⽤户画像最全解析，超详细!
⽤户画像也是近⼏年⽐较热的⼀个词，不过很多⼩伙伴对于画像的认知还只是标签化的层⾯，或者只是利⽤其做⼀些简单的分分析；如何全⾯地认知并做系统性地尝试，背后有⾮常多的点需要我们深思挖掘。今天就根据⾃⼰的⼀些浅见进⾏分享，因为与商品画像的联系，中间也会掺杂⼀些商品画像的知识。
⽤户体验⾮常重要，那如何去度量和优化整个流程呢，那就是站在⽤户⾓度收集其在各个模块的数据，并利⽤统计、概率思维建模分析；在产品运营、增长过程中到雪球效应的撬动点施以影响，最终建⽴起良性的闭环。
作为商业从业⼈员，其实我们常有⼀些困惑，产品的⽤户是谁？他们是否满意？产品是否健康？有哪些问题？如何才能服务好我们的⽤户，并且让彼此的收益最⼤化？
如何去构建起更多⽤户使⽤的产品，如何创作⼀个更多⽤户喜欢的课程？就像⼩破站（B站）的成长中⼀直在解决问题，如何突破⼆次元的定义，如何将⽤户圈层拉开，如何让尽量多的⼈能在B站到⾃⼰喜欢的内容，如何做到存量⽤户保有及增量⽤户拉取。当然肯定不存在每个⼈都满意的产品和课程，但是如何在现有体系下去最⼤化满意度呢？这个我觉得是⼤家希望得到答案的根本。
那其中的⼀个⼿段就是以增量⽤户拉取，存量⽤户数量和价值的保有为⽬标，利⽤⼤数据技术精准⽤户画像，并结合商
那其中的⼀个⼿段就是以增量⽤户拉取，存量⽤户数量和价值的保有为⽬标，利⽤⼤数据技术精准⽤户画像，并结合商品画像，解构⽤户及商品，精细化耕作，最终在重点⽬标客户体上形成突破。⽐如电商猜你喜欢中的个性化推荐技术，万能的淘宝上有海量的商品⼏乎可以满⾜每个⼈的采购商品需求，但是如何让⼀个⽤户可以精准快速地到是⼤问题，个性化是其根本，⽤户画像和塑造则是个性化的根本，希望可以让⽤户感受到产品为ta⽽造的满⾜感。
如何解构⽤户呢，举⼀个例⼦就是说当你很了解某⼀个⼈的时候，你跟ta⼀起去吃饭，你如果在之前历次跟ta的进餐中收集了ta喜欢及不喜欢吃什么(⽤户动态数据)，然后ta的性格是怎么样的(⽐较犹豫)(⽤户数据)，是不是喜欢吃辣(⽤户数据)，然后你再结合有哪些菜、是不是辣的(商品静态数据)，两端做匹配就可以提供更好的体验了。所以不是单单⽤户画像，商品画像或其它维度也是需要，最重要的是匹配。
然后我们来看看⽬录，第⼀部分是说what，就是什么是⽤户画像；第⼆部分是说why，为什么我们需要⽤户画像以及精细化运营；然后第三部分是how，我们如何构建商品和⽤户画像；第四部分是举例，是⼀些⽅法论的介绍；最后，我们做⼀个整体的总结。
课程⽬标是希望通过分享，⾸先让⼤家去了解到⽤户画像和商品画像，整体概念框架以及构建的⼀些⽅法；熟悉常见的商品和⽤户画像的⼀些应⽤；尝试结合⾃⼰的⼯作做⼀些实践。出于对于过往公司数据及技术的保密，⽆法直接分享给⼤家特别细粒度且对应的数据。所以分享过程中我会结合业界的⼀些案例，以及其他前辈公开在⽹上的分享内容和数据，帮助⼤家去理解整个应⽤。
关之琳现在照片据，帮助⼤家去理解整个应⽤。
01周公解梦梦见被追杀
什么是商品/⽤户画像
梁洁个人资料简介⾸先我们来看⼀下什么是⽤户画像，根据的定义，⽤户画像就是与该⽤户相关联的数据的可视化的展现，⼀句话来总结就是⽤户信息标签化。从⽤户海量的信息⾥⾯去到⼀些标签，为⽤户去
贴上这些标签，当然这些标签的来源就是⼀些⽤户的⾏为。
举个范冰冰的例⼦，客户这个实体通过客户信息的收集，映射到⼀个客户的画像，最终通过这些画像来建⽴认知，⽐如说范冰冰是⼀个演员，是⼀个⼥性，有参加过哪些电影节等。当然你会问那上⾯的这些标签有什么⽤呢？这会根据具体的业务场景来定，有些标签在X场景下它是没⽤的，在Y场景下则可能⾮常有⽤，当然这也提前说明了画像构建的过程肯定是需要与业务结合的展开。
气象万千的意思
杰瑞德莱托
⽐较常见的画像是我们需要建⽴平台客户体化认知时，我们需要借助可视化的标签，我们看⼀下京东的⼀个⾷品⽤户画像。对于⾷品这个业务场景，平台上购买的⽤户他们是长成什么样的？⽐如性别⽐例，蓝领与⽩领占⽐，评价敏感的
⼈的占⽐等，通过拉平垂类偏好⽤户画像与全站的对⽐，来寻差异点和优化点。
举个例⼦来说，你是抢购秒杀频道的运营负责⼈，你通过类似的上述分析，到了秒杀频道和全站的⽤户画像差异点，那有什么⽤呢？⽐如我们发现秒杀频道⼥性⽤户或者⼤龄⼥性⽤户，相对于全站占⽐⾼很多，然后我们通过全站分析出这类⽤户喜欢购买的品类是A、B、C；但是频道内我们发现⼏乎没有A、B、C这些品类的商品，或者A、B、C这些类⽬的价格段⾼了很多，甚⾄是⼤量的男性商品。那我们马上就到了⼀个优化点，是否可以在该场景做⼀些品类和商品的调整进⾏⼀些测试，可能就
会在测试中到明显的提升。
再⽐如⾷品品类下的商品运营如何去拓宽⾃⼰的流量池，通过类似上述的分析，⽐如在⼀个某个频道发现有⾮常多的18-30岁的男性，并他们在平台有⾮常多的电⼦类产品的购买，结合你的专家知识，你的碳酸饮料是否可以考虑进⼊这个频道呢。科三灯光模拟操作
上⾯的是较直观的应⽤，进⼀步其实我们可以借助算法挖掘体偏好（没有算法基础的可以略过），对频道内商品做进⼀步改造。⽐如我们通过算法可以对近N天频道内的⽤户，通过算法进⾏商品召回和排序⽣成全站他们购买的商品，再通过⽤户在频道的活跃度和频道LTV对这些商品通过embeding后的向量进⾏归约，形成最终的300或者500个商品池，这些商品是你典型⽤户的⼀个集合，可以与你现有的商品集合进⾏融合测试，会有不错的收益。⽤户消费购物⾮常复杂，需要根据具体的业务场景去展开的，上述⽅法不⼀定适⽤所有的业务，不同的业务场景需要做调整和适配。
顺便介绍⼀下什么是商品画像，可以简单的理解为商品画像如同⽤户画像⼀样，可以简单理解成是商品海量数据的标签，根据商品的特征、设计、功能、⼝味、波次、价位段、流⾏度、销售状况、促销⼒度、销售渠道差异，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、特点、场景、统计学要素等描述。