用户画像是打造超级产品的关键，最初源于大数据产业的概念。如今，它已经成为精准创新、精细洞察用户总结的纽带。这一次，我们将从艾永亮超级产品公众H撰写的文章中，分析关于创建超级产品的用户画像。希望大家看完之后能有一些启发。

01

什么是用户画像？

用户画像是根据用户在互联网上留下的数据，主动或被动地收集用户信息，最终挖掘用户的方法论。例如，用户的性别、地区、工资甚至偏好。

很多企业会把用户标签等同于用户画像，但其实用户标签并不等于用户画像，但标签是对用户最直观的解释。

用户画像中的产品创新和用户调查方法。企业在讨论产品、用户需求、场景、用户体验时，通常聚焦于特定类型的用户群体，因此用户画像就是目标用户标签的集合。

这并不是特指谁，而是指使用产品的典型用户群体。

用户画像是很多数据产品的基础，已经成为企业了解用户的必要环节。在产品创新的初始阶段，企业将通过用户研究和交流的方式了解用户。当用户群体扩大时，研究的效率就会降低。此时，用户画像成为企业了解新用户特征和核心用户属性是否发生变化的工具。

按照艾永亮文章《超级产品公众H》中提到的用户画像方法论，我们可以把用户画像理解为一个产品级的数据库，其中各种标签是多维度分析的要素，而数据则起支撑作用。

所以很多企业花大价钱打造用户画像，但最终的结果只是做了一个用户画像报告，比如性别、地址、用户消费金额等。这看起来是完全一样的东西，但实际上是看完就完了，很难应用到产品上。

很多用户的写真报告确实不错，但最后都是形式主义。

比如艾永亮超级产品公众H写的文章，有读者投诉，企业建立了用户画像，分为用户的消费情况、属性、行为等上百个维度.这样的用户画像足够了解用户，结果产品上线后只能看起来一片空白。

问题是用户有这么多维度，如何合理选择标签？用户层次不应该分类吗？要积累多少钱才能成为VIp用户，后期如何维护和保持对用户的洞察？为什么选择这些标准？产品更改后是否要更改此标签？

设置标签后如何验证用户头像的有效性？我怎么知道我的产品成功了？还有更多应用场景吗？

我觉得这是很多企业面临的那种情况。使用用户画像一段时间后发现没有效果，后期基本不再使用。

很难应用用户画像。

02

如何理解用户画像

现在企业根据产品周期设置了几个标签，比如活跃用户和新用户。流失的用户，这些标签还能细分吗？但你确定真的值得公司花时间去细分吗？

有必要知道有滞后。根据流失用户来看，这些用户往往很长时间没有使用过产品，有时几个月后才成为流失用户。因此，即使知道这是一个流失的用户也没有用，这是有价值的，但太落后了。

在艾永亮超级产品公众号文章中，提到了一个关于这一点的新方法。如果用户六个月不活跃，那就是180天。这比简单的记录损失要好，记录损失可以从现在开始分成不同的日子。设定时间为30天和90天。180天是节点。

当然，从现在开始的天数不是最好的，用户之间也有差异。即使它们处于非活动状态的天数相同，损失率也不一定相等。这个问题在低频场景下尤为明显。

我们再回去分析一下流失用户的定义。首先，它不是建立一个高大的系统。其次，是如何挽留。我相信任何企业都希望流失的用户越少越好，所以预防性的减少用户流失比在产品没问题的前提下记录用户流失更重要。

因此，最好的流失用户标签是：流失标签前的流失率天数。

当然，在这个过程中，我们不能忽视用户画像的核心价值，即产品创新目标下的用户标签集，以及数据验证后的精准推荐，这是用户画像背后的逻辑。

不是因为我有用户画像才能带动产品创新，而是因为我有创新的用户画像。

用户画像可以通过两种形式获得，一种是基于已有数据、丢失标签和前几天，另一种是基于已有数据计算概率模型，需要应用到机器学习和数据挖掘中。

概率在0和1之间的数据。以性别为例，除非你能得到用户的信息，否则很少有用户会填写性别，填写的性别也不一定准确。在很多游戏中，性别为女性的抠门男抢得很多。

在这里，我们可以添加算法来判断用户的性别，如姓名，并通过现有的姓名和性别数据库来预测新用户的性别。

特殊情况下，很多中性的名字，多是男性的名字，也可能是女性的。这种特殊情况意味着一种特殊的概率，所以我们可以从模型中推断出来。当然，为了方便，模型中会设置一个阈值，超过%的概率会被认为是男性，以下默认为女性。

除了身体性别，还需要在消费模具上建立性别标签。有些人虽然是男性，但在购物行为上却是女性，这是应该区分的。

03

摘要

看到这个，可能会觉得用户画像太复杂了。其实用户画像是以产品模型为基础，用来了解用户的决策，结合场景、产品形态和用户的需求。

对于企业来说，任何用户肖像标签都无法与产品分离。基于产品，我们可以想象出很多播放用户画像的方式。比如你开一家沙拉店，沙拉有不同的口味，可以分为用户口味偏好、偏好程度、相似度、价格偏好。深度场景，一个办公室每天有五六个订单，可以分为不同的用户，不同的时间段。根据后台数据，以团购或拼单的方式推进订单合成，降低人工成本。

用户画像可以根据产品分为几个模块，例如用户消费画像、用户行为画像、用户兴趣画像，具体画像取决于产品的最终形态。

企业越大，用户画像越复杂。它的功能是给数据贴标签，促进产品创新。不同的标签对应不同的用户群体和不同的用户需求。

好的用户画像就像是一个数据生态系统，结合了产品和企业的生态系统。这是一个复杂的交叉领域。因此，它不限于一种方法论。希望大家能彻底理解它的核心思想。