有同學問：陳老師，我上司讓我做使用者畫像分析，可是我做了一大堆資料，卻被批：也沒分析什麼東西啊？該咋辦？今天系統解答一下。
使用者畫像分析的錯誤姿勢
1.限于資料，動不敢動。
一提使用者畫像，很多人腦海裡立刻蹦出了性别，年齡，地域，愛好等基礎資訊字段，然後大呼：
我們好像沒這個資料，于是放棄分析了。可實際想想，
知道男性占比真的有那麼大意義？
知道男性占比
65%還是60%真的對業務有幫助？不一定的，貼使用者标簽有很多方式，不要限于一些難采集的基礎資訊。
2.羅列資料，沒有思路。
很多人一聽到使用者畫像分析，本能的就開始把資料庫裡的使用者标簽往外搬，在報告裡碼上：
- 男女比例3:2
- 20-25歲占比40%
- 30%的人在最近一周内登入
- 70%的人沒有二次購買
……
至于擺完這些資料幹什麼，完全沒有考慮過。這種分析結果，當然讓人看完一頭霧水。迷茫的發問：“是以呢？又怎樣呢？”
3.無限拆分，沒有邏輯。很多人一聽到類似“流失使用者畫像分析”一類相對具體的分析題目，就開始無限拆解資料。分性别，年齡，地域，裝置，注冊時間，來源管道，購買金額……拆了幾十個次元看流失率。最後，隻看到有的次元差5%，有的差10%，當然沒有最後結論啦，越看越糊塗。
以上問題，都是太過糾結于使用者畫像四個字，忽視了分析兩個字導緻的。使用者畫像作為一個基礎資料體系，本身并沒有分析功能。單純的羅列使用者标簽或者拆解使用者名額，也起不到分析作用。像利用好使用者畫像，還得按分析套路一步步來。
第一步：轉化商業問題
使用者畫像分析，本質上是從使用者的角度思考問題。舉個簡單的例子，比如新上市産品銷售未達預期，我們既可以從産品管理的角度來思考問題，也能從使用者角度來思考問題。同樣一個問題，會有兩種思考方式（如下圖所示）：
是以，簡單的列出一堆使用者名額（性别，年齡，地域，購買産品，登入次數……）是沒啥用處的。使用者畫像隻是分析的一個工具，和其他分析一樣，也要先考慮：
我要解決的
實際問題到底是什麼
。想清楚了，再把問題轉化成使用者相關的問題，就能繼續使用使用者畫像分析方法了。
需要注意的是，商業問題是很複雜的。往往一個問題，可能與若幹使用者群體、若幹使用者行為有關。比如上邊的例子，就至少和三個使用者群體（潛在使用者、流失使用者、存量使用者）涉及到使用者态度、資訊接收、購買流程、使用體驗等多方面。是以更得
分門别類，把分析線索和分析邏輯理清楚
，找到對應的資料。不然一鍋炖，光列性别，年齡，地域，也解釋不了任何問題。這就涉及下兩部工作。
第二步：宏觀假設驗證
轉化完問題後，先宏觀上對假設進行檢驗非常重要，能有效避免無限拆解的錯誤。如果大方向都不成立，細節更不用看了。還是新産品賣不動的問題，如果要從大方向驗證，可以簡單如下進行：
- 如果懷疑大環境不好，那應該全品類受影響。
- 如果懷疑競品競争力強，那應該競品直接影響到我們産品
- 如果懷疑運作太差，那本次商品轉化漏鬥上勢必有一環掉鍊子
- 如果以上有假設驗證，可以進一步深入分析
- 如果以上假設都不成立，可能還需要新假設
總之，先進行大方向檢驗，可以有效縮小懷疑範圍。懷疑範圍越小，後續對使用者分析可以越精确。同時，當資料不足的時候，懷疑範圍越小，越能夠集中力量收集資料，改善資料品質，做出有精度的分析。使用者的分類次元可以有幾百個之多，如果不加篩選的做拆解對比，很有可能在數十個次元上都有差異，最後完全讀不懂資料。在拆解以前聚焦假設，非常重要。
第三步：建構分析邏輯
宏觀驗證以後，可以基于已驗證的結論，建構更細緻的分析邏輯。在這個階段，實際上已經把原本宏大的問題，聚焦為一個個小問題，比如：
舉一個具體場景：
已驗證：我們卻受競品影響
- 子問題1：目标使用者的需求是什麼？
- 子問題2：目标使用者對競品體驗如何？哪些需求點最被觸動？
- 子問題3：目标使用者對本品體驗如何？哪些差距是緻命傷？
- 子問題4：競品/本品在硬功能，軟宣傳上差距如何？
這四個子問題，都可以通過對使用者需求與行為的深入挖掘得到答案，下一步可以繼續深入了。須注意的是，這一部分的分析需要大量使用者态度、潛在使用者、競品使用者的研究，單靠内部資料不能完成，必須通過
外部調研
。
再看另一個場景：
已驗證：本次新品上市操盤卻有問題
- 子問題1：問題出在預熱、釋出、上市、推廣哪個階段
- 子問題2：上市階段大量使用者未能響應，廣告投放出了什麼問題
- 子問題3：推廣階段銷量未能引爆，為啥沒有激發核心使用者需求
- ……（可進一步問太多，簡單舉例如上）
這些問題，可以分兩方面解決
一方面，通過對不同類型使用者對比，如
- 核心/普通
- 購買/未購
- 觸達/未觸達
使用者進行對比，找到投放、獎勵活動、購買品類、金額等細節上差異，進而調整投放、營銷、産品補貨等業務。
另一方面，通過對核心使用者畫像，讓業務更看清楚，真正愛買的人
- 來自哪個管道
- 通過什麼主題
- 需要什麼樣優惠
- 在什麼時機下單
讓業務更多的去抓這些核心使用者，而且改善後續表現。
需要注意的是，這一部分使用者來源、資訊投放響應，購買行為，主題閱讀，完全可以通過内部系統記錄。
即使不知道他是男是女，我們也能通過投廣告，發内容，做優惠吸引到他們
。
第四步：擷取使用者資料
在上一步我們已經看到，使用者畫像分析如果真的想深入使用者，就得依賴多種資料來源。很有可能是内外部資料雙管齊下的。考慮到内部資料可能采集不全，外部資料存在抽樣誤差問題，在使用資料上就得有取舍，有重點。這也是為啥前邊一直強調逐漸驗證，縮小假設的原因。聚焦了才好采集資料。
一般來說，
- 越是偏态度、體驗、情感類問題，越傾向于用調研的方法
- 越是偏行為、消費、互動類問題，越傾向于内部的資料分析
- 如果想了解競品，就拉競品使用者調研，或針對競品網店爬蟲
在傳統意義上，做市場調研和做資料分析的，都有各自使用者畫像的定義、做法、輸出産物。站在實際對企業有用的角度，當然是越多越好。不過，随着爬蟲，
NLP，埋點越做越深入，在有技術支援的情況下，這些年對系統采集資料的利用度是越來越高的。是以在有條件的情況下，還是盡量推動内部資料豐富。不然事事依賴調研，資料沒有積累，以後也難做。
第五步：
歸納分析結論
如果以上幾步做好了，在最後推分析結論就是水到渠成的事，完全不費力氣。實際上，使用者畫像分析最大的問題都是出在前五步的。缺少假設方向，缺少資料準備，缺少分析邏輯，單純羅列資料，無限制拆解，到最後自然面對一堆零碎的資料糾結：“男女比例
3:2又怎樣呢？？？”
當然使用者畫像有其他很多用處，比如支援新品開發，支援推薦系統，支援自動營銷系統，支援投放系統等等，作分析隻是它一小塊作用。是以想做好分析，還是要多學習分析方法，操練分析邏輯哦。
不考慮具體問題場景，單純的問：一般的使用者畫像怎麼做。得到的也是來自算法、調研、數倉、分析各個崗位千奇百怪的回答，自然沒有分析思路了