原标题：用户增长框架与实战（2）：如何构建用户画像体系

用户画像如何构建？本文对此进行了分析，来看看这篇文章了解一下吧。

相信你很难想象，在一个运营了10年+的业务中，我是第一个建立用户画像体系的人。我所定义的用户画像，是从用户分组得出的。

根据前面章节数据分析维度，对用户数据做切片，得出与财务效率强相关的维度，且便于所有团队理解用户是谁（因此称为画像），且每个画像下可以提出什么增长策略应该是显而易见的。

一、我为什么不会采用动态维度

我不太理解，之前的负责人，为何按照用户行为分组，例如下单，且纳入BI体系中。由于没有其他分组方式，实际也就只有这一种运营方式。

过程结果，则是按前置关键行为来分。例如是否安装，是否注册，是否加购等。

• 没有抓手。例如，最近7天下单量0，1，2，3的人，你如何提效？近期失活用户，你如何提效？首次安装注册用户，发代金券，那不是增长团队要做的，而是运营。
• 刻舟求剑。因为要考虑应用在付费渠道，流量到结果本来就有相关性。结合KPI口径，所有这些指标，都几乎等于刻舟求剑。运用在付费渠道团队，会导致这个团队越来越接近财务。只要花钱，就有效果。
• 没有归属。分组后，任何一个用户今天在这个组，明天就跑到那个组。

一般特征有10个+，分别看效率的分布（参考前面章节）的波动性（可以暂定用标准方差）。例如设备型号，性别，年龄，甚至APP版本。

找到比较显著的几个，例如类目偏好，城市。这两个特征都是很容易做出差异化策略的，喜欢女装的和喜欢汽配的，明显不是一类人嘛。住在北京和上海的，对内容/产品的偏好差异也很大，因为交集的部分可能甚至小于10%。

关键是经过多个时间段抽查核验，这个规律是稳定的。例如你按照12个月份，分别得出结论，确实是有一致性的。且城市级别的行为规律性极为明显，物流的一致性可以达到90%概率。

那么现在就有两个主干的维度了。我最终选择了以类目偏好作为第一维度，因为它在波动性上，更明显一些，且更容易理解。

所以在项目启动测试阶段，我只用了两个小的类目：宠物用品和户外用品。尝试去推断这两类用户的跨类目需求。效果是非常炸裂的。随后紧急纳入了美妆和服装行业。

也是在这个时候，我开始做更深入的分析和线下的观察。有两组数据对我产生了极大的启发：

• 男装，无论是服装还是鞋包，50%都是女性在购买，所有人包括我自己，都以为>90%男性。但是女装>90%都是女性购买。这不就是某Z开头知名品牌的流量特征么。其实也有专业性问题，绝大部分男性是没有审美能力的。女性在这方面往往更专业。
• 女性一旦有了孩子，对美妆、服装的需求大大降低，甚至<10%。牵扯到经济能力、年龄的变化，价值观的变化等。

当然还有很多其他数据，无法一一列举了。

• 比如男性可以给男孩买东西，但给女孩买的少。
• 男性在婚后和婚前的消费习惯没有那么明显的变化。
• 在某些国家，如果家长给男孩买东西，有50%的概率会给女孩买东西（也就是说生育率极高，约2.0）。同时某些国家的概率只有10-20%

我希望用一个逻辑串通所有事实，所以提出了“人类不可逆生命轨迹”的概念。就是性别+婚恋状态+孩子的状态。

也是把商场运营逻辑延续在互联网业务里。就是一个虚拟商场（如果非电商换一个词即可），每一层都是为不同画像准备的。

• 完整排列组合约20多个，看业务情况，有些可以合并掉。现在一切运营环节都有抓手了：
• 每个画像有多少用户？人数少的画像，合并掉。是不是还有未知的？是不是还需要更新画像的逻辑？
• 每个画像的业务效果是怎样的？哪些做的好/差？为什么？必须结合供给侧去评估
• 流量侧的效果是怎样的？哪些做的好/差？流量的成本？也要结合供给侧评估
• 每个画像下面有什么消费场景？
• 每个场景下面都有哪些类目？
• 每个类目下面，都应该配什么货？尖货是哪些？

我听到太多人讲“人货场”，没有一个能真正落地的。就是因为他们连用户画像都没搞清楚。有的采用engagement频次做画像（电商就是order，游戏就是充值、观看广告次数等），有的还在研究“小镇青年”。

本文由 @达太 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务