构建用户画像的流程与方法文章维度聚类生命周期

编辑导读:用户画像是指根据用户的基本属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。本文从什么是用户画像、用户画像的作用以及如何做用户画像展现了详细的说明,希望能给你带来启发。

前言

在产品研发过程中,产品、设计、研发等人员经常会提到“我们要为目标用户设计”、“我们的用户是谁”等字眼,可见找准目标用户在产研过程中至关重要。用户画像作为一种设计工具,可以很好得帮助设计师跳出“为自己设计”的惯性思维,聚焦目标用户,发现核心价值,赋能产品,在互联网各类型产品中有广泛的应用。

一、什么是用户画像?

目前业界常使用的用户画像概念有2种,一种是Userpersona,一种Userportrait,也有翻译为Userprofile。

第一种用户画像,即Userpersona

根据AlanCooper的《AboutFace》,是基于产品对真实世界的观察,抽象出来的具有代表性的虚拟用户模型,有时也被称为综合的用户原型(CompositeUserArchetype)。这个概念最早由AlanCooper在《TheInmatesareRunningtheAsylum》(软件创新之路)一书中提出,后续在多处书籍进行了不停的完善。

这个画像主要特征如下:

(1)描述一个用户画像包括角色描述和用户目标

(2)可以代表相似的用户群体或类型,也可以代表个体

Userpersona是抽象的、虚拟的,代表一个典型的用户群体;虽然也可以代表个体,但个体并不是实际独立的个人,而是从实际观察研究中综合而来。

(3)须针对具体情境-具体产品的行为和目标

第二种用户画像,即Userportrait

是指用户信息标签化,通过收集用户多维度的信息数据(如人口统计属性、社会属性、行为偏好、消费习惯等),并对其进行统计、分析,从而抽象出的用户信息全貌,相比userpersona,它更侧重于数据挖掘、标签体系搭建。

这类画像主要特征如下:

以下是这2类用户画像的简要差异对比:

二、用户画像的价值

用户画像作为一种设计工具,其作用贯穿产品生命周期的前中后。结合设计工作的几个阶段,画像的价值主要有:

三、用户画像的构建流程

本文结合酷家乐-快搭、赢客2条业务线经验,梳理了从0到1构建画像的流程与方法,如下图所示:

Step1:确立目标与画像维度

明确业务目标与用户角色,不同的角色与目标在收集信息时有所差异,进而影响到最终得到的画像结果。因此在做画像之前,需要考虑清楚画像目的。明确目标后,就可以结合目标与角色,制定出画像信息维度。

此处有2个注意点:

用户画像构成要素汇总:

针对第二点,由于是创建用户画像,我们需要尽可能最大程度覆盖不同用户。那找谁进行研究呢?这里介绍2个小tips。

Tips1:用户筛选条件

Tips2:工作职能筛选

针对一些toB类岗位职能划分清楚的产品,可以基于工作职能寻找用户。实操中需要结合实际情况,看是否需要区分管理岗与普通执行岗。

以快搭智能设计业务线为例,在用户画像项目中

业务目标:整体全面的了解用户特征、产品认知、使用场景与痛点

目标用户:考虑目标是希望先对快搭工具侧使用用户有个全面、整体的认知,问卷法中D端&B端用户有访问&开通过快搭行为都算,而在深入挖掘场景与痛点时,结合问卷的反馈,D端和B端重点寻找活跃用户,并细分了用户身份类型。

这2者结合,最终梳理出快搭的用户画像维度。

Step2:确立调研方法

(1)调研方法的差异性

定量和定性是一个相对的概念,定量法着重了解“是什么”,即发现用户做了什么,挖掘事实信息。而定性方法着重了解“为什么”,即挖掘用户行为背后的原因,从而理解现象。

(2)与产品生命周期对应的调研方法

Step3:制定计划与数据收集

在明确目标与方法后,需要对整个研究进行细化,制定具体详实的执行计划并落地,把控整体节奏以收集有效的信息。

Step4:分析资料,角色聚类

第三步骤收集整理到有效信息后,需要识别关键的行为变量,将调研到的用户与行为变量进行一一对应,并识别差异化行为模式。

在寻找可能导致用户间行为差异变量时,结合以往经验,笔者总结了一下可供参考的维度。

以行为变量为依据进行用户对应时,不必追求绝对的精准,只要相对能映射清楚即可。梳理完后,观察可发现某些用户群体聚集在几个行为变量上,它们构成了一个显著的行为模式,由此聚类出某个角色类型。依此类推,可以发现几个不同的行为模式。为保证全面,映射完最好遍历一下,检查是否有用户或变量的遗漏。

以快搭为例,用户在使用智能设计工具时,行为变量可细分为:职业类型、专业技能水平、使用方式、看重因素等等,一一对应后聚类出几大类角色类型,比如其中一类追求速度,看重整体效果;另一类,重过程,讲究细节。

除了上述方法外,针对toB类的企业级产品,当用户的职能属性很强时,可以将企业职能作为划分角色类型的依据。这时,只要针对每类角色抽样出典型样本,保证完整性,进行调研即可。

Step5:综合特征,产出画像

完成角色聚类后,梳理每类角色的行为、目标、痛点等维度特征,形成画像的基本框架,并对每个角色进行属性信息、场景等详细描述,让画像更加丰满、真实。

此时需要注意:

四、用户画像框架

以快搭为例,某类角色-销售型导购画像如下:

Step6:结合产品,画像落地

用户画像只有落地,助力产品设计,才能体现其价值,否则就是空中楼阁。

总结

本文对用户画像的概念、价值和构建流程方法进行了介绍,所谓实践出真知,大家可以在日常工作中尝试实操一下。目前,酷家乐正在从0到1逐步搭建覆盖全公司、各业务线的完整用户画像,我们会在这个过程中不断探索、完善画像构建方法。

THE END
1.数据挖掘算法(AnalysisServices–数据挖掘)MicrosoftLearn为特定的业务任务选择最佳算法很有挑战性。您可以使用不同的算法来执行同样的业务任务,每个算法会生成不同的结果,而某些算法还会生成多种类型的结果。例如,您不仅可以将 Microsoft 决策数算法用于预测,而且还可以将它用作一种减少数据集的列数的方法,因为决策树能够识别出不影响最终挖掘模型的列。 https://technet.microsoft.com/zh-cn/library/ms175595(v=sql.100).aspx
2.聚类关联规则神经网络方法web数据挖掘)(5)神经网络方法 神经网络作为一种先进的人工智能技术,因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题,它的这一特点十分适合解决数据挖掘的问题。典型的神经网络模型主要分为三大类:第一类是以用于分类预测和模式识别的前馈式神经网络模型https://blog.csdn.net/lisheng19870305/article/details/107354030
3.数据挖掘的四种基本方法数据挖掘的四种基本方法 东奥美国注册管理会计师 2024-12-06 14:51:12 遗传算法 遗传算法是一种依据微生物自然选择学说与基因遗传原理的恣意优化算法,是一种仿生技能全局性提升办法。遗传算法具有的暗含并行性、便于和其他实体模型交融等特性促使它在数据发掘中被多方面运用。https://www.dongao.com/cma/zy/202406204447292.html
4.数据挖掘的几种方法有哪些帆软数字化转型知识库数据挖掘的方法包括分类、聚类、回归、关联规则、序列模式、异常检测和降维技术等。其中,分类是一种常见且重要的数据挖掘方法,通过对数据进行标记,帮助识别数据所属的类别。分类算法包括决策树、支持向量机和神经网络等。分类算法的核心在于通过训练集来生成分类模型,再用这个模型对新数据进行分类。比如在电子邮件分类中,https://www.fanruan.com/blog/article/594745/
5.数据挖掘论文在进行现代档案信息处理时,传统的档案管理方法已经不能满足其管理的要求,数据挖掘技术在这方面确有着显著的优势。首先,档案是较为重要的信息记录,甚至有些档案的重要性大到无价,因此对于此类的珍贵档案,相关的档案管理人员也是希望档案本身及其价值一直保持下去。不过越是珍贵的档案,其使用率自然也就越高,所以其安全https://www.unjs.com/lunwen/f/20220924130749_5650839.html
6.方法论电商产品结构定位中的四类产品方法论利润款前期选款对数据挖掘的要求更高,我们应该精准分析小众人群的偏好,分析出适合他们的款式、设计风格、价位区间、产品卖点等多方面因素。推广方面需要以更精准的的方式进行人群定向推广。我们在推广前同样需要少量的定向数据进行测试,或者通过预售等方式进行产品调研,以做到供应链的轻量化。https://www.iheima.com/article-71703.html
7.浅析数据挖掘技术在审计中的运用澎湃号·媒体澎湃新闻四、使用数据挖掘技术的常用方法路径 在数据库中,利用数据挖掘技术,不但可以完善、丰富数据库应用,还能为用户决策提供数据支持。常用的数据挖掘技术有:统计分析、关联分析、聚类分析、预测分析、离群点检测等。 (一)统计分析 统计分析法指通过对研究对象的规模、速度、范围、程度等数量关系的分析研究,认识和揭示事物间https://www.thepaper.cn/newsDetail_forward_15006269
8.数据挖掘提升算法AdBoost算法组合方法(集成方法) 两种不同的翻译,这种方法是聚集多个分类算法的预测来提高分类的准确率,组合方法由训练数据构建一组基分类器,然后通过对每个基分类器的预测进行投票来进行分类。 组合方法的类型: 常用的构建组合方法有以下几种类型: 通过处理训练数据集来组合方法:根据某种抽样分布对训练集进行抽样,从而得到多个训练https://www.jianshu.com/p/9e4db2759866
9.科学网—[转载]时态知识图谱补全的方法及其进展与传统的静态知识图谱相似,时态知识图谱中的知识也是不完备的,为了实现最大价值,其需要不断地消化吸收新数据,以完善知识体系。近年来,时态知识图谱补全(temporal knowledge graph completion)方法应运而生,受到了学术界的高度关注,并成为研究热点之一。这类方法基于时态知识图谱的现有四元组数据,建模预测真实存在的新四元https://blog.sciencenet.cn/blog-3472670-1296534.html
10.参考文献标注格式(附范文8篇)第四条 最相关文献通常是期刊论文、书籍和博士学位论文。会议摘要、会议论文集、个人通信和未出版的数据可以在文中以括号引用,但这些文献一般不列在文后的参考文献里,通常只能用来支持研究结果,而不应用来支持任何重要的结论,不能作为最相关或有效的文献。 https://www.yjbys.com/bylw/cankaowenxian/56967.html
11.数据挖掘的常用方法有哪些?聚类分析是把一组数据按照相似性和差异性分为几个类别,其目的是使得属于同一类别的数据间的相似性尽可能大,不同类别中的数据间的相似性尽可能小。根据定义可以把其分为四类:基于层次的聚类方法;分区聚类算法;基于密度的聚类算法;网格的聚类算法。常用的经典聚类方法有K-mean,K-medoids,ISODATA等。6https://zhidao.baidu.com/question/271591693203564485.html
12.TCP/IP协议端口大全zjproot应用层网关 (ALG) 插件可以打开端口和更改嵌入在数据包内的数据(如端口和 IP 地址)。文件传输协议 (FTP) 是唯一具有 Windows Server 2003 标准版和 Windows Server 2003 企业版附带的一个插件的网络协议。ALG FTP 插件旨在通过这些组件使用的网络地址转换 (NAT) 引擎来支持活动的 FTP 会话。ALG FTP 插件通过http://blog.chinaunix.net/uid-20482534-id-1667981.html
13.数据分析的方法有哪些优点:因子分析可以识别共同的特征并将其转换为潜在变量。通过因子分析,分析师可以更好地理解数据集中的相关性。 缺点:因子分析需要一定的主观判断来确定因子的数量和意义。此外,如果数据集中存在噪音或异常值,因子分析的结果可能不准确。 7.时间序列分析 时间序列分析是一种研究时间序列数据的方法。它可以帮助分析师了解https://www.linkflowtech.com/news/1786
14.浅析数据挖掘的四种基本方法浅析数据挖掘的四种基本方法 我们生活在大数据时代,当今的互联网已经发展到大数据时代了,如今的信息技术从数据处理向数据分析和理解的方向一直在转变,如今企业都在不断的收集各种数据,从大数据中挖掘有用的数据信息,数据挖掘出有价值的数据。现在数据挖掘技术已经成为企业不可缺少的技术,需要收集海量的数据,从海量数据中https://www.kkidc.com/about/detail/hcid/196/id/1857.html