詳細介紹用戶畫像「京東用戶畫像分析」

導讀：用戶畫像也是近幾年比較熱的一個詞，不過很多小夥伴對於畫像的認知還只是標籤化的層面，或者只是利用其做一些簡單的分群分析；如何全面地認知並做系統性地嘗試，背後有非常多的點需要我們深思挖掘。今天就根據自己的一些淺見進行分享，因為與商品畫像的聯繫，中間也會摻雜一些商品畫像的知識。如果不足和錯誤之處，還望大家批評指正，以下enjoy~

今天的分享主要介紹如何通過用戶及商品畫像來構建數字化體系，前面是整個內容的概述，然後從淺到深我們去挖掘和講解其中的各個模塊，由於時間的原因，我們會主要通過用戶畫像展開，對於重要或者有意思的商品畫像相關的點會略做輔助性的介紹。

首先我們來看一下什麼是互聯網公司的核心。鄙人的淺見是圍繞商品、供應鏈、物流、營銷活動等的整個購物旅程背後的用戶體驗。

既然用戶體驗非常重要，那如何去度量和優化整個流程呢，那就是站在用戶角度收集其在各個模塊的數據，並利用統計、概率思維建模分析；在產品運營、增長過程中找到雪球效應的撬動點施以影響，最終建立起良性的閉環。

作為互聯網從業人員，其實我們常有一些困惑，產品的用戶是誰？他們是否滿意？產品是否健康？有哪些問題？如何才能服務好我們的用戶，並且讓彼此的收益最大化？

如何去構建起更多用戶使用的產品，如何創作一個更多用戶喜歡的課程？就像小破站（B站）的成長中一直在解決問題，如何突破二次元的定義，如何將用戶圈層拉開，如何讓盡量多的人能在B站找到自己喜歡的內容，如何做到存量用戶保有及增量用戶拉取。當然肯定不存在每個人都滿意的產品和課程，但是如何在現有體系下去最大化滿意度呢？這個我覺得是大家希望得到答案的根本。

那其中的一個手段就是以增量用戶拉取，存量用戶數量和價值的保有為目標，利用大數據技術精準用戶畫像，並結合商品畫像，解構用戶及商品，精細化耕作，最終在重點目標客戶群體上形成突破。比如電商猜你喜歡中的個性化推薦技術，萬能的淘寶上有海量的商品幾乎可以滿足每個人的採購商品需求，但是如何讓一個用戶可以精準快速地找到是大問題，個性化是其根本，用戶畫像和塑造則是個性化的根本，希望可以讓用戶感受到產品為ta而造的滿足感。

如何解構用戶呢，舉一個例子就是說當你很了解某一個人的時候，你跟ta一起去吃飯，你如果在之前歷次跟ta的進餐中收集了ta喜歡及不喜歡吃什麼(用戶動態數據)，然後ta的性格是怎麼樣的(比較猶豫)(用戶數據)，是不是喜歡吃辣(用戶數據)，然後你再結合有哪些菜、是不是辣的(商品靜態數據)，兩端做匹配就可以提供更好的體驗了。所以不是單單用戶畫像，商品畫像或其它維度也是需要，最重要的是匹配。

然後我們來看看目錄，第一部分是說what，就是什麼是用戶畫像；第二部分是說why，為什麼我們需要用戶畫像以及精細化運營；然後第三部分是how，我們如何構建商品和用戶畫像；第四部分是舉例，是一些方法論的介紹；最後，我們做一個整體的總結。

課程目標是希望通過分享，首先讓大家去了解到用戶畫像和商品畫像，整體概念框架以及構建的一些方法；熟悉常見的商品和用戶畫像的一些應用；嘗試結合自己的工作做一些實踐。出於對於過往公司數據及技術的保密，無法直接分享給大家特別細粒度且對應的數據。所以分享過程中我會結合業界的一些案例，以及其他前輩公開在網上的分享內容和數據，幫助大家去理解整個應用。

01

什麼是商品/用戶畫像

首先我們來看一下什麼是用戶畫像，根據維基百科的定義，用戶畫像就是與該用戶相關聯的數據的可視化的展現，一句話來總結就是用戶信息標籤化。從用戶海量的信息裡面去找到一些標籤，為用戶去貼上這些標籤，當然這些標籤的來源就是一些用戶的行為。

舉個范冰冰的例子，客戶這個實體通過客戶信息的收集，映射到一個客戶的畫像，最終通過這些畫像來建立認知，比如說范冰冰是一個演員，是一個女性，有參加過哪些電影節等。當然你會問那上面的這些標籤有什麼用呢？這會根據具體的業務場景來定，有些標籤在X場景下它是沒用的，在Y場景下則可能非常有用，當然這也提前說明了畫像構建的過程肯定是需要與業務結合的展開。

比較常見的畫像是我們需要建立平台客戶群體化認知時，我們需要藉助可視化的標籤，我們看一下京東的一個食品用戶畫像。對於食品這個業務場景，平台上購買的用戶他們是長成什麼樣的？比如性別比例，藍領與白領佔比，評價敏感的人的佔比等，通過拉平垂類偏好用戶畫像與全站的對比，來尋找差異點和優化點。

舉個例子來說，你是搶購秒殺頻道的運營負責人，你通過類似的上述分析，找到了秒殺頻道和全站的用戶畫像差異點，那有什麼用呢？比如我們發現秒殺頻道女性用戶或者大齡女性用戶，相對於全站佔比高很多，然後我們通過全站分析出這類用戶喜歡購買的品類是A、B、C；但是頻道內我們發現幾乎沒有A、B、C這些品類的商品，或者A、B、C這些類目的價格段高了很多，甚至是大量的男性商品。那我們馬上就找到了一個優化點，是否可以在該場景做一些品類和商品的調整進行一些測試，可能就會在測試中找到明顯的提升。

再比如食品品類下的商品運營如何去拓寬自己的流量池，通過類似上述的分析，比如在一個某個頻道發現有非常多的18-30歲的男性，並他們在平台有非常多的電子類產品的購買，結合你的專家知識，你的碳酸飲料是否可以考慮進入這個頻道呢。

上面的是較直觀的應用，進一步其實我們可以藉助演算法挖掘群體偏好（沒有演算法基礎的可以略過），對頻道內商品做進一步改造。比如我們通過演算法可以對近N天頻道內的用戶，通過演算法進行商品召回和排序生成全站他們購買的商品，再通過用戶在頻道的活躍度和頻道LTV對這些商品通過embeding後的向量進行歸約，形成最終的300或者500個商品池，這些商品是你典型用戶的一個集合，可以與你現有的商品集合進行融合測試，會有不錯的收益。用戶消費購物非常複雜，需要根據具體的業務場景去展開的，上述方法不一定適用所有的業務，不同的業務場景需要做調整和適配。

順便介紹一下什麼是商品畫像，可以簡單的理解為商品畫像如同用戶畫像一樣，可以簡單理解成是商品海量數據的標籤，根據商品的特徵、設計、功能、口味、波次、價位段、流行度、銷售狀況、促銷力度、銷售渠道差異，將他們區分為不同的類型，然後每種類型中抽取出典型特徵，賦予名字、特點、場景、統計學要素等描述。

其實商品和用戶畫像有很多交集和互相交互的，比如商品有個標籤是適用人群，比如女性或者男性，可能就是有很多女性用戶經常購買，或者說用戶經常購買某個品類或者某種顏色的商品，那用戶就可以貼上類似的標籤。商品有了標籤，運營在做活動的時候，就可以根據活動首頁和分會場人群定位，去選品、氛圍塑造，比如時尚會場的商品池選取，比如對於履約不好(拒收、退貨、低評分)的、高點擊&低轉化商品的控制。

02

為什麼需要商品/用戶畫像

為什麼需要用戶畫像呢？其實在用戶使用產品的過程中，如果我們做了對的事情讓用戶的體驗非常棒，然後其實我們就可以有不錯的收益。但如果我們做了用戶體驗較差的事情，損失會非常巨大。

如何在企業商業化過程中與用戶達成雙贏是需要逐步來探索的，一種途徑是通過數據去驅動決策，做到利益最大化，也就是這裡分享的。通過用戶和商品畫像找到並更好地服務為你產品買單的那一群人。

通過初期形成的產品，形成了我們平台的一些忠實的客戶，對於這部分群體的解讀，就可以驅動產銷配一體化。需求（用戶）與供給（商品）兩端的匹配GAP的存在，可以推動精準的供給體系構建，比如C2M、C2B的可能嘗試。

宏觀和微觀上我們看看畫像的作用，微觀上主要是精細化，比如推薦、搜索、精準營銷、定向投放、風控、定量和定性的分析、數據化的運營用戶分析。宏觀上來說就是具象化對於用戶的認知，在探索用戶足跡的過程中，建立市場細分和用戶分群。

這裡順便講一下商品畫像的作用，商品畫像的前台作用更多是在流量分發上與用戶畫像的match，關聯後的一些推薦、精準推送等。比如用戶標籤為a類目的價格段偏好，然後商品畫像也有價格段的標籤，比如說用戶偏好的是30-50人民幣的連衣裙，然後這個商品是連衣裙並且正好是在30-50人民幣的，所以可能相對其它價格段的商品而言，在這一維上更合理；接著再結合其它維度的商品和用戶標籤的match就可以構建更多的匹配維度。

而偏後端一些的維度，商品畫像也可以帶來非常多的幫助，可以去驅動後端的供應鏈。通過商品畫像的歷史情況(近期曝光、點擊、訂單、轉化等)，可以去做銷量預估，進行備貨、採購、越庫、生產物流等等環節的優化。

對於統一建模預測分析，首先如果有了人口屬性細分，比如說一些性別，年齡段等等，就可以去明確用戶是誰，他在平台上面買了什麼，為什麼買；有了購買行為細分以後，可以去明確市場機會，市場規模等關鍵信息；再次是產品需求的細分，提供根據差異化的競爭的產品規格和業務價值，可以去做更加差異化的競爭，不做海量的庫存，而是更精準、成本更可控；最後是興趣態度的細分，通過用戶畫像可以去做不同的渠道的策略，定價的策略，產品的策略，品牌策略；比如渠道策略，我們可以通過分渠道歸因並撈取對應用戶群體，並觀察各個渠道群體的差異，比如類目偏好、價格段偏好等的差異，在投放過程中進行商品池和投放策略的優化。

總結一下就是商品和用戶畫像很重要，兩者是相輔相成的，在整一個用戶體驗過程中非常重要。

03

如何構建商品/用戶畫像

——以用戶畫像為例——

那到底如何構建用戶和商品畫像呢，這裡可以提一個概念叫側寫師，電影中經常有一些概念就是側寫師通過觀察和收集犯罪現場的信息（數據收集），去想像作案人的心理和案發時的動作（預測），並最終為破案帶來機會(實施)，構建用戶畫像的方法論與其類似。

第一步是收集數據，圖中方法比較多，各有優缺點，不過目前主流的還是通過用戶靜態數據結合海量的平台用戶行為數據的方式。通過埋點，我們可以看到用戶在我們平台上看了什麼商品，點了什麼商品買了什麼商品，將這些數據串起來，可以作為入口去理解用戶，更進一步，通過一些統計、概率知識進行建模，比如說用戶細分、生命周期劃分、流失用戶研究等，做深層次的挖掘。接下來我們來解構用戶畫像。

主要是人口統計學屬性、消費需求、購買能力、興趣愛好、社交屬性等。

用戶畫像的粒度簡單來講，比如年齡標籤是20-30歲和21歲，這兩個就是明顯不同粒度的標籤

再次就是可以從層級的角度來看，用戶基本屬性和行為標籤為淺層用戶畫像，這些標籤畫像主要是收集就行，比如年齡，性別。第二層是稍作處理的匯總層，比如手機端大概什麼時間活躍，經常購買的品類等。第三層是基於前2層可以做到營銷的敏感度，社交關係，上網時間的預測；最後一個是更深層的，需要結合業務知識去做定製。比如保險領域的高中低價值、貸款需求程度，風險高低等。

網上找了一個金融領域的例子，比如根據活躍情況，可以區分活躍用戶和流失用戶，再根據時間窗口維度可以拆為48小時活躍和不活躍用戶。簡單的統計就可以為用戶貼上各類的標籤，比如過去12個月內累計訂單超過20次為界限，可以劃分為高低頻用戶等。不過多展開，可以自行閱讀上圖。

當然用戶畫像依賴的商品基礎標籤是必不可少的，比如用戶服裝偏好下有顏色偏好(白色)，這個是通過用戶歷史的點擊、加購、收藏等行為關聯的商品所帶標籤的聚合，那其實底層商品的顏色標籤是必不可少的。

接下來介紹的是一個構建方法論，但不是唯一方法論。

先從大維度來說，劃分為動態和靜態兩類。比如說人口統計學的性別、年齡、地域、收入、生活習慣，是相對靜態的，性別一般都不會變，年齡的話一年就漲一歲，然後地域的話也很少有大的變動，收入職業所處行業也不會有突然的變化，這些都可以劃分到靜態標籤。而像用戶訪問設備、用戶的48小時是否活躍、內容&商品消費偏好等屬於時常在發生變動的，這些可以劃入動態特徵。

靜態和動態的劃分，其實是根據某個維度來定的，或者是在某個時間窗口內的。靜態畫像一般是實時性弱更新慢；動態畫像變化相對更快一些，可以再時效性、空間上有差異。

不同的行業，不同的業務，也會有不一樣的構建目標和方式。在這個過程中，通過業務應用的要素分析，去驅動標籤維度的擴展，然後通過標籤維度的擴展。然後我又可以去驅動業務。

上述圖片介紹了常用的偏好標籤建模的思路，不做過多展開，有興趣的小夥伴可以私信交流。

那系統化的標籤生產如何來做呢，可以參考上圖，上圖元素和參考了很多美團的做法，由於篇幅限制，這裡不過多展開，後續的分享可以專門來將構建的細節。

重點是結合業務，構建閉環，用數據來提升業務理解，通過業務理解來快速構建畫像相關的數據體系。

04

商品/用戶畫像的應用

第四部分我們來介紹一些畫像的應用。

第一個我們介紹一下通過用戶畫像來做與競品對比分析，在大維度戰略調整和選擇的時候，可以有差異化市場定位。根據用戶標籤進行市場細分和群畫像分析，輸出分析報告；幫助企業理解用戶的人群特徵、人生階段、消費偏好等；幫助企業分析和友商用戶群的異同，優化市場定位和差異化產品策略。這部分數據有自己內部的數據，競品數據可以通過第三方等間接獲取。

比如今天shein作為跨境快時尚平台做得不錯，如果同類型的平台是否可以考慮在年齡段標籤上做差異化，比如他們切的是18-35歲的年輕女性，那是否可以考慮35-50歲的中年女性作為用戶群，在運營過程中做調整，反而在利基點上有不錯的收益。

另一個方向的思考是，如果我們在部分用戶標籤維度差異較大，如果我們就是希望拿下這部分用戶，那就說明我們可能有做的不對的地方，通過數據去排查問題，比如是我們投放的過程中渠道選擇帶來這樣的差異？貨是不是有問題，價格過高？品類深度不夠？認識到了這種差異，可以進一步深挖分析或者用戶訪談，來對我們的產品給用戶的心智營造做調整。

通過畫像數據的對比，可以去確定一件事情，就是說我們的競品到底是誰。真正的競品突然在你眼前，畫像跟你高度重合的那個，而不是我們假想的那個。如果你發現原來被認為是競品的典型用戶群體是在30到50歲之間，而你們的群體在20歲到35歲了，那至少在當前情況下，你們是弱競爭關係。

定位了不同的人群，並結合數據做一定劃分後，我們也可以根據情況針對性做投放和媒體選取。在廣告營銷推廣的時候，我們結合畫像對用戶進行劃分，區分為大盤->成交->高價值用戶，然後我們通過某些標籤進行數據分析，如上圖中的性別維度，我們對比中發現其實女性用戶比例在高價值用戶中與大盤用戶中剛好反過來 。

那接下來就有幾個動作，可以對投放渠道、商品進行分析，是引流的問題？還是貨品上對於男性用戶天然不高？商品運營有沒有問題？如果不做調整，是否後期的投放渠道可以選取女性標籤會更精準？

我們希望根據不同的媒體目標覆蓋率高低進行一個預算的分配，在平台上人群通過標籤進行拆分。上面的問題，我們拆分了性別，是否有其它的維度可以進一步拆分，比如通過用戶上報的APP安裝列表，在平台上高價值用戶有多種購物類APP和金融類APP的安裝，那在投放過程中可以根據渠道的差異進行篩選，或者在投放過程中選取對應的一些標籤詞進行嘗試。

上面的例子是結合用戶畫像做不同渠道的選擇，逐步測試和優化。而對於商品的定位調整，可以結合商品生命的周期，嘗試做一些品類深度與寬度的運營。

對於不同生命周期內的用戶，其實數據和畫像的豐富度也會有差異，在精細化運營過程中可以根據情況做差異化的運營。這裡再講一個其他案例，在用戶分析維度，初期會通過用戶調研訪談進行初期的產品定位，在投放擴量過程中，結合用戶站內的情況作出效率分析，新用戶有什麼特徵？核心的用戶屬性是否有變化？前後一年內獲客可能會有很大差異，這種差異時常去關注，可能會了解到產品的變化是否符合預期。

在精準營銷領域的的一些嘗試，可以參考上圖。分析歷史某個時間窗口內的用戶，哪些方面是有特性的，比如年齡段，性別，地域，收入，偏好等，有了這樣的分析，可以選擇相應的人群投放。輸出到媒體廣告，做預算看效果，然後將效果數據迴流，再去迭代，以提高進一步的準確率。通過某個特性找人，再去分析這些潛在用戶，找到可以觸達他們的渠道。

上圖也跟前面介紹的有點類似，作用類似，就是通過篩選已有用戶中的核心用戶，結合這群用戶的標籤，進行投放標籤的初步篩選。在成本需要控制的情況下，可以通過核心人群標籤投放->強相關人群標籤投放->一般用戶標籤投放，這裡也需要結合不同人群經常交互的商品進行商品池選取。

在看一個金融領域的應用案例，根據職業、年齡、存款等進行篩選，並結合歷史理財的偏好等進行基金推薦。

再講一個概念就是CRM，業界有很多探討，其中也有一些問題點，如上圖，後面分享我們對CRM可以專門展開。

有幾個注意點也需要大家去注意的，其實我們有時候現有的用戶不等於目標用戶。在產品運營過程中，會發現平台上用戶畫像是這樣的，但是結合戰略以及競品的一些情況，更大的去做差異化的競爭。重合的那部分是高價值用戶，所以應該投入更多人力去做？結合用戶畫像去做更細粒度擴人群，是A人群還是B人群還是C人群？

然後第二點，構建什麼樣的用戶畫像，比如說用戶是男性還是女性，她工資多少，喜歡什麼樣的商品。這些標籤可能是沒有意義的，如果要說有意義的地方是這些標籤如何去影響決策，如何為用戶帶來更好的體驗，帶來更高的留存、復購。

05

回顧/總結

實踐出真知，我們需要結合具體業務場景，做嘗試。

我們要結合業務場景去分析，然後去不要單看畫像，而是要做一些對比，通過前後對比，跟競品的對比，跟頻道內與大盤的對比等手段去分析，發現不足和優勢，做糾正和調整。通過數據反饋形成數據的閉環，最終在產品的迭代過程中拿到更好的業務結果。總結一下，做畫像要有目標要有數據，也不拘泥於技術細節，大膽的嘗試，然後先粗粒度，後細粒度。