一、用户画像应该怎么做

1、用户画像轮廓

用户画像轮廓是从一个大的范围慢慢画一个大概轮廓。比如我们可以先确定我们的客户群体是以男性还是女性为主？消费水平在哪条平行线上？大概是什么年龄群体？

2、用户画像信息

我们在确定用户画像轮廓后，我们再根据这些轮廓细化详细数据，也就是把这些客户群体做一个更细致的数据收集。这个时候我们可以利用表单数据采集来统计用户这些数据，也可以调查分析同行的客户数据。

3、分析用户数据

我们在分析这些数据的时候，可以找一些数据的平均值、众数。比如：我们可以看到某门课程内的学员报名年龄基数普遍在25~30岁之间，那么25~30岁就是我们用户人群年龄的平均值。这些数据我们都可以通过不同行业提取我们所需的准确信息。

4、用户数据总结

根据以上三步的数据资料，我们全部汇总总结画出最精准的用户画像。在此过程中我们可以越画越细，用户画像越细就越能帮助我们做产品营销与销售。我们在做用户分析时，一定要学会为自己的用户做加减法，对于重要用户跟进过程中需要多增加跟进时间；对于报名兴趣不大的用户，保持持续跟踪即可。时间对于销售来说就是成本，要想让时间收益变大，就一定要学会对客户进行筛选！

二、用户画像有什么用？

1、优化用户体验

不仅对用户浏览体验优化，还包括产品消费过程的优化。

2、实现精准化营销

显现用户的喜好跟需求属性，在跟用户点对点交互中，精准的匹配个性化的业务内容。

3、关联数据挖掘

结合过去的画像数据及未来画像数据的变化，对用户做数据关联的挖掘。 不管是通过市场抽样调研的方式，还是基于用户数据追踪跟沉淀的方式，重要的是对获知的信息跟数据经过清洗、汇总、整合跟统计，描绘出用户群与转化最密切关联的“样子”。把用户画像做好了，可以减轻团队成员中主观因素对产品、营销策略的影响，设计出更贴近用户选择，心中所想要的产品。

三、用户画像的几种场景数据

1、网站内容

• 网站页面分析：访问量、点击率、热点图、人均流量页面、停留时间、关联跳转等
• 用户体验：跳转率、关联标签点击情况、页面转化、用户流失率等

2、流量情况

• 渠道效果：来路、点击访问量、人均访问页面、停留时间、转化率、跳转率等

3、电商交易

• 页面流量
• 点击量、人均浏览页数、跳失率、转化率等
• 用户销售转化
• 收藏率、加入购物车比例、提交订单比例、支付订单比例、客单价、复购率等

4、APP使用

• 流量分析：7日/15日/30日访客活跃度、1日/7日/15日/30日留存率、注册率、新增登录等
• 用户情况：活跃时段、地域、版本、终端、启动次数、访问时长、活跃度等

四、用户画像的操作过程

作为一个非技术型的运营，对用户画像会偏向通过数据简单整合、与用户多维度沟通过程中实现。这跟很多专业的产品经理会有很大的差距，不过小圆也在不断学习跟实践中，这文章更多的是小圆对于用户画像学习跟复盘经历的过程。小圆所理解的用户画像过程并不会很复杂，简单的概括起来会有3个重要的过程。

1、用户维度筛选

用户画像需要建立在真实有效的数据上，在做用户画像的过程中要对数据做筛选整合，首先并不是所有数据信息都有用，其次，数据还会有主次重要跟非重要的区别。每一个公司的不同阶段，构成用户画像的数据维度会不一样。

用户画像维度的筛选是为了指引营销、产品或者运营指标，不同职能人员对不同用户画像维度的看重程度不一样。以电商平台为例，客服销售关注的是用户的购物情况，产品运营关注的是页面的用户体验变化，渠道推广关注的是用户在流量上的表现。

有人会认为维度越多越好，这样用户画像的结果就会更全面。但是小圆并不是这么认为，用户画像是一个动态的过程，强行的去追求更全的维度，有时候反而会耽误了营销决策的时间。例如，有一些公司在做用户调研时总是觉得数据量不够，然后花非常多的时间去做数据的汇集，到最后做营销决策的时候，反而因为数据收集时间太长，很多维度因为时间拖延而失去了时效性价值。 为了不出现这种情况，把用户的数据维度分成：静态维度、动态维度，然后归类维度属性，接下来就开始进入到数据信息收集的过程了。

2、数据信息收集

收集数据的方式方法，会决定数据是不是有效的。线上运营比较常用的方法就是对用户进行“监控、跟踪”，一般是PC端cookie，还有移动端的IMEI、IDFA。而初始化阶段比较常用的方法是用户访谈。

当然，也有数据跟踪，用户调研两者结合的方式收集用户数据信息，例如电商运营，除了跟踪用户购物下单等数据之外，还可以筛选出特定的用户做访谈调研，例如：横比产品的选择偏好，对于产品消费过程中的反馈等等。

3、数据建模分析

数据是零散的，或者是表面的，用户画像要对收集到的数据做整理，比较常用的是通过数据建模的方式做归类创建。小圆接触过的大多是比较初级的用户画像，通过excel工具就可以基本完成整合。而对于技术工具层面的数据建模，感兴趣的可以看推文的第二条。 在数据量不大，用户画像比较初级的情况下，通过筛选、归类、整合的过程对用户做属性归类，然后确定用户画像，这种方式可能有一定不到位的地方，但是在产品还没有推出或者数据量不大的情况下，运营还未进入深度精细化阶段，对用户画像的初级处理，也能避免很多决策过于主观化。

在数量比较多，用户画像精细化的情况下，就需要通过一些用户画像的工具做数据的整理了，通过对数据进行规整处理，然后做例如聚类，回归，关联，各种分类器等算法做处理。关联性分析和RFM模型都是用户画像中数据建模分析常用的方式。