。
还有用tableau的仪表盘，或者是python的pychart包，后面有时间会教怎么用。
以上就是关于什么是用户画像？如何分析用户画像？全部的内容，如果了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
