新时代的产品经理“上的了厅堂，下的了厨房，懂的了代码，分析的了数据” ，哭笑脸，调侃一下。在实际的产品设计开发中，产品经理的需求的分析离不开用户使用场景及使用行为数据分析等，但是自己目标用户群体到底是什么样的？是不是我们想象的那个人群呢？用户可以分为哪几类？不同的用户群体到底有多大的占比？这几类用户中，哪些是可以发力的核心用户？这个产品设计方案到底能解决多大量的用户需求呢？
在没有精确的大数据标签化的用户画像数据支撑下，是否可以使用简单的测量－统计方法，较敏捷地得到一个期望的“用户画像”呢？
前言
提起用户画像大部分人的意识中就是用户的“性别、年龄、婚姻状况。。”等等的一揽子人口学变量描述，确实，人口学变量用来区分用户确实是很经典，但并不适用于所有的产品研究，比如你的产品就是细分领域，比如母婴电商、某个游戏产品，目标用户群体人口学数据很集中，首先是人口学变量并不能直接落地到业务，还需要基于业务进行二次推演，不够直观，而好的分类标准应该能直接与现有的资源结合起来指导业务；其次是完全无预设的情况下，事前很难确定各个人口学变量影响的权重，那么如果要进行探索性分析，需要在问题中纳入足够多的变量。所以最好的方式是前期定性研究，通过定性方式得到一些区分人物的变量，得到定性的用户画像，再通过定量方式去验证分类变量、人物分类，从而问卷设计更有针对性。
回收回来的问卷数据有那么多的变量，哪些变量影响着用户分类呢？怎么确定这些变量的影响权重呢？这里面就会用到统计分析方法：因子分析-聚类分析，下面结合案例说明具体分析过程：
用户画像数据分析的第一步：数据降维之因子分析法
数据降维就要用到因子分析方法，把数据进行浓缩，所谓因子分析就是处理多变量数据的一种常用的预处理方法，使用场景是当实际的用于测量的变量较多且相关时，可以将比较繁琐复杂的变量，用几个易于解释的因子来代替原来较多的变量，从而清晰展示数据的结构，然后再用因子进行聚类分析得到分类用户。
以案例说明，问卷中相关的题目选项数据是以二分数据表示的，多选题数据就是多重二分法，一共有58个变量，这些变量之间存在相关关系，符合因子分析使用场景，因子分析使用SPSS来分析数据。
分析步骤：
1、选用Analyze->Data Reduction->Factor......
2、引入因子分析变量；描述统计选项卡：要对因子提取前后方差变化，选定“原始分析结果”，相关系数矩阵、KMO和球形检验系数，它表示数据是否适合做因子分析。
3、提取公因子方法；主成分分析法；提取因子的方法有很多，最常用的是主成分分析法。特征值取1，提取因子可选特征值大于1的因子。因为分析的变量测度单位不同，选相关矩阵，如果测度单位相同，则考虑用协方差矩阵。
这里简单说一下主成分分析法与因子分析法异同，具体见下：
4、旋转方法：方差最大旋转方法，因子分析需要对因子给予命名和解释，对因子旋转与否取决于因子的解释，如果不旋转因子已经很好的解释，那么就没必要旋转；否则应该旋转。
5、因子得分：作为新变量存入，
6、结果分析：
（1） KMO值与sig值：当KMO值越大时，表示变量间的共同因子越多，越适合做因子分析，根据Kaiser的观点，当KMO>0.9（很棒）、KMO>0.8（很好）、KMO>0.7（中等）、KMO>0.6（普通）、KMO>0.5（粗劣）、KMO<0.5（不能做因子分析）；sig值要<0.05；
（2）公因子方差：
表示公因子对各个变量能说明的程度，每个变量的初始公因子方差都为1，共同度越大，公因子对该变量的说明的程度越大，也就是该变量对公因子的依赖程度越大。一般的基准是<0.4，就可以认为是比较低，这时变量分析中去掉比较好，上面的结果中7个因子的提取值都大于0.5，说明可以作为公共因子分析。
（3）解释的总方差：
特征值大于1以上就是比较重要的因子；下图前四个因子特征值大于1，累积贡献率表示因子可以解释原有变量百分之多少的信息，所以在分析时候需要不断去尝试不同的变量的排列组合，使累积贡献率越大越好，此案例因子取4个比较显著，所以目前为止已经将7个因子降维到4个因子。
（4）成份得分系数矩阵：
通常，因子载荷量>0.4就认为是显著的，也可以取0.5以上的，再根据提取的显著性的因子给公因子命名：
以下第一个公因子中养鱼年限比较显著，第一个因子命名为“养鱼经验因子”，第二个公因子中“养鱼月花费”与“收入”显著，命名为“养鱼花费因子”；第三个“鱼种兴趣广泛”显著性比较高，命名第三个因子为“鱼种兴趣因子”；第四个“看帖习惯”显著性比较高，命名为“内容习惯因子”。
数据视图得到这四个公因子，所以最后从7个因子中提取到了这4个因子。
到此因子分析就算完成了，我们的目的达成了一小半，简言之就是我们得到了划分用户群体的依据，那么如何对用户进行分类，可以分成几类呢？这就需要使用统计学中的另一种统计分析方法——聚类分析，具体分析请等下一篇文章更新......
声明：本文为个人原创，辛苦码字比较不易，坚持原创，如觉得有用需转载请注明出处，谢谢。
