如果說互聯網的上半場是粗狂運營，因為有流量紅利不需要考慮細節。那么在下半場，精細化運營將是長久的主題。有數據，有數據分析能力才能讓用戶得到更好的體驗。所以，用戶是根本，也是數據分析的出發點。
用戶畫像的准則
首先就是將自己企業的用戶畫像做個白描，告訴他這些用戶“都是誰”“從哪來”“要去哪”。
假如你進入到一家賣羊肉串的餐飲公司，老板說現在競爭越來越激烈，要想做得好就要明白顧客喜歡什么。於是上班第一天，老板問你：“你能不能分析下用戶數據，給咱們公司的業務做個賦能啊？”
聽到這，你會怎么想？
你可以這么和老板說：“老板啊，用戶畫像建模是個系統的工程，我們要解決三個問題。第一呢，就是用戶從哪里來，這里我們需要統一標識用戶 ID，方便我們對用戶后續行為進行跟蹤。我們要了解這些羊肉串的用戶從哪里來，他們是為了聚餐，還是自己吃宵夜，這些場景我們都要做統計分析。第二呢，這些用戶是誰？我們需要對這些用戶進行標簽化，方便我們對用戶行為進行理解。第三呢，就是用戶要到哪里去？我們要將這些用戶畫像與我們的業務相關聯，提升我們的轉化率，或者降低我們的流失率。”
用戶唯一標識是整個用戶畫像的核心
我們以一個 App 為例，它把“從用戶開始使用 APP 到下單到售后整個所有的用戶行為”進行串聯，這樣就可以更好地去跟蹤和分析一個用戶的特征。
設計唯一標識可以從這些項中選擇：用戶名、注冊手機號、聯系人手機號、郵箱、設備號、CookieID 等。
給用戶打標簽
用戶消費行為分析：
-
用戶標簽：它包括了性別、年齡、地域、收入、學歷、職業等。這些包括了用戶的基礎屬性。
-
消費標簽：消費習慣、購買意向、是否對促銷敏感。這些統計分析用戶的消費習慣。
-
行為標簽：時間段、頻次、時長、訪問路徑。這些是通過分析用戶行為，來得到他們使用 App 的習慣。
-
內容分析：對用戶平時瀏覽的內容，尤其是停留時間長、瀏覽次數多的內容進行分析，分析出用戶對哪些內容感興趣，比如，金融、娛樂、教育、體育、時尚、科技等。
可以說，用戶畫像是現實世界中的用戶的數學建模，我們正是將海量數據進行標簽化，來得到精准的用戶畫像，從而為企業更精准地解決問題。
最后，當你有了用戶畫像，可以為企業帶來什么業務價值呢？
我們可以從用戶生命周期的三個階段來划分業務價值：
-
獲客：如何進行拉新，通過更精准的營銷獲取客戶。
-
粘客：個性化推薦，搜索排序，場景運營等。
-
留客：流失率預測，分析關鍵節點降低流失率。
如果按照數據流處理的階段來划分用戶畫像建模的過程，可以分為數據層、算法層和業務層。你會發現在不同的層，都需要打上不同的標簽。
-
數據層指的是用戶消費行為里的標簽。我們可以打上“事實標簽”，作為數據客觀的記錄。
-
算法層指的是透過這些行為算出的用戶建模。我們可以打上“模型標簽”，作為用戶畫像的分類標識。
-
業務層指的是獲客、粘客、留客的手段。我們可以打上“預測標簽”，作為業務關聯的結果。
美團外賣的用戶畫像該如何設計？
對比登錄方式，究竟哪個可以作為用戶的唯一標識呢？主要是以用戶的注冊手機號為標准。
有了用戶，用戶畫像都可以統計到哪些標簽。我們按照“用戶消費行為分析”的准則來進行設計。
- 用戶標簽：性別、年齡、家鄉、居住地、收貨地址、婚姻、寶寶信息、通過何種渠道進行的注冊。
-
消費標簽：餐飲口味、消費均價、團購等級、預定使用等級、排隊使用等級、外賣等級。
-
行為標簽：點外賣時間段、使用頻次、平均點餐用時、訪問路徑。
-
內容分析：基於用戶平時瀏覽的內容進行統計，包括餐飲口味、優惠敏感度等。
當你有了“用戶消費行為分析”的標簽之后，你就可以更好地理解業務了。
具體在業務層上，我們都可以基於標簽產生哪些業務價值呢？
-
在獲客上，我們可以找到優勢的宣傳渠道，如何通過個性化的宣傳手段，吸引有潛在需求的用戶，並刺激其轉化。
-
在粘客上，如何提升用戶的單價和消費頻次，方法可以包括購買后的個性化推薦、針對優質用戶進行優質高價商品的推薦、以及重復購買，比如通過紅包、優惠等方式激勵對優惠敏感的人群，提升購買頻次。
-
在留客上，預測用戶是否可能會從平台上流失。在營銷領域，關於用戶留存有一個觀點——如果將顧客流失率降低 5%，公司利潤將提升 25%~85%。可以看出留存率是多么的重要。用戶流失可能會包括多種情況，比如用戶體驗、競爭對手、需求變化等，通過預測用戶的流失率可以大幅降低用戶留存的運營成本。
鍛煉自己的抽象能力，將繁雜的事務簡單化
上面我們講到的“用戶消費行為標簽”都是基於一般情況考慮的，除此之外，用戶的行為也會隨着營銷的節奏產生異常值，比如雙十一的時候，如果商家都在促銷就會產生突發的大量訂單。因此在做用戶畫像的時候，還要考慮到異常值的處理。
我們的最終目的不是處理這些數據，而是理解、使用這些數據挖掘的結果。對數據的標簽化能讓我們快速理解一個用戶，一個商品，乃至一個視頻內容的特征，從而方便我們去理解和使用數據。