(一)什么是用户画像
用户画像又称客户画像或用户角色，是一种勾画目标用户、联系用户诉求与产品设计方向的有效工具。单个用户画像通常代表产品的典型购买者，所描述的内容代表同类群体用户的需求。用户画像的内容一般包括:目标用户的背景信息、行为模式、动机、技能以及使用产品的场景。我们需要用浅显和贴近生活的语言将用户的属性、行为与期待联结起来。
(二)建立用户画像
用户画像可以通过多种方式来建立，主要取决于项目预算、项目类型以及设计人员能采集到的数据类型。建立用户画像的一般流程如下:
第一步，搜集用户信息。
建立用户画像是为了还原用户信息，因此数据来源于所有与用户相关的数据(可参见学习活动1中数据搜集的方法)。从属性来看，数据可以分为静态信息数据和动态信息数据两大类(如图2-6所示)。在从网络获取数据的基础上，对目标用户进行足够数量的访谈和观察也是至关重要的。
(1)静态信息数据，指用户相对稳定的信息。主要包括人口属性、商业属性等方面数据。这类信息如果有真实来源，则无须过多建模预测，只要做数据清洗工作。
(2)动态信息数据，指用户不断变化的行为信息。当用户行为集中到互联网，通过购物平台、社交媒体、广告页面等用户的接触点，用户行为的展现就会比线下更为聚焦，数据的可获得性也大大提高。
第二步，基于数据建立标签体系。
在获取数据后，通过列表整理行为变量，并按一定的逻辑层级分析用户，找到相似的行为模式的类型，给每个类型赋名，将同类别的用户对标到合适的变量区间中。简单地说，就是把用户分到什么类别里面去。这就需要我们设计相关类型、明确类型彼此之间有什么联系，也就是设计用户画像标签体系。
(1)标签体系类型。通常有两种思路设计用户画像的标签体系:一种是结构化的标签体系，这类标签可以直接从人口属性、物品信息等基本信息中直接得到，有明确的层级关系，如性别、省市、商品分类等;另一种是非结构化标签体系，各个标签各自反映各自的用户兴趣，彼此之间并无层级关系。
2)建立标签体系的要求。标签体系的建设原则，一是要便于使用，二是要区分度明显，三是要能反映用户决策的逻辑与依据。标签体系的建立包含以下几个方面:
1)标签体系的顶层设计。2)标签体系的维度系统建设。3)标签开发规范。
(3)标签体系的数据架构。标签体系需要根据业务逻辑进行架构。从数据流向和加工看，用户画像包含上下级递进关系。例如:计算客户流失系数要通过建模，基础数据是用户早期的历史行为，而用户早期的历史行为，如10天内的消费金额、消费次数、登录次数等，本身也是一个标签，它们是通过原始的明细数据获得的。一般而言，最底层是“原始数据”，用户信息、地理信息、产品信息、财务信息等;第二层是“事实标签”，如购买类型、活跃次数、购买间隔、购买类型、退换占比、购买金额等;第三层是“模型标签”，如流失预测、购买预测、兴趣偏好、行为偏好、风险预测、忠诚预测等;第四层是“策略标签”，如待挽回用户群、待发展用户群、待维护用户群等。上层数据建立在下层数据的建模分析之上，下文将具体说明。
第三步，进行数据建模。
建模方法根据业务类型、企业战略需求等因素而变化，这里以建立用户偏好模型为例。一般而言，一个事件模型包括时间、地点、人物三个要素。每一次用户行为的本质就是一次随机事件，可以详细描述为:什么用户，在什么时间，在什么地点，做了什么事。我们已经设计了系列标签，代表用户某个信息内容，另外，我们需要设计每个标签的权
重，权重代表指数，也可以理解为需求度、可信度或概率。
(1)什么用户:关键在于对用户的标识，用户标识是为了区分用户、单点定位。互联网主要的用户标识方法包括Cookie、购物平台/网站/社交媒体注册的ID、电子邮箱地址、手机号、社保号、护照号等，视企业的用户黏性，可以获取的标识信息有所差异。
(2)什么时间:时间包括两个重要信息，即时间戳和时间长度。其中，时间戳用于标
识用户行为的时间点，通常采用精度到秒的时间戳。
(3)什么地点:用户接触点(touchpoint)。每个用户接触点潜在包含两层信息，即网址和内容。网址本身表征了用户的标签偏好权重，而网址对应的内容则体现了标签信息。
1)网址:每一个URL链接(页面/屏幕)，即定位了一个互联网页面地址，或者某个产品的特定页面。可以是电脑上某电商网站的页面URL，也可以是手机上的社交媒体功能页面或某款产品应用的特定画面。
2)内容:每个URL网址(页面/屏幕)中的内容。可以是单品的相关信息，包括类别、品牌、描述、属性、网站信息等，如出现在每个互联网接触点的公司产品。
互联网上接触点的不同体现出了权重差异。例如:对于A品牌产品，直接登录公司独立站购买的客户、在亚马逊搜索A品牌进入产品页的客户，以及看到产品打折广告后点击进入的客户，对于A品牌的喜好程度和黏性不同，他们愿意为该品牌产品支付的价值也不同，因此不同网址对应的权重也不同，需要根据各自的业务需求构建权重值。
(4)什么事:即用户行为类型。用户对于电商有如下典型行为:浏览、添加购物车、搜索、、购买、点赞、收藏等。不同的行为类型，对于接触点的内容产生的标签信息具有不同的权重。例如:购买行为的权重就应当比浏览行为的权重高。
综上所述，内容决定了标签，行为类型、网址决定了权重，同时，用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子，用户画像的数据模型可以概括为下面的公式:
标签权重=衰减因子X行为权重X网址权重
例如:用户Daisy昨天在公司亚马逊店铺浏览A品牌女式夹克信息。标签:女式夹克，A品牌。
时间:因为是昨天的行为，假设衰减因子为0.95。
行为类型:浏览行为权重为0.7。地点:亚马逊店铺网址权重为0.9。
因此，权重是0.95x0.7x0.9=0.598 5。
用户偏好标签是:用户Daisy，女式夹克，A品牌，0.598 5。第四步，找到交互场景并建立用户画像。
用户画像本身是没有价值的，只有被运用在某些场景之中，其价值才会显现出来。场景(scenario)通常是描述用户通过与产品的何种交互来实现产品具体目标的一段文字。通过将用户画像(用户信息)和场景(用户与产品产生的交互行为)进行合并，能快速收集用户的核心需求，并策划营销解决方案。场景通常从目标用户的视角，来描述可能发生的用户与产品之间的交互行为。
用户画像文档通常需要包括用户姓名、用户照片(避免使用真实姓名和照片)、个人信息(如性别、年龄、地区、家庭背景)、目标和需求、痛点、行为、标志性特质等信息。
