在做任何产品之前，都会先想好受众群体。但产品上线后发现，预设好的用户群体好像并不买单，比如很多新产品都变成了现象级产品，昙花一现。或是伴随着产品的发展，最初的受众群体可能会发生了变化，比如最早使用 QQ 的那帮用户群体早已成家立业，在寝室里团体狙击 CS 的那帮人早已放下屠刀。用户发生了变化，产品就要赶紧跟进调整并适应新用户群体的风口，这时候重新定位找到用户画像就变的迫在眉睫。

用户画像是真实用户的虚拟代表，它不是一个具体的人，是根据目标行为观点的差异区分为不同类型，迅速组织在一起，然后把新得出的类型提炼出来，形成一个类型的用户画像。使用最多的用户画像有八要素：基本性、同理性、真实性、独特性、目标性、数量性、应用性、长久性，来寻找用户画像，可能又会吓退一批人，今天咱们就把这几个要素综合起来搬到线上，从产品的真实运营数据中来提炼，一步步分析出用户画像的标签。

用户画像的3个维度

我们将用户画像的 8 要素，在线上进行整合，从而勾勒出目标用户的群体特性。这在产品中被称为「受众定向 」。在线上研究用户画像主要围绕产品的运营数据，获取用户的基本信息和用户在产品中的网络行为，进行差异化组合分群。根据先后顺序依次可分为三个维度：信息画像、行为画像、分群画像。

• 信息画像即用户的基本信息，属于静态数据，包括地域、性别，收入，婚否、家庭、职业、收入、资产、消费水平等。
• 行为画像即用户在产品中的网络行为，又叫动态数据，包括用户的浏览习惯、访问时长、使用频次、消费记录、喜欢偏好、行为轨迹等。
• 分群画像就是细分用户群体，根据产品业务的需求，将具有共同业务特性的用户贴上标签，聚合标签划分群体画像。

建立信息画像

现有数据一般都是通过第三方统计平台获取到的，比如友盟等。对于大公司或者一些保密单位，可能会开发一套自己的监测系统。其实友盟做得还算比较成功，自己开发耗费巨大的人力成本和时间成本，结果还不一定会比友盟好用，在友盟上可以清晰地查到新增、日活、启动、留存、渠道、终端等。很多互联网产品在初期都会选择友盟统计。先获取用户的基本信息即静态数据，建立起信息画像的雏形。

用我们做过的一个分期购车产品来查找信息画像，先从统计平台和数据库中提取用户基本信息，然后整理这些基本信息在用户群中的占比，最终整理到以下几个关键指标，如下图所示：

绘制行为画像

产品根据市场发展和用户需求的变化不断地更新迭代，在产品迭代中获取关键变量，从而绘制出行为画像。用户在产品中的可统计到的网络行为，主要包括使用场景、获取内容、访问路径这三块。使用场景主要是设备终端、网络状况、访问时段等；获取内容是用户在产品中浏览的内容、完成任务、使用工具等；访问路径是用户进入产品到离开的整个行为轨迹。

还是用分期购车产品来续，分析第二个维度行为画像。获取跟业务相关网络行为，再统计数据占比，分析需要获取有价值的关键几个点：

勾勒分群画像

信息画像和行为画像整理好以后，怎么聚合这些信息，为用户贴上精准的标签，勾勒出分群画像，是需要我们接下来想办法去解决的。这里精减到 3 步，首先找出极端信息值的概念，找到合理的聚合信息画像，最后绘制出合理的分群画像。

第一步：极端值

尽量合理覆盖每组信息的「极端信息值（每组数据中占比最高或最低的信息） 」。

第二步：合理值

这里极端值的用户中，分析合理的群体。比如下图中聚合信息画像呈现出最高值关联信息中，稳定理财但买车买房经济压力很大，看似不合乎逻辑，但买房本来就是一种非常稳定的投资，而且这样的用户买车的概率很高，还能接受贷款。不合理最低值的用户年龄都相对比较大，而且不大接受网络交易，怎么还会去买股票呢？

聚合行为画像呈现出最高值关联信息中，流量来源中呈现出了一个 PC 端数据占据近半的现象，这其实反映出两个问题，一是移动端做的不好，二是用户群体多为上班族等。

第三步：勾勒集合分群画像

尽量合理连接用户行为的「集合信息值（将每组数据占比较大的同其他组进行合理组合，分析出最符合真实用户的信息值） 」，即相对来说基数较大的用户群。

勾勒出用户画像，产品需求迭代更具针对性。但这是我们根据数据分析出来的结果，还不能说明这样的结果就是对的，接下来还需要我们做进一步用户画像的验证。

验证用户画像

这是我们理论分析得出的用户画像，但是到底对不对呢？我们还是用同样的方法来验证，整理新版本上线后的真实数据寻找其中的变量，然后分析其带来的提升或实际转化。我们总结出以下三种方式来验证。

1. 验证真实数据

产品上线后统计各组实时数据，寻找其中产品变化的数据，是否符合我们最初迭代改版的预期，分析是否符合我们勾勒的用户画像，变化的需求分析，没能达到预期的就要结合一些数据变化有针对性的分析原因。

2. A/B Test

A/B Test 算是互联网最常用的验证方法了，基于用户画像上线后的产品同当前产品进行比对分析，验证用户画像反馈需求的准确性。对于访问量很大的产品我们通常会设置 99% 的用户正常访问到原有版本，只保留 1% 的用户会被随机切到新版本，集中新旧数据对比变化的幅度。比如上面案例做过的分期购车的产品使用 A/B Test的数据变化，如下图：

关于A/B Test，这里有篇基础指南：《想验证你的设计？最简单最实用的A/B测试帮你搞定》

3. 业务数据转化验证

产品可以为企业带来的利润，是衡量产品好坏的关键指标。虽然这属于商业层面的考量，但也要回归到产品层面来落实。主要还是看产品可以为业务带来的转化率，这是企业考核的关键 KPI ，如果转化率跌了，可能就是白忙活一场，如果转化率提高了，就可以作为具有说服力验证结果。上面案例的分期购车产品中的数据来展示一下，如下图：

通过不断地迭代验证用户画像，带来用户增长。但产品带来大量新增的同时，也会带来产品需求的变化，因为用户本身就是一个变量，产品依然需要不断的迭代更新，才能不断地更新验证用户画像。

用户画像使我们更好地解决了用户的需求，验证我们用户画像方向的可行性，从而得到产品的用户画像。