2.5.3　用户画像

用户画像的英文名称是User Profile，不要和User Persona（用户角色）相混淆。用户画像是产品设计和用户分析的一种方法。当我们讨论产品、需求、场景、用户体验的时候，往往需要将焦点聚集在某类人群上，用户画像便是一种抽象的方法，是目标用户的集合。

举个例子，“女，白领，25～30岁，工资15 000元～20 000元，重点大学毕业，IT测试工作，居住在北京回龙观，未婚，有男友，喜欢阅读，有房贷，喜欢星巴克，经常加班”，这样一串描述就是用户画像的典型案例，即用户信息标签化，如图2-23所示。

图2-23　用户信息标签化

1.为什么需要用户画像

用户画像是建立在一系列真实数据之上的目标群体的用户模型，即根据用户的属性及行为特征，抽象出相应的标签，拟合而成的虚拟的形象。标签主要包含基本属性、社会属性、行为属性及心理属性。需要注意的是，用户画像是将一类有共同特征的用户聚类分析后得出的，因而并非针对某个具象的特定个人，比如：

·使用产品的用户有什么特征？

·借款用户有什么特征？

·逾期用户有什么特征？

·欺诈用户有什么特征？

·目标用户在什么地方？处于哪个年龄段？有什么喜好？

用户画像的核心是将数据进行标签化。打标签的重要目的之一是让人能够理解并且方便计算机处理，比如可以做分类统计：下载App的男性占比情况，哪些人申请了产品，什么年龄段的占比最大，使用金融服务的人分布在哪些区域，一线城市的用户有什么喜好等。

用户画像可以通过一系列的标签把用户呈现给业务人员，让业务人员知道目前的客户是什么样的群体，如何进行精准营销。

（1）精准营销

这是运营最熟悉的玩法，从粗放式到精细化将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，关怀、挽回、激励等策略。

·交叉销售：针对一般客户如何进行二次营销和交叉销售，了解这类客群体有什么特征。

·促活：沉睡客户的特征是什么，如何去激活这类客群，他们沉睡了多久，使用什么样的方式和手段去促活。

·拉新：产品用户的类型、性别、年龄和出入地点，如何去拉新用户，使用什么样的策略和营销手段，营销费用投入后拉来的客户都是什么样的，成本如何，如何改进营销方式来减少营销成本。

（2）风险

针对不同的用户群体画出相应的用户画像，有助于业务人员了解不同的用户群体的风险喜好、欺诈概率、正常还款概率。

·通过信审的用户画像；

·未通过信审的用户画像；

·M1的用户画像（M1=0～30天逾期）；

·M2的用户画像（M2=31～60天逾期）。

（3）画像工具

业务人员通过已有标签或者自定义标签可以任意筛选用户，对导入用户做二次营销。

·固定标签：业务人员根据“T+1”固定打好的标签对用户进行筛选，比如对于“本科+广东+福建+有房贷+收入（3000元～5000元）”这类用户，有用户画像系统的话，就会很容易筛选。可以对筛选后的人群进行二次营销，如发优惠券等定向推广活动。

·标签自定义：业务人员可以通过自定义标签进行灵活配置。

·自助查询：业务人员可以根据标签查询这类用户、查看这类人群的画像情况。

2.整体架构

构建用户画像的整体架构，首先需要进行标签建模，然后建立模式库，形成用户画像的后台库，如图2-24所示。打标签前需要做很多工作，如先整理和清洗数据，保证数据的质量。

图2-24　用户画像架构

构建用户画像需要基于业务模型，一般的业务部门对画像和模型没有概念，需要数据部门人员对业务和模型有所理解，不能光指望业务人员提供比较完整的业务模型。数据部门也不能闭门造车，需要和业务部门一起把模型建立起来。

很多公司花了很大精力和资源构建的“用户画像”，由于业务和数据部门对业务需求和模型没有充分理解，导致产品上线后无法使用。

用户画像平台的关键是输出标签，把过滤或筛选过的用户输出给其他系统，进而实现精准营销、风险控制、二次营销。

（1）标签体系

从数据仓库的原始数据进行统计分析，得到事实标签，再进行业务建模分析，得到模型标签，再进行模型预测，得到预测标签。

标签体系建设是平台的关键。平台的一期可以先建设原始标签和事实标签，待项目人员对业务和标签体系有深入的了解后再建设二期和三期。

标签数量也不求多，其实业务人员常用的标签有100～300个，求精而不求多，如图2-25所示。

图2-25　标签体系

原始标签指用户最基本的信息，一般不会经常变动。比如，用户的性别、注册情况和用户的学历等信息，都是永久或长时间不会变动的。

事实标签是通过对原始数据库的数据进行统计分析而来的。比如，用户理财次数是基于用户一段时间内实际理财的行为统计而得的。

模型标签是以事实标签为基础，通过构建事实标签与业务问题之间的模型，进行模型分析得到的。比如，结合用户收入模型和负债占比、用户风险评分、用户存在价值。

预测标签是在预测模型的基础上做预测用的，比如预测用户的价值、用户欺诈风险和违约风险等。

（2）用户画像系统

用户画像系统作为业务人员使用的展示平台主要有7个功能，如图2-26所示。

图2-26　用户画像系统功能

一个好的用户画像系统，不仅是大数据架构里的重要一环，更是牵动着精确营销、风险、新产品研发等方方面面。用户画像系统的作用在于，用数据化的标签将用户信息标签化，即将用户信息转换成产品运营策略。不同的标签对应不同的用户群体，同时对应不同的营销手段。通过用户标签分析用户需求，可以达到运营目的。

3.应用场景

用户画像如何在企业里应用，一般由金融消费的具体产品、产品投放渠道和合作渠道决定。通常来说，用户画像主要有如下3个重要的应用场景。

（1）精准营销

精准营销是用户画像和用户标签最基本和最有价值的应用。在用户画像平台里所有用户都有各种各样的标签，营销部门可以通过标签体系来选择需要触达的用户，然后进行精准的营销投放，如图2-27所示。

个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好、优惠券营销都是基于用户画像的应用。

图2-27　精准营销

精准营销中的常见匹配活动如下。

最近一个月发生过借款且借款金额大于1万元或最近半年发生过二次交易的用户，属于高价值用户群体。精准营销的目的是提高用户忠诚度并增加回购率或复贷率。针对这类用户，平台可以提高授信额度、提高期限（如24、36期）、送免息优惠券、加息券。

对于潜在用户，在按照年龄、区域、职业、收入、消费能力、收入情况、负债情况、具体行为等特征分群后，以短信、App消息推送等方式推送平台的优惠消息和各类活动，如免息券、加息券、限时额度等，目的是用适当的优惠政策来吸引其产生实际消费和购买行为。

精准营销就要做到精准投放，要明确定位各消费金融产品的交易用户画像，知道目标用户通常会出现在哪里、处于什么年龄段、性别比例以及喜好等，这样在营销时，才能提高转化率并带来实际收入。

当用户群体和产品体系上升到一个阶段后，就可以启动智能推荐了。但是，若没有对用户和产品深入了解，智能推荐很难有效果。

通过关联规则、聚类分析和贝叶斯估计以及用户近期的行为和App操作记录进行建模分析，为特定的人群做喜好分析，并给这类人群推荐感兴趣的产品和优惠或促销活动。

（2）产品优化

对于产品经理来说，最重要的是后续精细化运营，对产品进行持续的分析优化。运营部门需要通过分析用户与产品交互过程中的点击量、停留、跳转、转化等行为，构建用户画像，帮助运营人员和产品经理透过用户画像和行为表象看到用户深层的动机和行为心理。

优化产品流程和用户体验是产品经理永恒的追求。产品经理可以基于用户行为进行数据追踪，对各场景数据清洗、汇总、整合和统计，利用数据来论证，减少主观因素对产品设计的影响，以便以场景数据来设计最适合用户习惯和喜好的产品，如图2-28所示。

图2-28　场景数据

（3）全方位用户分析

全方位分析同一事件或同一指标在不同人群中的表现，有助于进行精细化的用户运营分析，提高运营的深度和精度，如图2-29所示。

图2-29　全方位用户分析

（4）渠道分析

为了提高渠道投放的精准度，一般都要对渠道RoI进行分析，全方位了解渠道和转化的用户，如图2-30所示。

图2-30　渠道分析

用户从一个渠道接触到我们的产品时，需要完善自己的基础信息、信用信息和行为数据。在第一次交互过程中，平台要主动或被动地收集和保存用户信息，并且持续跟踪和挖掘用户的使用行为，直至将潜在用户转化为交易用户。

用户接触产品后的所有行为和相关路径数据，通过清洗后都是分析用户和精准营销的决策依据，也是优化和升级产品的重要数据基础和依据。

根据渠道分析和用户画像，可以调整渠道投放的成本和资源，然后通过数据分析详细掌握渠道用户的转化率、用户的活跃度、用户信息、用户行为和用户交易等全方位信息，同时做到全周期的渠道ROI分析。

根据产品属性和用户人群的分析，综合分析渠道的价值和贡献，从而调整渠道投入。