用戶畫像,該怎麼分析?

【與數據同行】已開通綜合、數據倉庫、數據分析、產品經理、數據治理及機器學習六大專業群，加微信號frank61822702 為好友後入群。新開招聘交流群，請關注【與數據同行】公眾號，後臺回復「招聘」後獲得入群方法。

有同學問：陳老師，我領導讓我做用戶畫像分析，可是我做了一大堆數據，卻被批：也沒分析什麼東西啊？該咋辦？今天系統解答一下。

1.限於數據，動不敢動。一提用戶畫像，很多人腦海裡立刻蹦出了性別，年齡，地域，愛好等基礎信息欄位，然後大呼：我們好像沒這個數據，於是放棄分析了。可實際想想，知道男性佔比真的有那麼大意義？知道男性佔比65%還是60%真的對業務有幫助？不一定的，貼用戶標籤有很多方式，不要限於一些難採集的基礎信息。

  

2.羅列數據，沒有思路。很多人一聽到用戶畫像分析，本能的就開始把資料庫裡的用戶標籤往外搬，在報告裡碼上：

至於擺完這些數據幹什麼，完全沒有考慮過。這種分析結果，當然讓人看完一頭霧水。迷茫的發問：「所以呢？又怎樣呢？」

3.無限拆分，沒有邏輯。很多人一聽到類似「流失用戶畫像分析」一類相對具體的分析題目，就開始無限拆解數據。分性別，年齡，地域，設備，註冊時間，來源渠道，購買金額……拆了幾十個維度看流失率。最後，只看到有的維度差5%，有的差10%，當然沒有最後結論啦，越看越糊塗。

以上問題，都是太過糾結於用戶畫像四個字，忽視了分析兩個字導致的。用戶畫像作為一個基礎數據體系，本身並沒有分析功能。單純的羅列用戶標籤或者拆解用戶指標，也起不到分析作用。像利用好用戶畫像，還得按分析套路一步步來。

用戶畫像分析，本質上是從用戶的角度思考問題。舉個簡單的例子，比如新上市產品銷售未達預期，我們既可以從產品管理的角度來思考問題，也能從用戶角度來思考問題。同樣一個問題，會有兩種思考方式（如下圖所示）：

因此，簡單的列出一堆用戶指標（性別，年齡，地域，購買產品，登錄次數……）是沒啥用處的。用戶畫像只是分析的一個工具，和其他分析一樣，也要先考慮：我要解決的實際問題到底是什麼。想清楚了，再把問題轉化成用戶相關的問題，就能繼續使用用戶畫像分析方法了。需要注意的是，商業問題是很複雜的。往往一個問題，可能與若干用戶群體、若干用戶行為有關。比如上邊的例子，就至少和三個用戶群體（潛在用戶、流失用戶、存量用戶）涉及到用戶態度、信息接收、購買流程、使用體驗等多方面。因此更得分門別類，把分析線索和分析邏輯理清楚，找到對應的數據。不然一鍋燉，光列性別，年齡，地域，也解釋不了任何問題。這就涉及下兩部工作。

 

轉化完問題後，先宏觀上對假設進行檢驗非常重要，能有效避免無限拆解的錯誤。如果大方向都不成立，細節更不用看了。還是新產品賣不動的問題，如果要從大方向驗證，可以簡單如下進行：

 

 

總之，先進行大方向檢驗，可以有效縮小懷疑範圍。懷疑範圍越小，後續對用戶分析可以越精確。同時，當數據不足的時候，懷疑範圍越小，越能夠集中力量收集數據，改善數據質量，做出有精度的分析。用戶的分類維度可以有幾百個之多，如果不加篩選的做拆解對比，很有可能在數十個維度上都有差異，最後完全讀不懂數據。在拆解以前聚焦假設，非常重要。

 

宏觀驗證以後，可以基於已驗證的結論，構建更細緻的分析邏輯。在這個階段，實際上已經把原本宏大的問題，聚焦為一個個小問題，比如：

舉一個具體場景：

已驗證：我們卻受競品影響

這四個子問題，都可以通過對用戶需求與行為的深入挖掘得到答案，下一步可以繼續深入了。須注意的是，這一部分的分析需要大量用戶態度、潛在用戶、競品用戶的研究，單靠內部數據不能完成，必須通過外部調研。

這些問題，可以分兩方面解決

一方面，通過對不同類型用戶對比，如

用戶進行對比，找到投放、獎勵活動、購買品類、金額等細節上差異，從而調整投放、營銷、產品補貨等業務。

另一方面，通過對核心用戶畫像，讓業務更看清楚，真正愛買的人

來自哪個渠道

通過什麼主題

需要什麼樣優惠

在什麼時機下單

讓業務更多的去抓這些核心用戶，而且改善後續表現。

需要注意的是，這一部分用戶來源、信息投放響應，購買行為，主題閱讀，完全可以通過內部系統記錄。即使不知道他是男是女，我們也能通過投廣告，發內容，做優惠吸引到他們。在上一步我們已經看到，用戶畫像分析如果真的想深入用戶，就得依賴多種數據來源。很有可能是內外部數據雙管齊下的。考慮到內部數據可能採集不全，外部數據存在抽樣誤差問題，在使用數據上就得有取捨，有重點。這也是為啥前邊一直強調逐步驗證，縮小假設的原因。聚焦了才好採集數據。

越是偏態度、體驗、情感類問題，越傾向於用調研的方法

越是偏行為、消費、互動類問題，越傾向於內部的數據分析

如果想了解競品，就拉競品用戶調研，或針對競品網店爬蟲

在傳統意義上，做市場調研和做數據分析的，都有各自用戶畫像的定義、做法、輸出產物。站在實際對企業有用的角度，當然是越多越好。不過，隨著爬蟲，NLP，埋點越做越深入，在有技術支持的情況下，這些年對系統採集數據的利用度是越來越高的。所以在有條件的情況下，還是儘量推動內部數據豐富。不然事事依賴調研，數據沒有積累，以後也難做。

 

如果以上幾步做好了，在最後推分析結論就是水到渠成的事，完全不費力氣。實際上，用戶畫像分析最大的問題都是出在前五步的。缺少假設方向，缺少數據準備，缺少分析邏輯，單純羅列數據，無限制拆解，到最後自然面對一堆零碎的數據糾結：「男女比例3:2又怎樣呢？？？」當然用戶畫像有其他很多用處，比如支持新品開發，支持推薦系統，支持自動營銷系統，支持投放系統等等，作分析只是它一小塊作用。所以想做好分析，還是要多學習分析方法，操練分析邏輯哦。不考慮具體問題場景，單純的問：一般的用戶畫像怎麼做。得到的也是來自算法、調研、數倉、分析各個崗位千奇百怪的回答，自然沒有分析思路了

數據分析報告，就該這麼寫

數據分析真的能驅動用戶快速增長麼？

數據分析的基本方法論

一份完整的數據分析師成長書單

數據分析師的未來

超級菜鳥如何入門數據分析？

數據分析的套路：經典的6大類分析方法

如何才能成為頂級的數據分析師？

數據分析的道與術

 數據分析人的職場天花板

一次客戶細分的實踐

經驗，套路還是邏輯？從我的一次數據分析經歷中能得到什麼？

為什麼我提交的數據分析報告總是被領導K？

大數據也是個江湖：關於騰訊大數據「購買iPhone人群普遍無房無車學歷低」的一地雞毛

浙江移動發布手機終端大數據分析報告

為什麼客戶畫像這麼難？

為什麼有些人用3年的時間獲得了 你12年的數據分析經驗

數據分析師的自我修養

經營分析師如何進一步提升自己的境界