不管是行銷人員、運營人員還是產品經理，都躲不開“用戶畫像”，但經常聽到大家抱怨，這個詞太大了，根本不知道從哪里下手來進行分析，也不知道需要使用到哪些資料和維度。

今天軟妹給大家歸納了一套用戶畫像分析的方法，從用戶畫像的理論到使用大數據軟體FineBI進行用戶分析實踐，教大家怎麼做好數位行銷中的用戶畫像分析。快點擊下方按鈕，免費試用FineBI工具，和軟妹一同開始此次自助數據分析之旅吧~

使用FineBI製作的使用者畫像儀表板

用戶畫像（User Persona）的概念最早由現代交互設計之父Alan Cooper提出：Persona是真實用戶的虛擬代表，是建立在一系列真實數據之上的目標用戶模型，用於產品需求挖掘與交互設計。

通過調研和問卷去瞭解用戶，根據他們的目標、行為和觀點的差異，將他們區分為不同的類型，然後從每種類型中抽取出典型特徵，賦予名字、照片、人口統計學要素、場景等描述，就形成了一個Persona。Persona就是最早對用戶畫像的定義，隨著時代的發展，用戶畫像早已不再局限於早期的這些維度，但用戶畫像的核心依然是真實用戶的虛擬化表示。

在大數據時代，用戶畫像尤其重要。我們通過一些手段，給用戶的習慣、行為、屬性貼上一系列標籤，抽象出一個用戶的全貌，為廣告推薦、內容分發、活動行銷等諸多互聯網業務提供了可能性。它是計算廣告、個性化推薦、智能行銷等大數據技術的基礎，毫不誇張地說，用戶畫像是大數據業務和技術的基石。

簡單來說，用戶畫像=給用戶打標籤，就是對用戶的年齡、性別、教育程度、職業、活躍度、忠誠度等指標進行標籤化處理，多個標籤構成對用戶的整體描述。

舉個例子來說明，如果你經常在某個網站購買產品，那麼根據你的消費記錄，電商後臺就會給你打上“女性”“價格敏感”“忠實用戶”等標籤，同時還會根據你所購買物品的價格，判斷你的消費能力，甚至是根據你所買物品的適用人群，判斷你的年齡區間段。

用戶畫像涉及的範圍很廣，下圖給大家歸納了一下7個可以參考的方面。

做用戶畫像的過程，就是將無法具像化的用戶行為數據轉化成能夠直觀認識的用戶標籤。

雖然用戶畫像的作用遠不止這些，但大體不離以下幾個方面：

1、精准行銷：通過用戶畫像，將用戶群體分割成更細的粒度，利用短信、郵件做精准行銷；

2、數據分析：根據用戶的屬性、行為特徵對用戶進行分類後，通過數據分析不同用戶畫像群體的分佈特徵；

3、產品應用：用戶標籤是很多數據產品的基礎，諸如個性化推薦系統，CRM基礎搭建等；

4、數據挖掘：以用戶畫像為基礎構建推薦系統、搜索引擎、廣告投放系統，提升服務精准度。

不少企業做了用戶畫像，可能只是實現了一些靜態標籤，以用戶基本屬性為主。入門級別就是做些用戶問卷調研、電話訪談，進階的就是通過一些後臺埋點，得出男女比例，地區比例這些比較基礎的數據。沒有真正用在實際業務中，對業務產生價值，最終淪為形式主義。

所以要讓用戶畫像真的能發揮出作用，一套可實際落地的用戶畫像是必要條件。

這裏先指出大多數人的錯誤思考順序：不是因為有了用戶畫像，從而用畫像去提升業務，而是業務有需求，才需要去建立用戶畫像。

舉個例子，內容型社區希望通過上線知識付費模組，將該模式進行商業變現，基於此，我們需要把業務目標和要解決的問題進行梳理，根據要解決的問題去做用戶畫像。只有明白了業務方做用戶畫像的目的，才能在之後選取出更為符合需求的數據標籤。

常見的用戶數據可分為靜態數據和動態數據。由靜態數據標籤搭建出就是2D用戶畫像，例如小明，男，25歲，高雄市；而動態數據標籤+靜態數據標籤，搭建出來的就是3D用戶畫像，例如小明於3.11登入30min，訪問了某頁面4次後，將商品加入購物車，這些就是屬於動態的資訊，是隨著時間不斷變化。

靜態數據：

展示了用戶最基礎的資訊要素，例如姓名、城市、學歷、註冊時間、註冊方式等。

動態數據：

展示了用戶不斷變化的行為資訊，打開網頁，加入購物車、購買物品等一樣都是用戶動態的行為數據。

收集到基礎用戶數據之後，我們從用戶的基本概況入手，對用戶的年齡、地域、行業等維度進行分析，將用戶畫像進行建模。

①Who（用戶）——哪些用戶

對用戶的表示，方便區分用戶，定位用戶資訊

②When（時間）——什麼時間發生

用戶發生行為的時間跨度和時間點，比如流覽頁面20s，其中點擊按鈕是在5s，返回是在17s，也就是時間跨度20s，發生行為的時間點分別是5s和17s。

③Where（地點）——用戶行為觸點

用戶接觸產品的觸點，比如網址訪問了哪些分頁，在APP上點了哪些按鈕，刷新了幾次，或者其他交互行為。

④What（事件）——觸發的資訊點

也就是用戶訪問的內容資訊，比如主要流覽了類別，品牌，描述，生產日期等，這些內容也生成了對應標籤。

⑤Action（行動）——用戶具體行為

比如電商用戶的添加購物車、搜索、評論、購買、點擊贊、收藏等。 用戶畫像的數據模型可以概括為下麵的公式：用戶+時間+行為+接觸點，某用戶因為在什麼時間、地點、做了什麼事，然後打上標籤。

不同產品需求不同的標籤組合，不同的標籤組合也就形成了用戶畫像的模型。

構建完模型後，建議使用大數據BI工具對前面產生的用戶畫像進行資料視覺化分析，一般是分析特定群體，比如可以根據用戶價值來細分出核心用戶、評估某一群體的潛在價值空間，以作出針對性的運營等。

FineBI是一款能幫助業務人員快速搭建資料分析Dashboard的大數據自助分析軟體。它專業、簡潔、易用，介面和流程一目了然，每個模組都有明確的功能分區。透過FineBI自助資料集功能，普通業務人員就能拖拖拽拽對資料做篩選、切割、排序、彙總等，自助靈活地達成期望的資料結果，並選取智慧推送的圖表和Dashboard實現資料的視覺化。

它支援50多種圖表樣式，基本上涵蓋了市面上所有從基礎類到高階類的圖表，並且還具有優秀的動態效果和強大的交互體驗。在使用時能夠根據需求設定各類特性，並且在行動端、LED大屏也能自我調整展示。

如圖就是使用FineBI搭建的用戶畫像面板，使用圓餅圖、折線圖、長條圖等多款圖表展現了使用者的年齡、性別、地區分佈的信息。

使用FineBI可以輕鬆搭建各種經典的數據分析模型，諸如金字塔模型、KANO分析模型、RFM模型、購物籃分析模型等等，幫助業務洞察。

如圖在FineBI上搭建的RFM客戶價值分析，這也是用戶畫像分析中可以使用的一個分析維度。具體分析方法可以查閱文章：如何快速進行RFM模型分析？

FineBI提供包括製造業、醫藥、零售、金融等不同行業的業務主題分析場景，通過業務指標數據分析與展示，讓相關管理人員能夠輕鬆掌握業務動態。

FineBI能將業務人員從資料處理和可視化的泥潭中解放出來，把更多精力投放到資料分析與資料管理和業務溝通上。

立即點擊下方圖片，體驗一下強大的大數據分析軟件FineBI吧！相信無論您是新手還是專業分析師，FineBI都將成為您數據分析之路的得力助手！