一、什么是用户画像？为何要做用户画像？

在进腾讯前，听说互联网产品都喜欢做用户画像调研，但成功应用没几个。进公司后看了几份用户画像报告，基本点面都覆盖了，数据和分析也没什么偏差，但不知道解决哪些问题。所以这里我先探讨两个问题，什么是用户画像，为何要做用户画像。

刚入调研的行业时候，觉得调研是无所不能，后来觉得调研无所能。其实关键是我们想清楚两个问题：一是我们解决什么问题，二是用户能回答哪些问题。

自从进了腾讯，才大概了解到一个产品工作流程：

商业分析->产品交互DEMO->供应商BD->产品设计->前后台开发->市场推广->用户运营->售后客服->商业分析（重头开始，迭代2）

可以看到，我们常面对三类问题：产品设计、市场和技术。针对这三类问题，用户能回答哪些？答案是显然的：

回到刚才第一个问题，什么是用户画像？这个是什么不重要，重要的是我们要解决什么问题。一般而言，用户画像是解决市场推广问题，较少解决产品设计问题的调研报告。

二、做用户画像的前提条件：其实我们早已有解决方案！

作为一个用研同事，我们经常面对两个问题：一是调研报告出来后就凉在那里，似乎没起什么作用；二是产品同事经常报怨，不知道用户有哪些需求，如何解决目前困难。

如前面谈及，用户研究不是无所不能，它仅是提高产品/市场工作效率的工具之一，但不能代替各同事专业技能。或许有人说，这是你们用研没有做好做得深入，没有突破。

实际上，让用研同事入门产品设计或品牌推广专业技能，大概需要半年时间访谈节目策划方案，然后才能提出一些专业解决方案。但没人等得起半年，最多等2周，所以调研报告解决不了产品经理的问题。

后来，作为用研，我调入到产品组，再后来调入品牌组，每个组呆了半年，自己切入产品设计和品牌推广具体工作，才知道大概需要是哪些东西，如何解决。

但假如大家没有这个条件，可让产品经理先说说潜在几个解决方案，然后每个方案需要获取哪些数据来验证是否可行。这样用研项目才会有价值。用户研究再深，也不能代替设计师的活，画出蒙罗丽莎。

三、我们为何要做用户画像？

在品牌组常被问到一个问题：用户具有哪些特征，他们喜欢什么东西？当这个问题经常被提问，就有觉得有解决的必要，其实不是，是我们看到这个答案如何应用：

我们希望根据用户心理诉求，策划一些有共鸣的话题/活动，以便SNS传播分享。我们希望根据用户品牌喜好，寻找一些异业品牌、娱乐节目、明星偶像合作，用曝光资源换取优质品牌合作，提升会员的美誉度。我们希望根据用户生活形态，在线下渠道/商家推广会员品牌，投放更加精准。

从上述可以看到，我们回答“用户喜欢什么东西”是有应用价值，因此我们清楚我们需要收集哪些数据，调研哪些问题。

四、真实世界与用户画像的距离

(1）问卷调查法

传统用户画像调研，基本都是通过用户访谈+问卷调查完成。在报告综述的时候，基本都是采取调查数据来总结归纳。但后来我们多少发现，无论我们问了多少个问题，用户画像还是不清晰的。

例如，QQ会员用户喜欢看电影，比非QQ会员用户高出10%，但我们不能以是否喜欢看电影作为QQ会员用户核心特征。因为在看电影这件事情上，也有很多非QQ会员也喜欢。

如此情况经常发生，是否喜欢逛街、购物、旅游、看书、听音乐、玩游戏等等，您会发现我们很难用几百个问卷调查指标来将QQ会员用户生活形态描绘出来，因为95%指标都缺乏显性差异。这就是现实世界：mess。假如用户问卷调查数据描绘一群人的生活形态，就像下图的感觉，模糊大概知道是两个人，但有点看不清。

若回想为何看不清用户形态，总结原因有两个：

①笔触太粗：即我们提问指标不够多，问卷调查一般可覆盖用户生活形态的100个指标，但在这100个指标中找出有效指标，估计不到10个。

②颜色太少：很多时候我们仅能问用户是否喜欢某件事情（2选项），或根据“非常喜欢”、“喜欢”、”一般“、”不喜欢“、”非常不喜欢“（5选项），甚至评分制（10选项），用户根据自己感知打分，敏感度还是有限的。一般情况下，像评分制，用户根据自己感觉打分，一般仅能区分5-6级别差异。但现实世界是，在一件事情态度上，可以有几千种态度差异，后面会讲述。

（2）外部调查数据与内部后台数据结合法

后来我们尝试将用户后台数据全部提取，大约有300-500个指标。但受信息安全限制，我们仅能拿到自己和合作部门数据，而电商数据、豆瓣阅读喜欢的数据，基本都是缺乏的。

不过有了后台数据，用户画像是稍微清晰点。这里清晰并不单是数据指标多，而是纬度更多。因为这300个指标中，经过因子分析，我们发现用户尽在10个纬度上是有差异。意思是说，这300个指标可整合为10个指标，来描述用户差异，其余大部分指标都是基于这10个指标演变而成。下面可以概括有哪些指标：

经过更多纬度，我们可将用户画像描写得更细，如下图。现在大家还是猜得他们是谁？相信很多人会猜到是一个成年男人和小孩，但不太确定他们特质。这就是将外部调研数据和内部后台数据结合输出的用户画像报告。

（3）文本挖掘法

经过后台数据补充，我们可以发现更多有区隔性的特征指标，但用户内心诉求还是不太清楚。在这个时候，我们跟微趋势团队探讨如何利用文本挖掘技术，来还原用户画像。

抽象地理解，我们想让每个点不仅是黑白两个颜色，而是有6万4千多个的真彩色。转换成操作方法，就是在一个事情态度上，我们不希望仅检测用户用户是否喜欢，而是检测到他喜欢哪些东西。但这里有几个挑战点：

于是，我整理了两个样本，分别是100w会员用户和100w非会员用户，提取最近一个月在腾讯微博所发布文本内容，用微趋势系统做文本挖掘，看看用户常提及那些词。

操作流程是顺利的，但微博文本中存在大量广告杂质，几乎占据整体数据量50%。即使经过数据筛选清洗，用户高频次的词往往集中在两块：

生活用词：如知道,没有,可以,喜欢,开心,幸福,流泪,需要,觉得,希望等。这些词是日常用，故提及率很高访谈节目策划方案，但缺乏具体的含义。

最近流行词（又称新词）：如特么,光棍节,牛逼,期中考试,黄钻,年费,呃呃呃呃呃,微博,坑爹,洗个澡。这些新词是基于对比原有词库，机器发现最近出现很多，但受节假日、活动运营、广告等因素严重影响，并非用户原始想法，故有效性也很低。

看来，在无限定主题情况下，用机器挖掘高频次热词来归纳用户特征是困难，微趋势文本挖掘技术更适合在特定关键词下一级关联分析，如QQ会员用户经常提及斗战神，微趋势可以分析用户在提及斗战神时候，关联提及哪些热词，那么我们就知道他们对斗战神的想法是什么。这非常适合做专题分析和传播。

（4）热词反查法

假如在没主题或关键字限制情况下，机器挖热词是困难的，那么我们能否反过来，拿我们想测试热词列表，反过来计算每个词被提及的频次？于是，我们根据百度风云榜（）整理一份热词表，共有2300个当下热词，来分析用户提及哪些词语/事物更多，以此作为用户画像标签。

我们计算会员用户不同年龄的提及热词的差异，找出不同年龄会员用户关注哪些类目（如科幻片、喜剧片、剧情片），还算出不同年龄用户分别喜欢看哪些不同的科幻片（如13-15岁喜欢看雷神2，23-29岁喜欢看速度与激情）。通过这次用户喜好数据，我们就得出QQ会员用户画像及心理诉求。

到此，我们可以看到在某一个纬度上面，用户有千万种态度。用户画像也更加colorful和清晰。好吧，看得出是林志颖和kimi：）

回顾我们日常语言内容，会受到两个因素影响：

①社会流行：如最近流行电影、电视剧、段子、口头禅、网络新词等等。这些语言不管什么人都喜欢使用，成了社会流行。所以，我们日常生活中会提及很多社会流行事物。这些词语的特点是提及率高，用户间无差异。

②个人因素：70后和90后的说话词语是不一样，这是受年龄因素影响；屌丝和白富美说话内容是不一样，这是受经济因素影响。所以，我们可根据

来源【写作训练营】自媒体，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！