“用户画像”远没你想的那么简单！

用户画像数据分析大数据

Gene | 2016-08-11 10:30

【数据猿导读】用户画像是有点老生常谈的一类研究项目，网上有很多介绍方法论的文章。然而就算是看了很多干货也可能依然做不好用户画像，因为不同的情况下，做法也不一样。个人总结了一些思考，也欢迎留言探讨

设计方案

我在设计研究方案时，会基于一些现实因素去考虑：

研究需求(目标)

时间要求

经费和资源的供给

对结果的要求

基于以上因素，我大致归纳了几种做法：

图1，不同Case中用户画像的不同做法

表格中的几种Case不一定全面，现实中会出现各种各样的情况，不能固定套用，要具体问题具体分析。

最近一次做用户画像是第二种Case，我就拿这个Case来说吧。

设计方案

过程流水账就不细说了，无非就是制定方案→招募用户→访谈执行→整理结果，网上很多类似的流程文章，我也不是写教科书的。

不过，在访谈完梳理结果的时候，用研需要考虑一个问题：划分用户类型的维度有很多种，到底选什么维度比较好?这又是个具体问题具体分析的话题了。个人认为，应该看该项目的主要需求方是谁，再决定用什么维度划分。嗯，我说的是“主要”，因为很多时候一个项目的结果是会给不同部门看的，但一个项目不可能满足所有部门的需求，就像一款产品不可能面向全市场用户，所以优先满足主要需求方。另外，不同的行业领域，划分维度也不一样，这需要用研对那个行业有一定的了解。在专业性比较强的行业领域(比如企业服务)，用研跟比较了解该行业的产品经理一起讨论，会有不错的效果。

以互联网金融公司为例，产品设计部门要做用户画像，可能用户的投资风格、产品使用行为会作为重要的维度，以便日后针对不同用户的投资偏好推出不同的金融产品，设计不同的APP/网站功能;市场部门要做用户画像，可能用户的年龄、地域等人口统计学特征，以及媒介渠道会作为重要的维度，以便针对不同地域制定不同的市场推广计划，针对不同媒介渠道打不同的广告去覆盖不同类型的潜在用户。(这里说的市场部，是指只负责拉新用户的部门。)

定量验证

定量比定性要复杂，整个项目执行过程要考虑更多的因素，而且研究人员还要掌握一些统计工具和统计方法，知道不同的情况该用什么统计方法。一句话概括定量流程，就是制定方案→设计问卷→问卷投放→数据清洗→数据分析→报告撰写(某些情况下可能不需要写报告)。这里也不细说过程流水账了，我不是写教科书的。

在这个Case中，定量属于大范围验证阶段，因此能有一个比较明确的方向：

设计问卷时，问卷中的问题，是定性阶段问题的量化;问卷中的选项，是参考了定性阶段得到的反馈。比如：定性中了解到用户选择互联网金融平台时会考虑理财产品期限、管理省心、收益稳定等一些因素，在定量中就可以量化衡量到底哪些因素是比较重要的，不同类型的用户分别更关注哪些因素。

数据分析时，可以把定性中得到的一些用户类型划分的影响因素进行验证，看定性中得到的n个影响因素是否在大样本下的确对不同用户群产生差异，也要看定性中得到的几个类型是否在大样本下也是这几个类型。在这个Case中，我采用的是聚类分析，把定性中得到的几个因素放入模型中，得到的聚类结果与前面定性的分类结果一样，还是挺开心的。当然这是比较理想的一种状况，有时候在定量验证时会发现前面定性分的那几个用户类别有遗漏/多余，这时就需要调整用户画像了。

不过，有一点要注意的是，定量阶段是为了用事实数据验证，因此还是要保持客观性。我曾经在某个粉丝量很大的公众号上看到一个产品经理写他的用户画像做法，虽然也是先定性后定量，但具体做法却比较主观。他的步骤是：

Step1：定性得到3类用户，有AB两个维度，第1类用户具有A1+B1/B2的特征，第二类用户具有A2+B1的特征，第3类用户具有A2+B2的特征。

Step2：该PM在定量问卷中设了2道题，分别对应AB两个维度，让用户选。

Step3：数据分析时，该PM将选了A1的用户直接划分为第1类，选A2+B1的用户划分为第2类，选A2+B2的用户划分为第三类。

Step4：该PM再拿这3类用户做分析，统计他们的其他问卷结果。

在这种做法中，定量并没有起到“验证”的作用。产品经理心中已经有一个“坚信不疑的”结果，于是在分析数据时直接套用了心里的结果将用户主观分类。个人人为，该PM应该在定量中去验证2个问题：1、A、B两个维度真的是划分用户的显著影响因素吗?2、如果1成立，那么最终得到的几类用户的确是定性中的第1、第2、第3种吗?

来源：点融设计中心DDC

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。