身处在互联网大数据时代的我们，总是会发现我们的信息在不经意就被“窃取”了。当你打开短视频平台和购物软件的时候，发现出现的东西都是自己爱看的；某宝某东上一打算买某样商品，它就自动的跳到你面前，这往往就是大数据分类的结果。而当你你拿起父母的手机，就会发现推送的内容和我们大大不同，这也体现了父母的世界我们所思所想的差别。这就是大数据分析的作用。利用这种分析功能不仅便利了我们的生活，更提升了我们的生活质量。
那么，APP是怎样捕捉人们思想并匹配流量的呢？企业主们称之为用户画像。掌握了用户画像就掌握了用户的分类需求，如果再根据用户需求进行匹配和推荐，就可事半功倍。这个过程就被称之为用户画像分析，可以说，没有比这个更高明的营销手段了。至于用户画像怎么分析，我们可以从以下几个步骤着手：
第一步：转化商业问题
用户画像分析，本质上是从用户的角度思考问题。举个简单的例子，比如新上市产品销售未达预期，我们既可以从产品管理的角度来思考问题，也能从用户角度来思考问题。同样一个问题，会有两种思考方式（如下图所示）：
因此，简单的列出一堆用户指标（性别，年龄，地域，购买产品，登录次数……）是没啥用处的。用户画像只是分析的一个工具，和其他分析一样，也要先考虑：我要解决的实际问题到底是什么。想清楚了，再把问题转化成用户相关的问题，就能继续使用用户画像分析方法了。
需要注意的是，商业问题是很复杂的。往往一个问题，可能与若干用户群体、若干用户行为有关。比如上边的例子，就至少和三个用户群体（潜在用户、流失用户、存量用户）涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类，把分析线索和分析逻辑理清楚，找到对应的数据。不然一锅炖，光列性别，年龄，地域，也解释不了任何问题。这就涉及下两部份工作。
第二步：宏观假设验证
转化完问题后，先宏观上对假设进行检验非常重要，能有效避免无限拆解的错误。如果大方向都不成立，细节更不用看了。还是新产品卖不动的问题，如果要从大方向验证，可以简单如下进行：
如果怀疑大环境不好，那应该全品类受影响。
如果怀疑竞品竞争力强，那应该竞品直接影响到我们产品
如果怀疑运作太差，那本次商品转化漏斗上势必有一环掉链子
如果以上有假设验证，可以进一步深入分析
如果以上假设都不成立，可能还需要新假设
总之，先进行大方向检验，可以有效缩小怀疑范围。怀疑范围越小，后续对用户分析可以越精确。同时，当数据不足的时候，怀疑范围越小，越能够集中力量收集数据，改善数据质量，做出有精度的分析。用户的分类维度可以有几百个之多，如果不加筛选的做拆解对比，很有可能在数十个维度上都有差异，最后完全读不懂数据。在拆解以前聚焦假设，非常重要。
第三步：构建分析逻辑
宏观验证以后，可以基于已验证的结论，构建更细致的分析逻辑。在这个阶段，实际上已经把原本宏大的问题，聚焦为一个个小问题。
举一个具体场景的例子：
已验证：我们却受竞品影响
子问题1：目标用户的需求是什么？
子问题2：目标用户对竞品体验如何？哪些需求点最被触动？
子问题3：目标用户对本品体验如何？哪些差距是致命伤？
子问题4：竞品/本品在硬功能，软宣传上差距如何？
这四个子问题，都可以通过对用户需求与行为的深入挖掘得到答案，下一步可以继续深入了。须注意的是，这一部分的分析需要大量用户态度、潜在用户、竞品用户的研究，单靠内部数据不能完成，必须通过外部调研。
这些问题，可以分两方面解决
一方面，通过对不同类型用户对比，如核心/普通、购买/未购、触达/未触达等等。通过用户进行对比，找到投放、奖励活动、购买品类、金额等细节上差异，从而调整投放、营销、产品补货等业务。
另一方面，通过对核心用户画像，让业务更看清楚，真正爱买的人来自哪个渠道、通过什么主题、需要什么样优惠、在什么时机下单等，这些可以让业务更多的去抓这些核心用户，而且改善后续表现。
需要注意的是，这一部分用户来源、信息投放响应，购买行为，主题阅读，完全可以通过内部系统记录。即使不知道他是男是女，我们也能通过投广告，发内容，做优惠吸引到他们。
第四步：获取用户数据
在上一步我们已经看到，用户画像分析如果真的想深入用户，就得依赖多种数据来源。很有可能是内外部数据双管齐下的。考虑到内部数据可能采集不全，外部数据存在抽样误差问题，在使用数据上就得有取舍，有重点。这也是为啥前边一直强调逐步验证，缩小假设的原因。聚焦了才好采集数据。
一般来说，越是偏态度、体验、情感类问题，越倾向于用调研的方法；越是偏行为、消费、互动类问题，越倾向于内部的数据分析。如果想了解竞品，就拉竞品用户调研，或针对竞品网店爬虫
在传统意义上，做市场调研和做数据分析的，都有各自用户画像的定义、做法、输出产物。站在实际对企业有用的角度，当然是越多越好。不过，随着爬虫，NLP，埋点越做越深入，在有技术支持的情况下，这些年对系统采集数据的利用度是越来越高的。所以在有条件的情况下，还是尽量推动内部数据丰富。不然事事依赖调研，数据没有积累，以后也难做。
第五步：归纳分析结论
如果以上几步做好了，在最后推分析结论就是水到渠成的事，完全不费力气。实际上，用户画像分析最大的问题都是出在前五步的。缺少假设方向，缺少数据准备，缺少分析逻辑，单纯罗列数据，无限制拆解，到最后自然面对一堆零碎的数据问题。
用户画像的作用非常多，比如支持新品开发，支持推荐系统，支持自动营销系统，支持投放系统等等，作分析只是它一小块作用。所以想做好分析，还是要多学习分析方法，操练分析逻辑。
群脉是上海群之脉信息科技有限公司自主研发的全域用户运营平台。公司以“用户为中心”，提出“CDP（数据驱动）+CEP（持续互动)”SCRM理论，赋能企业数字化变革。通过全渠道获客、私域流量运营以及销售闭环打造，可以有效提升存量市场运营效率，开拓新增量市场。依托群脉「SaaS」+「PaaS」+「增值服务」的一站式服务平台化能力和可靠的技术核心竞争力能够助力企业在市场营销、产品销售和客户服务中实现超级增长。
身处在互联网大数据时代的我们，总是会发现我们的信息在不经意就被“窃取”了。当你打开短视频平台和购物软件的时候，发现出现的东西都是自己爱看的；某宝某东上一打算买某样商品，它就自动的跳到你面前，这往往就是大数据分类的结果。而当你你拿起父母的手机，就会发现推送的内容和我们大大不同，这也体现了父母的世界我们所思所想的差别。这就是大数据分析的作用。利用这种分析功能不仅便利了我们的生活，更提升了我们的生活质量。 那么，APP是怎样捕捉人们思想并匹配流量的呢？企业主们称之为用户画像。掌握了用户画像就掌握了用户的分类需求，如果再根据用户需求进行匹配和推荐，就可事半功倍。这个过程就被称之为用户画像分析，可以说，没有比这个更高明的营销手段了。至于用户画像怎么分析，我们可以从以下几个步骤着手： 第一步：转化商业问题 用户画像分析，本质上是从用户的角度思考问题。举个简单的例子，比如新上市产品销售未达预期，我们既可以从产品管理的角度来思考问题，也能从用户角度来思考问题。同样一个问题，会有两种思考方式（如下图所示）：
因此，简单的列出一堆用户指标（性别，年龄，地域，购买产品，登录次数……）是没啥用处的。用户画像只是分析的一个工具，和其他分析一样，也要先考虑：我要解决的实际问题到底是什么。想清楚了，再把问题转化成用户相关的问题，就能继续使用用户画像分析方法了。 需要注意的是，商业问题是很复杂的。往往一个问题，可能与若干用户群体、若干用户行为有关。比如上边的例子，就至少和三个用户群体（潜在用户、流失用户、存量用户）涉及到用户态度、信息接收、购买流程、使用体验等多方面。因此更得分门别类，把分析线索和分析逻辑理清楚，找到对应的数据。不然一锅炖，光列性别，年龄，地域，也解释不了任何问题。这就涉及下两部份工作。 第二步：宏观假设验证 转化完问题后，先宏观上对假设进行检验非常重要，能有效避免无限拆解的错误。如果大方向都不成立，细节更不用看了。还是新产品卖不动的问题，如果要从大方向验证，可以简单如下进行： 如果怀疑大环境不好，那应该全品类受影响。
SOSO用户画像分析 数据平台部/商业智能中心TA分析团队
2011年3月 目录 1.分析概要 (3) 2.数据说明 (4) 3.报告概要 (5) 4.人口属性 (7) 4.1用户规模 (7) 4.2性别 (9) 4.3年龄 (9) 4.4地域 (10) 4.5上网场景 (11) 4.6兴趣 (12) 4.7学历 (14) 5.产品行为 (15) 5.1各业务分布 (15) 5.2 IM (16) 5.3 互联网产品 (17)
5.3.1 QQ秀 (17) 5.3.2 QQ音乐 (17) 5.3.3 QQ邮箱 (18) 5.4 游戏 (19) 5.4.1 QQGAME (19) 5.4.2 CF (21) 5.4.3 DNF (22) 5.4.4 QQ宠物 (23) 6.增值服务 (24) 1.分析概要
本报告对2011年1月SOSO整体用户在人口属性特征和产品行为特征上进行分析，并与腾讯整体用户进行了对比，同时也分析了同月SOSO六大重点频道：网页频道、问问、百科、图片卡、图片搜索、表情APP，以便分析不同频道用户的特征差异。 2.数据说明 ?腾讯整体用户：研究时间段中，有过IM登陆行为的用户（2011年1月为6.65亿）；对于没有登陆IM但使用过 腾讯其他产品的用户目前没有统计，但预估这部分用户量相 对于有过IM登陆行为的用户属于少部分。本报告中近似将 有过IM登陆行为的用户定义为腾讯整体用户。 ?SOSO整体用户：研究时间段中，使用过SOSO产品（除无线、业务搜索外）的用户。 ?图片卡、表情APP：都属于表情搜索。但图片卡是IM上的表情搜索；表情APP是做为APP的形式嵌入到各个地方，不限于腾讯业务。 ?用户粘性：不同产品有不同的用户粘性指标，一般是从登陆次数、登陆时长等使用程度指标来考察粘性，次数越多时长 越长则粘性越强。
建立用户画像的标签体系 王建军 前一篇粗略的介绍了建立用户画像的过程，连载二更进一步，以时尚杂志全媒体为业务原型，把抽象的文字描述实例化，从战略目的分析、如何建立用户画像体系、怎么对标签进行分类分层级三个不同角度来说说用户画像建立的过程。梳理标签体系是实现用户画像过程中最基础、也是最核心的工作，后续的建模、数据仓库搭建都会依赖于标签体系。 可以获取到的数据分两类，一类是业务系统数据，一类是用户访问网站、APP 产生的行为数据。
不同的企业做用户画像有不同的战略目的，广告公司做用户画像是为精准广告服务，电商做用户画像是为用户购买更多商品，内容平台做用户画像是推荐用户更感兴趣的内容提升流量再变现。 战略理清楚后，首先要画出描述用户画像的框架，建立用户画像体系框架的目的是进一步明确用户画像的用途、把标签限定在合理的范围内。具体要结合战略目标、数据情况、应用场景来规划标签系统，选取和战略目标一致的标签维度，把
标签按照应用场景进行分门别类。同时注意聚焦和收敛，不要把没用标签装进来，以降低系统的复杂性，避免无用信息干扰分析过程。 用户画像体系和标签分类从两个不同角度来梳理标签，用户画像体系偏战略和应用，标签分类偏管理和技术实现侧。 把标签分成不同的层级和类别，一是方便管理数千个标签，让散乱的标签体系化；二是维度并不孤立，标签之间互有关联；三可以为标签建模提供标签子集，例如计算美妆总体偏好度，主要使用美妆分类的标签集合。 梳理某类别的子分类时，尽可能的遵循MECE原则（相互独立、完全穷尽），尤其是一些有关用户分类的，要能覆盖所有用户，但又不交叉。比如：用户活跃度的划分为核心用户、活跃用户、新用户、老用户、流失用户，用户消费能力分为超强、强、中、弱，这样按照给定的规则每个用户都有分到不同的组里。
用户画像数据建模方法 从1991年Tim Berners-Lee发明了万维网（World Wide Web）开始，到20年后2011年，互联网真正走向了一个新的里程碑，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。相比传统的线下会员管理、问卷调查、购物篮分析，大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。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
【最新整理，下载后即可编辑】 用户运营知识结构归纳之用户画像 智能手机新增流量消失、红利过去、超级用户思维、智能手机市场国内饱和…… 这是我们从2016年起至今，在各类互联网大咖以及媒介平台看到最多的关键词了。 因此，用户运营开始有了地位，如何盘活现有的用户群体是每一个（移动）互联网公司老板们考虑的问题。 2018年始，在给自己做工作规划的时候，定下了运营知识深度学习的两个方向：用户运营、数据分析。 做运营这些年，也看了不少用户运营的文章和书籍，每个大咖写的都特别好，但是都不够系统，所以想着自己可以梳理下用户相关的知识结构。 终于拖延了四分之一2018年之后的近1个月时间，把沉淀在Evernote的大咖文章做了梳理和归纳，分享给大家，仅供参考。 文章主要从三个方向来梳理用户运营的知识结构：用户画像、用户生命周期、用户成长激励。 内容穿插会给到每个环节需要的准备工作、监测数据等，篇幅较长，分三次发布，看官要有耐心~
误区：Persona（用户角色）VS Profile（用户画像）Persona用户角色 描绘抽象一个自然人的属性 通过调研问卷、电话访谈等手段获得用户的定性特征——用户间有差异，因为存在差异，所以需要描述 是用户属性的集合，不是具体谁，放一张某某的照片也是为了达到共情。它应该能准确描述出产品用户，一般会设置三到四个用户角色，也是通常意义上的目标用户群体 用户角色有缺点，评估用户属性时难以量化，也很难证伪。你不知道它确定的是不是真的目标群体，用户群体也随时间推移变化，所以用户角色需要不断修改。 Profile用户画像 和数据挖掘、大数据息息相关的应用，被更多运营和数据分析师使用，是各类描述用户数据的变量集合 通过数据建立描绘用户的标签 基于用户画像的应用：个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好 当我们想要选择某部分用户群体做精细化运营时，会用用户画像筛选出特定的群体
2014年11月24日 16:00 腾讯教育联盟 11月14日，由腾讯课堂旗下腾讯教育联盟主办的腾讯教育联盟线下沙龙（第二期）在上海衡山宾馆举行，主题为“用大数据来看教育：在线教育用户画像分析”。 腾讯即时通讯应用部商业运营总监李倞在沙龙上分享了腾讯课堂用户画像分析报告，为大家详细解读了报告数据并给出建议，启发机构专业的运营策略。她的核心观点如下： 1、中国的教育市场很大，但教学资源分配不均衡，只要有教育的内容，就可以找到合适的学生。 2、机构在做内容调研、设计时，可以把更多的精华内容集中在前面30分钟，在学习更好吸收的时间内去和学生交流。 3、腾讯课堂平台目前主要为19-24岁的用户，该部分用户的核心需求就是如何让自己变得更好，更有竞争力，找到更好的工作。 4、老师对课程的评价和培训寄语，会变成学生选择这一门课程的决胜因素。 5、学生会看重课后的交流，比如机构是否会有课后答疑、是否提供习题练习和教学资料。 6、腾讯课堂将设置机构成长等级，并把优秀的机构推荐给学生。因为学生在同质化课程里，更倾向选择自己合适的机构，而这些获推机构会得到腾讯课堂更多资源，更好服务。 7、机构入驻腾讯课堂平台是免费的，机构的收费腾讯不会有任何分成。 以下是演讲原文： 前一段时间，11月11日是腾讯公司十六年周年成立之际。以前腾讯是靠社交网络在整个互联网上占有一席之地，下一个十年的互联网发展，我们预测会在互联网金融、医疗、教育领域有所发力。在线教育这里，腾讯愿意出来做一个平台服务者的角色，跟在座各位教育者、朋友一起共度另一个十年。 今天将我们腾讯课堂自上线以来的运营数据分享给大家，让大家在数据上更好看看，原来我们的用户，在培训课堂上面听课这些人是这样的。这里的数据是我们在2014年才开始，预测的市场容量。整个市场在不断变化，我相信市场容量也在变化，甚至在提高。
2019年中国军迷用户画像分析研究报告 & 联合发布 2019年8月 本报告为Trustdata制作，报告中所有的文字、图片、表格均受到中国法律知识产权相关条例的版权保。 任何组织和个人，不得使用本报告中的信息用于其它商业目的。
研究综述 ?研究说明：本报告主要分析当前中国军迷用户画像，部分数据来源于调查问卷，问卷基于关注军武次位面用户为对象，问卷回收有效样本量达12000余份； ?数据来源：基于Trustdata自建的日活跃用户超过1亿（月活跃用户超过3.2亿）的安卓用户样本集，并根据中国移动网民人口结构、地域分布、各移动应用iOS与Android比例关系等多方面因素搭建模型计算所得 ?采集方法：只在亮屏情况下进行数据采集，确保数据的真实性和有效性。采集频次方面，不带支付功能的APP为每次10秒，带有支付功能的APP为每次1秒 ?统计周期：2015年至2019年6月 报告及指标说明： ?研究对象：本报告主要分析中国军迷群体的用户画像、消费行为偏好以及发展趋势，以专业的军事资讯平台为主要研究对象，重点研究平台军武次位面、铁血网、军事头条等； ?TGI指数：用户指标/目标群体用户特征指标
Contents 目录Part Two 中国军迷兴趣偏好分析 Part Three 中国军迷消费行为分析 Part One 中国军迷现状分析 Part Four 中国军迷群体的发展趋势
用户研究核心军迷1.8亿专业军迷 5000万泛军迷2.4亿 军迷：主要指基于共同的兴趣爱好而形成的群体，他们对军事、战争史、武器装备等包含军事元素与特征的事物有浓厚兴趣。 我国军迷群体众多，基于对军事知识的了解及军事元素的喜欢程度可划分为泛军迷、核心军迷和专业军迷。泛军迷主要指因对某些军事元素比较感兴趣（如喜欢玩军事射击类游戏、喜欢军事题材的电影电视剧等）从而不时关注军事资讯的群体；核心军迷指具有一定的军事知识，经常关注军事类新闻资讯的军迷群体；专业军迷是指具备专业的军事知识和武器装备知识，对最新船舰、战斗机型或武器性能等具有浓厚兴趣的军迷群体。激扬正能量，助力强军梦中国核心军迷规模达1.8亿