2.3　用户画像的4个价值

前面解释了为什么用户运营需要了解用户画像的建立方式，下面来看用户画像对于产品具体有什么价值。

从我个人的工作经历来看，用户画像的价值可以抽象为图2-3所示的4点。

1. 决定产品定位

产品的定位并不是一成不变的。一个产品刚开始一定是围绕着特定的用户需求来设计的，然而随着用户的增多，累积到一定的数据，很有可能会产生与最初预期完全不一致的用户偏好，这就会导致用户画像与预期的截然不同。这里可能有用户需求变化的原因，也可能有实际引爆的用户群体与预期不同的原因。无论是哪一种情况，在一段时间后重新分析用户画像都有助于产品及时调整定位。

快手是目前在短视频和直播领域处于行业领先地位的产品，但在2011年成立初期它只是一个纯工具属性的产品，主要功能是制作GIF动图并分享到其他平台。然而随着用户量的增加，GIF快手社区属性的重要性逐渐凸显。用户不满足于将内容分享到其他平台，在平台内有创意的内容分享逐渐增多。

随着用户需求的变化，GIF快手开始向短视频方向转变，让有创意的视频不受限于产品原有功能。2014年，GIF快手更名为快手，明确了短视频社区的产品定位。

2. 帮助优化产品体验

从很多根据算法进行个性化推荐的产品中，我们可以看出用户画像对于产品优化的作用。

图2-4所示为我的个人淘宝页面。淘宝有一些细微的个性化调整，旨在通过用户画像进行个性化展示以达到提升用户转化率的目的。我作为一个用户个体，有一些基于年龄和地理位置的用户属性特征。我的网购习惯是，日用品基本都在京东上购买，但会在淘宝上买一些小商品和特殊的细小类目商品。

在这种情况下，可想而知，我在淘宝上的转化是越来越低的。然而从某一个时间点开始，我注意到自己的淘宝打开频率变高了，原因就在于淘宝的几个推荐模块中出现了我最近感兴趣的商品类型。我意识到其实淘宝是根据我的搜索记录、收藏记录等用户行为设计了一套我自己的用户画像，重新做了一套个性化推荐（见图2-5）。对比图2-4和图2-5可以明显看出，图2-5的首页推荐用户画像更为清晰。图2-4将我的用户画像定义为“年轻女性”，而图2-5的用户画像在此基础上还增加了“二次元”“制服”等更精细的标签。这样，用户在使用产品时会得到更优的体验。

除了淘宝，资讯类产品（如今日头条）、金融理财类产品、短视频社区（如抖音），都会根据用户画像来确定产品策略和产品功能的迭代方式，从而提升用户的活跃度和转化率，而这就是用户画像的第二大价值。

3. 支持个性化运营

在第1章里我们了解到，用户运营既要有沟通技能，又要懂管理；既需要定向挖掘核心用户，又要想办法做用户活跃和召回。任何一项工作都不简单。比如，在挖掘核心用户时，用户运营如何开启与目标核心用户的沟通呢？

可以想象，在完全不了解一个人的时候，开场白都是通用且平淡的，因为完全不知道对方对什么感兴趣。而一旦你有了用户画像，利用好相关的标签就可以了解到用户兴趣，从而更容易与用户进行深入的沟通，使个性化用户运营成为可能。

将用户的属性抽象成标签之后，用户运营就可以有的放矢，根据标签就对方感兴趣的话题展开沟通。众多的标签可以形成标签云（见图2-6），简单的标签里也有一些比较有个人特色的。比如图2-6所示的这个用户画像，对于一个热爱生活的“90后”理工男，喜爱健身和摄影比较符合人群特征，而“猫奴”是比较个性化的兴趣爱好。因此，如果这类用户是你所运营产品的目标用户，那么与他们沟通时就可以从可爱猫咪聊起。

积累的数据越多，获得的用户画像会越具象，运营人员就能越清楚地知道如何与用户高效沟通。无论是对于核心用户还是业界大V的挖掘，有了用户画像的沟通都要比无差别的沟通更有效，所得到的反馈也会更有价值。

与图2-6相比，图2-7所示的标签云所收集的用户数据明显更为丰富，用户画像也更加清晰。标签云里字体的大小代表着这类数据在用户数据中实际的占比。由图2-7可知，这些是女性用户，她们关注的商品类型为食品饮料、零食、巧克力和奶制品，对电商、团购等网站都非常感兴趣，被定义为时尚白领、护肤达人、爱美人士。

基于这样的用户画像，我们要想一想，什么样的产品和内容最吸引她们，而我们所运营的产品是不是这个类型。如果我在运营一个美妆类电商网站，她们就是我的目标用户；而如果我在运营一款体育直播类App，那么无论来自什么渠道，这类用户都很难成为目标用户。运营人员需要判断是集中精力对相符用户进行个性化的运营，还是说服产品经理改变产品方向以提升这类用户的留存率。而这个判断是整体战略层面的问题，成本高，周期长，最终可能还无法形成定论，因此最好根据自身产品的用户画像去寻找目标用户群体。

用户标签体系

用户标签按属性可以分为个人自然属性、社会属性、行为属性等，按行业又可以分为电商、教育、医疗、社交、信息分发等几十上百种。在日常运营工作中，如何让令人眼花缭乱的用户标签为己所用呢？这就涉及用户标签体系的构建。

什么是标签体系

标签体系指的是对产品需要的多种标签进行分类，并对不同分类的标签属性进行定义的组织形态。

用户信息的标签分类与属性定义，需要将相同、相似的标签进行聚类归一，把不同类型但具有一定业务逻辑与关联性的标签在主要标签下做进一步分层，从而保证主要标签分类与核心业务目标对齐，其他分层标签作为辅助信息。

一套丰富、完善的标签体系可以赋能用户运营，让用户运营在不同阶段通过标签和用户数据的关联生成用户画像，从而有针对性地进行精细化运营，实现全用户生命周期价值的增长。

用户标签体系的生成

根据生成方式，标签可分为事实标签、模型标签和策略标签。

事实标签即从原始数据中提取的标签，如人口标签、会员标签、行为标签、交易标签、消费标签等事实标签，均是基于用户在App中的注册、交易、点击交互等行为抽取出来的。这些标签还可以进一步拆分出子标签，例如：交易标签侧重于交易偏好，如线上或到店交易，支付工具是微信还是支付宝，充值与优惠券等黏性工具使用是否频繁；消费标签则更关注下单动因、客单价、消费兴趣、搭配偏好等。

模型标签是通过先设定一定的规则，然后经过分析处理得出的人为定义的虚拟标签。比如，某中年男性的到店消费记录显示，他工作日在写字楼长期吃快餐，周末在商场消费儿童游乐场团单，由此基本可判断他是一位有孩子的上班族。再比如，对于旅游等低频业务产品，用户3个月未复访，则可以将其归为沉默或流失用户；而对于外卖平台，用户2周或一个月未复访，则基本可以判断其已流失。

而策略标签则是根据具体的营销目的圈出特定人群来进行运营的工具。比如，剧本杀App七夕节的运营活动、电商平台在重阳节推出的家用电器运营活动，都需要圈出特定人群进行营销，此时“特定”需要多维度数据构建，以达到区别于事实标签且对业务有实际提升的效果。

4. 潜在用户挖掘

用户画像可以帮助用户运营从数据漏斗中细化原因，定向运营。

图2-8是一个简易的用户行为数据漏斗，我们略去用户点击消费的环节，只研究收藏和分享的用户。按照图中的假设，在产品所触达的用户中，有35%的用户进行了收藏，最后有5%的用户进行了分享。这里，用户画像能够帮助我们做什么呢？

用户画像可以让我们看到这35%进行了收藏的用户有哪些特征，并从这些特征里总结出吸引用户的运营细节。以一个旅游分享型的产品为例，用户点击特定的展示页面进来，其中做出收藏行为的主要是女性学生群体，但她们大部分并没有进一步分享，原因是什么？是否需要在分享环节设置一些适合这个群体的激励措施来促进她们分享产品？

同样，可以根据用户画像分析65%未收藏用户的属性特征是什么，是他们根本就不是潜在用户，还是设置的内容对于他们来说吸引力不够。如果没有这些模型辅助，分析其原因将会变得困难。帮助挖掘潜在用户是用户画像的第四大价值。