用户画像 Persona

用户画像是什么？

Alan Cooper （交互设计之父）最早提出了 persona 的概念：“Personas are a concrete representation of target users.”Persona 是真实用户的虚拟代表，是建立在一系列真实数据（Marketing data，Usability data）之上的目标用户模型。通过用户调研去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，就形成了一个人物原型 （personas）。

简单解释

     1.用户画像的基本就是为用户打标签；

     2. 在研发过程中能够抛开个人喜好，将焦点关注在目标用户的动机和行为上；

     3.是在深刻理解真实数据的基础上得出的一个的虚拟用户；

需要注意的点

     1.用户画像要建立在真实的数据之上；

     2.当有多个用户画像的时候，需要考虑用户画像的优先级，通常建议不能为超过三个以上的 persona 设计产品，这样容易产生需求冲突；

     3.用户画像是处在不断修正中的

用户画像的作用

     1.精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销；（邮件、短信、投送）

     2.用户统计，比如中国大学购买书籍人数TOP10，全国分城市奶爸指数；（地域、时段）

     3.数据挖掘，构建智能推荐系统，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；（特征、行为、促销规则）

     4.进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务；

     5.对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。

    6.业务经营分析以及竞争分析，影响企业发展战略。

举例：罗振宇在《时间的朋友》跨年演讲上举了这样一个例子：当一个坏商家掌握了你的购买数据，他就可以根据你平常购买商品的偏好来决定是给你发正品还是假货以提高利润。且不说是否存在这情况，但这也说明了利用用户画像可以做到“精准销售”，当然了，这是极其错误的用法。

用户画像构建流程

      1.数据收集（另外需注意数据收集场景）

          ● 用户行为数据

          ● 用户信息数据

          ● 用户偏好数据

          ● 订单交易数据

          ● 运营日志数据

     2. 行为建模（注重大概率事件，通过数学模型尽可能排除用户的偶然行为）

         ● 文本挖掘

         ● 自然语言处理

         ● 机器学习

         ● 预测算法（决策树、贝叶斯网络等）

         ● 聚类算法（K-means、Two-step、Kohonen）

     3.用户画像

         ● 基本属性

         ● 购买能力

         ● 行为特征（活跃程度、购物类型）

         ● 兴趣爱好（颜色偏好、品牌偏好）

         ● 心理特征（促销敏感度、购物忠诚度）

         ● 社交网络（赠送礼物）

用户画像案例

男、31岁、已婚、有小孩、小孩男、小孩2岁、有房、没车、收入1万以上、团购达人、码农、喜欢篮球运动

    ● 自然人属性

              ● 姓名 Name

              ● 照片 Photo

              ● 年龄 Age

              ● 性别 Gender

              ● 星座 Constellation

              ● 喜好 Likes / dislikes

              ● 人生态度 Quotes

              ● 居住地址 Address

    ● 社会人属性

             ● 教育程度 Education

             ● 收入 Income/Salary

             ● 工作 Work / job details

             ● 计算机技能/知识 Knowledge / skills / abilities

    ● 关系属性

             ● 家庭状况 Personal details / family life

             ● 朋友状况 Friends life

  ● 行为偏好

            ● 目标/动机 Goals / motives / concerns

            ● 用户场景/活动 Activities / use scenario

模型案例

性别模型

        ● 用户性别

        ● 男、女、未识别

        1.商品性别得分

        2.用户购买上述商品计算用户性别得分

        3.最优化算法训练阀值，根据阀值判断

        ● 孩子性别

        ● 仅有男孩、仅有女孩、男女均有、无法识别、未识别

        1.选择男孩女孩商品，从品类和商品名称筛选

        2.确定用户购买商品的男女性别比例

        3.训练阀值，判断孩子性别，方法同用户性别

        ● 性别模型验证

        ● 随机抽样几千条让客服电话确认

        ● 与用户自己填写的性别做对比，确认百分比

忠诚度模型

        ● 用户忠诚度

        ● 忠诚型、偶尔型、投资型、浏览型、未识别

       1.只有浏览数据、没有购买数据

       2.购买天数大于一定天数的

       3.购买天数小于一定天数，且有优惠才购买

       4.其他类型根据够吗iti桉树，购买最后一次距今时间，购买金额进行聚类

购物类型模型

       ● 购物类型

       ● 购物冲动型、海淘犹豫型、理性比较型、目标明确型、未识别

       1.计算用户在对三级品类混凝购物前浏览时间和浏览SKU数量

       2.Kmeans聚类

用户身高身材模型

       ● 用户身高

       ● XXX-XXX身高段、未识别

       ● 偏瘦、标准、偏旁、肥胖、未识别

       1.通过购买服装鞋帽等商品数据判断

用户活跃模型

        ● 注册为购买

        ● 只注册未购买，多是第三方登录

        ●  活跃

        ● 可以细分为高频、中频、低频，或者直接最近60天有购买即可

        ● 沉睡

        ● 近90天的购买，近60天无购买

        ● 流失

        ● 近90天无购买，曾经购买过

 用户价值模型

        ● 使用RFM实现用户价值模型参考指标（组成八象限）

        ● 最近一次消费时间（Recency）或者最后一次消费至今时间

        ● 消费频率（Frequency）

        ● 费金额（Monetary）

        ● 价值分类

        ● 重要价值用户（R新、F高、M高）

        ● 重要保持用户（R旧、F高、M高）

        ● 重要发展用户（R新、F低、M高）

        ● 重要挽留用户（R旧、F低、M高）

        ● 一般价值用户（R新、F高、M低）

        ● 一般保持用户（R旧、F高、M低）

       ● 一般发展用户（R新、F低、M低）

       ● 一般挽留用户（R旧、F低、M低）

       ● 无价值用户