要问什么最令产品经理头疼的，莫不是搭建用户画像这回事儿。本文用了较大篇幅来阐述如何理解用户和用户画像的本质，希望产品经理们都能在对用户有很深的理解后再去思考用户画像的搭建与使用，因为掌握了底层思维才是面对市场不停变化的通途。
相信每一个用户产品经理都有过从0到1搭建用户画像体系的冲动。
我们希望通过对用户行为的不断洞察，创造出直击用户心灵的产品。
可现实的骨感却是，往往关键的用户数据缺斤少两，无用的用户数据在系统中臃肿不堪，分析用户数据时不知道如何将数据有效串联……
如果你是做后台用户画像系统搭建的产品经理，那还会遇到一个非常悲催的现实，那就是搭建的用户画像系统上线即巅峰，上线后复用率低，最后竟沦为了数据统计的后台工具。
那么，用户画像要如何科学的搭建起来呢？
要想解决这个终极问题，我们需要拨开一层层认知上的迷雾，去接近最终问题的真相。
一、我们先来进行一个思考：如何理解用户行为？
通常我们会引用福格的用户行为评估模型去进行用户行为的理解。福格的行为模型包括动机、能力、提示三个维度构成。基于这三个维度，我用三个问题的答案来阐述下我的思考。
1. 如何确定用户的动机来源？
首先需要确定我们目标用户，这有助于聚焦我们的产品动作；
然后分析目标用户的行动，用户为了获得利益，他们都会如何行动；
同时也要评估用户所处的场景，用户是在什么场景下进行的行动，比如用户在平时逛淘宝和在双11逛淘宝的场景是不同的，行动就会有不同的指向，平时逛淘宝专注于逛，双11除了逛，用户更关注平台优惠的算法；
2. 如何理解用户能力？
这里的能力，指的是在产品体系中，完成关键功能动作的耐受度。人性本懒，再勤奋的人在难用的产品上也不会有很高的耐受度，我们要不断降低用户在产品上完成动作的能力门槛。我们可以使用以下三种方式帮助用户提升能力：
①分解任务：将关键动作分解，让用户做出动作的代价无限小；
②提供说明书：这里不是真的给用户一个产品使用说明书，而是通过用户可接受的呈现方式做好行为引导，比如游戏行业常做的新手引导；
③给用户氪金：给用户的关键动作上进行充值，比如给用户7天的免费会员，并引导用户完成免费会员上的专属动作；
3. 如何进行“恰到好处”的提示：
给用户提示的时机需要保证用户的动机能匹配上用户的能力。时机的把握考验产品经理对用户洞察能力的高低，这也是产品的核心能力之一，这里就不展开了，后续有机会可以展开聊聊。当我们具有了极佳的时机把握能力，我们可以采取以下三种方式进行用户提示，达到效果最大化：
①行动提示：当完成了一个行为后，提供完成后续行动的入口，比如玩游戏时，完成一局后，会有指向性的提供再玩一局的入口，我们通常不自觉的就又玩了一局；
②场景提示：在动作完成过程中，提示我们可以完成哪些动作来提升体验，比如视频网站中的视频帧数提示，其中比较有创意的是B站，在我们观看视频的时候，会提示高帧率的选项，同时自动开启，在我们爽过后提示我可以开会员畅享高帧率。
③邀请提示：我们可以在用户完成动作后提供用户分享成就的提示，用户会自动将成就分享给具有同样能力和具有潜在动机的人，我们的产品上会因此而迎来一批高意向用户。
小结一下，其实基于动机和能力分析，是为了对提示的精准把握，这三个维度之间的关系如下：
在理解了用户行为后，也就对用户画像搭建的价值有了理解，用户画像就是通过对用户行为中动机和能力的分析，从而指导我们做出合理的提示。用户的画像就是通过用户主动或被动的行为中一点点构建出来的。用户画像本质上是行为标签的集合，用户画像是否可以真实地反馈出用户的情况，往往取决于有一个好的用户标签体系作为基础。
二、那么，什么是好的标签体系？
好的标签体系需要有以下3种特征：
原子性：要保证用户标签的定义不可有二义性，同时不可再进行分解；
可复用性：用户标签可以被反复调用，支撑用户画像，要避免形式主义的标签，没有应用场景就进行标记，占用产品运营分析精力；
可度量性：用户标签可以作为量化用户能力的数据支撑，为用户定性。
三、如何评估标签体系？
好的标签体系，应该从以下3种维度进行评估：
覆盖度：用户标签可以覆盖的人群要尽可能的大，这样用户标签才能作为评估用户的标准；
准确度：用户标签的定义要准确，力求上下理解一致；用户标签的统计要准确，要保证用户标签能反映用户的真实情况，准确反映事实的用户数量占总人群数量的比例要尽可能的高（根据业务不同会有不同的要求）；
稳定性：标签要能稳定的上报，需要在规定的时间（即时统计或者T+1）内完成标签上报次数比例尽可能的高（根据业务场景不同可以采取不同的实现方案，有时候可以牺牲时间成本换取质量）；
四、完成标签体系的评估后，我们可以给用户标签做一下分类
用户标签可以根据统计方式的不同分成3类：
静态标签：多为用户或平台手动上报的数据。这类数据变动的频率较低，多为用户固定数据，如姓名、性别、年龄、职业等信息；
动态标签：平台进行自动统计的数据。这类数据变动的频率高，通常用户的行动深度和频度会影响动态标签的数据，比如用户从启动APP到关闭APP阶段内的一个闭环内的数据，会被刷新一次用户的动态标签。
预测标签：通常是产品经理或者产品运营一起配合算法工程师进行定义的，平台自动生成的数据。这类数据变动频率高，平台通过对产品经理定义的用户行为数据进行机器学习，持续生成不同用户的预测标签，从而达到千人千面和精细化运营的效果，现在头部大厂这种预测标签已经获得极大的收益，创造了多款现象级的产品，比如头条系的今日头条和抖音。
用户标签作为用户画像的基础，想要作用到用户画像中，还需要做一下数据整合，这种数据整合动作称为用户分群与用户分层。
五、何为用户分群与用户分层？
其中，用户分群指的是用户因具有某种相同特性或者有某种关系而组成的一个共同群体，这里没有等级之分。
而用户分层是根据用户的某一特性划分层次，不同层次具有不同的性质和特征，既有共同的规律，又各有特殊规律，这里层次往往会体现为等级秩序，比如会员用户与非会员用户，种子用户和粉丝用户。用户分层的参考指标有比较标准化的RMF模型，也可以通过用户的不同生命周期作为用户分层的指标去指导用户分层。
也就是在整合数据的时候，有两种整合数据的视角，根据业务目标的不同，可以将用进行分群或者分层。其中需要注意的是，用户分层和用户分群并不是包含与被包含的关系，是你中有我、我中有你的交叉关系，在做用户标签数据整合时，如果有评价的动作就是分层，如果不具备评价的动作就是分群，分群是属性，分层是属性+评价。
基于以上用户分群与用户分层的原则，我们可以通过用户成长模型进行举例，来系统看下要如何应用这种原则。
通常意义上的用户成长模型是用户生命周期下不同的任务模型转化漏斗的呈现，用户成长模型在搭建过程中，会不断有用户分层与用户分群的数据涌现。
其中用户生命周期可分为导入期、成长期、成熟期、休眠期、流失期。
- 导入期是指用户第一次接触并进入用户池中，此时我们只能获取一些用户的静态标签。第一次接触后的跟进尤其重要，能否顺利进入成长期，与针对用户提示的精细化运作息息相关。此时，根据不同渠道、不同静态标签下的用户可以进行分群处理，以及时识别出我们的目标用户。
- 成长期时，用户已经在产品体系中逐渐有了行为数据，但是还没有进行关键的行为，比如付费买课、开通会员等。这时我们要针对用户已经发生的动作进行动态标签的数据分析。在分群的同时，可以引入评价体系，进行用户分层，此时我们要在合适的时机，完成用户的转换，帮助用户从成长期转入成熟期。
- 成熟期的用户已经在系统中完成了关键行为，此时我们需要尽可能的保持用户的留存，找到用户复购、推荐的契机。此时我们通过用户的动态行为标签可以逐渐训练出预测标签，预测用户将要发生的行为，帮助用户高效达到自己的目的，我们也能提升单点的转化率。
- 我们要警惕用户进入休眠期，当然用户在导入期、成长期、成熟期的任何一个阶段都不可避免的进入休眠期。不同的产品，会在不同的时机唤醒休眠的用户。如果休眠期的用户没有得到及时的关注，轻则降低用户的产品体验，重则流失用户。我们需要在用户导入时，就建立起用户的休眠监督机制。通过对用户行为的分析，做分群处理，在适当的时机下唤醒休眠的用户，常用的手段包括给用户发送优惠券短信，每日优惠push等等。当然这些触达手段能够唤醒的用户是有限的，甚至是很少的，我们能做的唤醒用户的动作还有很多，甚至需要各产品矩阵的配合。我们可以根据据公司的业务情况做不同的应对策略。
- 流失期的用户很好理解，就是已经持续很久都没有产品接触，各种唤回的操作已经没有效果，此时需要降低这部分用户的唤回动作投入（这里指投放成本等）。我们可以更轻量级的维持我们的内容触达，让用户在产品认知上，还记得我们的产品。
在以上的用户成长模型中，还有着纵横两个方向的模型思考，纵向包括用户生命周期模型和转化漏斗模型，横向包括用户的任务分层模型。他们之间的关系如下：
转化漏斗模型在纵向上，对用户转化的节点进行分析，并以此为基础，根据用户在不同转化节点的分布情况，对用户在平台上所属的生命周期进行定义和划分。
任务分层模型在横向上，对用户在平台上的各种行为进行拆解和分组，按照“核心任务-扩展任务-外延任务”的体系进行划分，以此为基础引导用户在不同层级的任务中迁移和成长；
在不同的用户生命周期下，通过对用户转化率的持续优化、用户任务完成行为的持续引导，进而实现对平台各生命周期用户的差异化运营和服务，最终实现平台用户快速和持续的增长。
三种模型的对应关系如下图：
完成对用户画像基础结构的思考后，我们可以进而通过系统化的思考，来构建出用户画像实践的理论模型。用户画像的实践模型包括三层结构：
1、基础底层：包括线上产品各接触点的设计与实施，从而获取用户标签的基础数据。同时根据业务需求，构建用户静态标签、动态标签、预测标签体系；
2、业务建模层：根据业务闭环，搭建基于业务生态下的用户画像，包括用户基础信息构成的基础画像，根据用户行为轨迹评估出的行为评估，通过用户标签生成的数据完成用户能力的持续迭代等；
3、应用层：包括一线的各种业务场景，调用业务建模层的数据，精细化用户运营，完成用户分群与用户分层，输出不同用户群体的用户策略。
当然，理论的实践模型也需要根据实际的业务去做灵活的调整，我们仍然需要通过科学的方法将用户画像体系搭建起来。
六、用户画像要怎么科学的搭建并使用起来？
用户画像的搭建，有一个很大的陷阱，就是闭门造车，脱离业务。
这个陷阱往往出自产品经理基于自己历史经验的理解，梳理了海量的用户标签，然后根据产品规则去做用户分群和用户分层，最后发现，业务根本用不到，最终导致用户画像沦为鸡肋。
其实，无论团队大小，公司大小，用户画像的搭建，始终都要坚持一个原则：以终为始，价值导向。
如果用户画像产生的价值无法说服业务，无法说服产品内部，那一开始就不要做。
搭建用户画像的本质就是为了降低企业运营成本，提高运营决策效率。所以用户画像的搭建需要做到足够聚焦，足够贴近业务，才能做到力出一孔，撬动业务增长。因此，我们可以通过以下的三点去进行用户画像的设计：
1. 提炼核心业务流程
以教育行业为例，教育行业的核心业务流程通常是学员在产品体系中完成学习流程（比如做题、观看教学视频等）。
那么无论是前端的招生运营、还是后端的课程产品研发、客服等业务，都是围绕这一核心业务流程而服务的。
而我们要做的，就是要围绕学员的学习流程涉及标签体系，尽可能的描绘出用户的学习轨迹。
不同的业务角色对学员的学习轨迹可能会有不同的视角，我们需要保障核心的学习行为能够记录到用户画像中。
2. 基于核心业务流程定义用户使用场景
提炼出核心的业务流程后，我们就需要定义用户在核心的业务流程中的使用场景了。
用户场景的还原度会直接影响我们对用户行为的洞察力。比如用户在购课页面会发生什么行为，我们可以通过价格、地区、课程的类型、浏览的时长、课程的价格等维度去定义出用户的使用场景。在购课页面对总价在500元左右的教师资格证考试浏览时长达5分钟的用户，我们可视用户对教师资格证考试有兴趣，辅以评价体系，一个7日内的用户分层数据就此诞生。
这是教育行业的例子，套用到其他行业，也可以根据用户的历史数据进行分析，一点点的构建出用户的使用场景，然后不断的调优场景模型。
3. 以终为始，通过北极星指标调教用户核心使用场景数据
最终的场景数据都是为我们的北极星指标服务的，比如教育行业的最终北极星指标就是获客和成交，获客指向我们的用户增长，成交指向我们的现金流。我们以成交举例，我们需要把用户成交前的核心场景都完成定义，最终做出的用户分群与用户分层都是反哺成交概率的基础数据。最简单直接的就是把用户分层为高意向的用户手机号传给外呼团队，用来提升外呼团队成单的效率。
七、总结
本文用了较大篇幅来阐述如何理解用户和用户画像的本质，希望我们都能在对用户有很深的理解后再去思考用户画像的搭建与使用。因为掌握了底层思维才是面对市场不停变化的通途。
我们对于用户画像，也需要建立一个合理的预期，因为用户画像的本质是为业务增长服务的，大而全的用户画像体系只会徒增内耗。
而企业的不同阶段对于用户画像有着不同的诉求，小型企业可能只需要最基础的静态标签数据，就可以通过外呼团队完成业务增长指标了。这时候用户画像可能只是几个静态标签。
企业发展到一定程度，需要通过用户画像提升企业运行效率，这时候其实可以尝试与成熟的标签平台合作，一点点的沉淀自己对用户使用产品场景的理解。比如我们可以通过与神策、字节跳动CDP等比较科学的用户画像平台合作，搭建初期的用户画像体系。通过第三方用户画像平台我们甚至能做一些预测标签，用来完成用户增长的初尝试（由于第三方平台对调用次数往往有限制，所以如果用户增长的调用频率较高，数量级大，可能就无法支持了）。
如果企业已经具备千万级以上活跃的用户数据（具体标准还需要根据企业的业务是2C还是2B的服务，数据量越大，用户画像体系能带来的规模效应越明显），需要对用户做千人千面的分析，就需要有一套健壮的用户画像体系，用来反哺业务，指导业务决策。无论基于什么业务场景下搭建用户画像体系，希望本文可以为诸君提供一些思考的方向。
关于DuDuTalk： DuDuTalk是武汉赛思云科技有限公司打造的语音数据驱动的一站式智能销售赋能AI-SaaS平台。通过智能硬件（IOT）、AI引擎、机器学习、NLP、文本数据挖掘等技术，为企业提供覆盖移动通话、现场沟通等全场景语音采集、识别、质检、分析等服务。让销售与客户互动全过程数字化、可视化、智能化，用科学的方式实现对销售团队的个性化赋能，让每个人都成为“顶级销售”。
