构建用户画像的目的很简单：了解你,是为了更好的服务你

企业利用寻找到的目标用户群，挖掘每一个用户的人口属性、行为属性、社交网络、心理特征、兴趣爱好等数据，经过不断叠加、更新，抽象出完整的信息标签，组合并搭建出一个立体的用户虚拟模型，即用户画像。

给用户“打标签”是用户画像最核心的部分。所谓“标签”，就是浓缩精炼的、带有特定含义的一系列词语，用于描述真实的用户自身带有的属性特征，方便企业做数据的统计分析。

出于不同的受众群体、不同的企业、不同的目的，给用户打的标签往往各有侧重点，应该具体问题具体看待。

但是，有些标签适用于所有情况，应该加以理解和掌握。我把常见的标签分成两大类别：相对静止的用户标签以及变化中的用户标签。

相对应的，由静态标签搭建形成的画像就是2D用户画像；由静态标签+动态标签构建出来的即是3D 用户画像。

静态的用户信息标签以及2D用户画像

人口属性标签是用户最基础的信息要素，通常自成标签，不需要企业过多建模，它构成用户画像的基本框架。

人口属性包括人的自然属性和社会属性特征：姓名、性别、年龄、身高、体重、职业、地域、受教育程度、婚姻、星座、血型……。自然属性具有先天性，一经形成将一直保持着稳定不变的状态，比如性别、地域、血型；社会属性则是后天形成的，处于相对稳定的状态，比如职业、婚姻。

心理现象包括心理和个性两大类别，同样具有先天性和后天性。对于企业来说，研究用户的心理现象，特别是需求、动机、价值观三大方面，可以窥探用户注册、使用、购买产品的深层动机；了解用户对产品的功能、服务需求是什么；认清目标用户带有怎样的价值观标签，是一类什么样的群体。

具体的心理现象属性标签包括但不限于：

来源：“心理现象”百度百科

因为人口属性和心理现象都带有先天的性质，整体处于稳定状态，共同组成用户画像最表面以及最

内里的信息素，由此形成稳定的2D用户画像。

2D用户画像

动态的用户信息标签以及3D用户画像

网站行为属性，这里我们主要讨论的是用户在网站内外进行的一系列操作行为。常见的行为包括

：搜索、浏览、注册、评论、点赞、收藏、打分、加入购物车、购买、使用优惠券……。

在不同的时间，不同的场景，这些行为不断发生着变化，它们都属于动态的信息。企业通过捕捉用户的行为数据（浏览次数、是否进行深度评论），可以对用户进行深浅度归类，区分活跃/不活跃用户。

社交网络行为，是指发生在虚拟的社交软件平台（微博、微信、论坛、社群、贴吧、twitter、Instagram）上面一系列用户行为，包括基本的访问行为（搜索、注册、登陆等）、社交行为（邀请/添加/取关好友、加入群、新建群等）、信息发布行为（添加、发布、删除、留言、分享、收

藏等）。

给用户打上不同的行为标签，可以获取到大量的网络行为数据、网站行为数据、用户内容偏好数据、用户交易数据。这些数据进一步填充了用户信息，与静态的标签一起构成完整的立体用户画像，就是所说的3D用户画像。

3D用户画像

用户画像的价值

企业必须在开发和营销中解决好用户需求问题，明确回答“用户是谁——用户需要/喜欢什么——哪些渠道可以接触到用户——哪些是企业的种子用户”。

更了解你，是为了更好的服务你！可以说，正是企业对用户认知的渴求促生了用户画像。

用户画像是真实用户的缩影，能够为企业带来不少好处。

指导产品研发以及优化用户体验

在过去较为传统的生产模式中，企业始终奉行着“生产什么就卖什么给用户”的原则。这种闭门造车的产品开发模式，常常会产生“做出来的东西用户完全不买账”的情况。

如今，“用户需要什么企业就生产什么”成为主流，众多企业把用户真实的需求摆在了最重要的位置。

在用户需求为导向的产品研发中，企业通过获取到的大量目标用户数据，进行分析、处理、组合，初步搭建用户画像，做出用户喜好、功能需求统计，从而设计制造更加符合核心需要的新产品，为用户提供更加良好的体验和服务。

实现精准化营销

精准化营销具有极强的针对性，是企业和用户之间点对点的交互。它不但可以让营销变得更加高效

，也能为企业节约成本。

以做活动为例：商家在做活动时，放弃自有的用户资源转而选择外部渠道，换而言之，就是舍弃自家精准的种子用户而选择了对其品牌一无所知的活动对象，结果以超出预算好几倍的成本获取到新用户。

这就是不精准所带来的资源浪费。

包括我前面所提到的，网购后的商品推荐以及品牌商定时定点的节日营销，都是精准营销的成功示范。

要做到精准营销，数据是最不可缺的存在。以数据为基础，建立用户画像，利用标签，让系统进行智能分组，获得不同类型的目标用户群，针对每一个群体策划并推送针对性的营销。

可以做相关的分类统计

简单来说，借助用户画像的信息标签，可以计算出诸如“喜欢某类东西的人有多少”、“处在25到30岁年龄段的女性用户占多少”等等。

便于做相关的数据挖掘

在用户画像数据的基础上，通过关联规则计算，可以由A可以联想到B。

沃尔玛“啤酒和尿布”的故事就是用户画像关联规则分析的典型例子。

资料来源：“关联规则”百度百科

我们认识到用户画像具有的极高价值，下面就来看看该如何搭建用户画像。

如何构建用户画像

用户画像准备阶段——数据的挖掘和收集

对网站、活动页面进行SDK埋点。即预先设定好想要获取的“事件”，让程序员在前/后端模块使用Java/Python/PHP/Ruby 语言开发，撰写代码把“事件”埋到相应的页面上，用于追踪和记录的用户的行为，并把实时数据传送到后台数据库或者客户端。

所谓“事件”，就是指用户作用于产品、网站页面的一系列行为，由数据收集方（产品经理、运营人员）加以描述，使之成为一个个特定的字段标签。

我们以“网站购物”为例，为了抓取用户的人口属性和行为轨迹，做SDK埋点之前，先预设用户购物时的可能行为，包括：访问首页、注册登录、搜索商品、浏览商品、价格对比、加入购物车、收藏商品、提交订单、支付订单、使用优惠券、查看订单详情、取消订单、商品评价等。

把这些行为用程序语言进行描述，嵌入网页或者商品页的相应位置，形成触点，让用户在点击时直接产生网络行为数据（登陆次数、访问时长、激活率、外部触点、社交数据）以及服务内行为数据（浏览路径、页面停留时间、访问深度、唯一页面浏览次数等等）。

数据反馈到服务器，被存放于后台或者客户端，就是我们所要获取到的用户基础数据。

然而，在大多数时候，利用埋点获取的基础数据范围较广，用户信息不够精确，无法做更加细化的分类的情况。比如说，只知道用户是个男性，而不知道他是哪个年龄段的男性。

在这种情况下，为了得到更加详细的，具有区分度的数据，我们可以利用A/B test。

A/B test就是指把两个或者多个不同的产品/活动/奖品等推送给同一个/批人，然后根据用户作出的选择，获取到进一步的信息数据。