運營：用戶畫像該怎么分析
用戶畫像分析的錯誤姿勢
1.限于數據，動不敢動。一提用戶畫像，很多人腦海里立刻蹦出了性別，年齡，地域，愛好等基礎信息字段，然后大呼：我們好像沒這個數據，于是放棄分析了?？蓪嶋H想想，知道男性占比真的有那么大意義?知道男性占比65%還是60%真的對業務有幫助?不一定的，貼用戶標簽有很多方式，不要限于一些難采集的基礎信息。
2.羅列數據，沒有思路。很多人一聽到用戶畫像分析，本能的就開始把數據庫里的用戶標簽往外搬，在報告里碼上：
男女比例3:2
20-25歲占比40%
30%的人在最近一周內登錄
70%的人沒有二次購買
……
至于擺完這些數據干什么，完全沒有考慮過。這種分析結果，當然讓人看完一頭霧水。迷茫的發問：“所以呢?又怎樣呢?”
3.無限拆分，沒有邏輯。很多人一聽到類似“流失用戶畫像分析”一類相對具體的分析題目，就開始無限拆解數據。分性別，年齡，地域，設備，注冊時間，來源渠道，購買金額……拆了幾十個維度看流失率。最后，只看到有的維度差5%，有的差10%，當然沒有最后結論啦，越看越糊涂。
以上問題，都是太過糾結于用戶畫像四個字，忽視了分析兩個字導致的。用戶畫像作為一個基礎數據體系，本身并沒有分析功能。單純的羅列用戶標簽或者拆解用戶指標，也起不到分析作用。像利用好用戶畫像，還得按分析套路一步步來。
第一步：轉化商業問題
用戶畫像分析，本質上是從用戶的角度思考問題。舉個簡單的例子，比如新上市產品銷售未達預期，我們既可以從產品管理的角度來思考問題，也能從用戶角度來思考問題。同樣一個問題，會有兩種思考方式(如下圖所示)：
因此，簡單的列出一堆用戶指標(性別，年齡，地域，購買產品，登錄次數……)是沒啥用處的。用戶畫像只是分析的一個工具，和其他分析一樣，也要先考慮：我要解決的實際問題到底是什么。想清楚了，再把問題轉化成用戶相關的問題，就能繼續使用用戶畫像分析方法了。
需要注意的是，商業問題是很復雜的。往往一個問題，可能與若干用戶群體、若干用戶行為有關。比如上邊的例子，就至少和三個用戶群體(潛在用戶、流失用戶、存量用戶)涉及到用戶態度、信息接收、購買流程、使用體驗等多方面。
因此更得分門別類，把分析線索和分析邏輯理清楚，找到對應的數據。不然一鍋燉，光列性別，年齡，地域，也解釋不了任何問題。這就涉及下兩部工作。
第二步：宏觀假設驗證
轉化完問題后，先宏觀上對假設進行檢驗非常重要，能有效避免無限拆解的錯誤。如果大方向都不成立，細節更不用看了。還是新產品賣不動的問題，如果要從大方向驗證，可以簡單如下進行：
如果懷疑大環境不好，那應該全品類受影響。
如果懷疑競品競爭力強，那應該競品直接影響到我們產品
如果懷疑運作太差，那本次商品轉化漏斗上勢必有一環掉鏈子
如果以上有假設驗證，可以進一步深入分析
如果以上假設都不成立，可能還需要新假設
總之，先進行大方向檢驗，可以有效縮小懷疑范圍。懷疑范圍越小，后續對用戶分析可以越精確。同時，當數據不足的時候，懷疑范圍越小，越能夠集中力量收集數據，改善數據質量，做出有精度的分析。
用戶的分類維度可以有幾百個之多，如果不加篩選的做拆解對比，很有可能在數十個維度上都有差異，最后完全讀不懂數據。在拆解以前聚焦假設，非常重要。
第三步：構建分析邏輯
宏觀驗證以后，可以基于已驗證的結論，構建更細致的分析邏輯。在這個階段，實際上已經把原本宏大的問題，聚焦為一個個小問題，比如：
舉一個具體場景：
已驗證：我們卻受競品影響
子問題1：目標用戶的需求是什么?
子問題2：目標用戶對競品體驗如何?哪些需求點最被觸動?
子問題3：目標用戶對本品體驗如何?哪些差距是致命傷?
子問題4：競品/本品在硬功能，軟宣傳上差距如何?
這四個子問題，都可以通過對用戶需求與行為的深入挖掘得到答案，下一步可以繼續深入了。須注意的是，這一部分的分析需要大量用戶態度、潛在用戶、競品用戶的研究，單靠內部數據不能完成，必須通過外部調研。
再看另一個場景：
已驗證：本次新品上市操盤卻有問題
子問題1：問題出在預熱、發布、上市、推廣哪個階段
子問題2：上市階段大量用戶未能響應，廣告投放出了什么問題
子問題3：推廣階段銷量未能引爆，為啥沒有激發核心用戶需求
……(可進一步問太多，簡單舉例如上)
這些問題，可以分兩方面解決
一方面，通過對不同類型用戶對比，如
核心/普通
購買/未購
觸達/未觸達
用戶進行對比，找到投放、獎勵活動、購買品類、金額等細節上差異，從而調整投放、營銷、產品補貨等業務。
另一方面，通過對核心用戶畫像，讓業務更看清楚，真正愛買的人
來自哪個渠道
通過什么主題
需要什么樣優惠
在什么時機下單
讓業務更多的去抓這些核心用戶，而且改善后續表現。
需要注意的是，這一部分用戶來源、信息投放響應，購買行為，主題閱讀，完全可以通過內部系統記錄。即使不知道他是男是女，我們也能通過投廣告，發內容，做優惠吸引到他們。
第四步：獲取用戶數據
在上一步我們已經看到，用戶畫像分析如果真的想深入用戶，就得依賴多種數據來源。很有可能是內外部數據雙管齊下的?？紤]到內部數據可能采集不全，外部數據存在抽樣誤差問題，在使用數據上就得有取舍，有重點。這也是為啥前邊一直強調逐步驗證，縮小假設的原因。聚焦了才好采集數據。
一般來說，
越是偏態度、體驗、情感類問題，越傾向于用調研的方法
越是偏行為、消費、互動類問題，越傾向于內部的數據分析
如果想了解競品，就拉競品用戶調研，或針對競品網店爬蟲
在傳統意義上，做市場調研和做數據分析的，都有各自用戶畫像的定義、做法、輸出產物。站在實際對企業有用的角度，當然是越多越好。不過，隨著爬蟲，NLP，埋點越做越深入，在有技術支持的情況下，這些年對系統采集數據的利用度是越來越高的。所以在有條件的情況下，還是盡量推動內部數據豐富。不然事事依賴調研，數據沒有積累，以后也難做。
第五步：歸納分析結論
如果以上幾步做好了，在最后推分析結論就是水到渠成的事，完全不費力氣。實際上，用戶畫像分析最大的問題都是出在前五步的。缺少假設方向，缺少數據準備，缺少分析邏輯，單純羅列數據，無限制拆解，到最后自然面對一堆零碎的數據糾結：“男女比例3:2又怎樣呢?”
當然用戶畫像有其他很多用處，比如支持新品開發，支持推薦系統，支持自動營銷系統，支持投放系統等等，作分析只是它一小塊作用。
所以想做好分析，還是要多學習分析方法，操練分析邏輯哦。不考慮具體問題場景，單純的問：一般的用戶畫像怎么做。得到的也是來自算法、調研、數倉、分析各個崗位千奇百怪的回答，自然沒有分析思路了!
