用户画像，又称人群画像，是根据客户人口统计学信息，社交关系，偏好习惯和消费行为等信息而抽象出来的标签化画像。
构建客户画像的核心工作即是给客户贴“标签”（犹如娱乐圈中明星的立人设）
标签由两部分组成：
1、根据客户的行为数据直接得到的
比如：用户在网站或者APP上主动填写的数据，严格一些平台会要求客户上传身份证、学生证、驾驶证等，这样的数据准确性较高。
2、通过一系列算法或规则挖掘得到
比如：一个用户最近开始购买母婴类商品，奶粉尿布等，那么可以根据客户购买的频次和数量，结合客户的年龄、性别推断是否为新妈妈/爸爸。
用户画像其实就是希望通过某些手段对用户做甄别，把他们分成彼此相同或不同的人群或个体，进而区别化提供服务进行观察分析。
用户画像的价值
1、精准营销
精准营销是用户画像或者标签最直接和有价值的应用。这部分也是广告部门最注重的工作内容。当我们给各个用户打上各种“标签”之后，广告主（店铺、商家）就可以通过标签圈定他们想要的客户，进行精准的广告投放。
2、助力产品
一个产品想要得到广泛的应用，受众分析必不可少。产品经理需要懂用户，所以用户画像能帮助产品经理透过客户行为表象看到客户深层的动机和心理。
3、行业报告
通过对客户画像的分析可以了解行业动态，比如90后人群的消费偏好趋势分析、高端客户青睐品牌分析、不同地域品类消费差异分析等等。
讲了这么多“干货”大家是不是有点蒙圈了呢...下面我们看个简单的案例来帮助大家更好地理解。
场景案例
现有一份200多用户对十部电影的豆瓣评分数据，我们根据这些数据来刻画几组用户画像。
十部电影分别如下：
动作类：谍影重重5、湄公河行动、血战钢锯岭、伦敦沦陷；
青春爱情类：北京遇上西雅图、七月与安生、六弄咖啡馆；
动画类：疯狂动物城、功夫熊猫3、大鱼海棠。
下面就开始进行用户细分及刻画：
1、用户细分
（评分大于等于7定义为“喜爱此类电影”）
三种类型观众在数量上相差不多，说明人的品位爱好各不相同，比较平均。
2、对比刻画动作片与爱情片用户画像
（1）性别比例
跟预想一样，果然喜欢青春爱情片女生偏多，女生感情比较细腻，多愁善感，如《情遇曼哈顿》上映时可以精准地推荐给这类女生；动作片确实是男生占多数，男生喜欢动作、场面效果炫酷的电影，能够激起他们的“英雄情怀”，如《雷神3》上映时可以推荐~
（2）是否单身
各位单身朋友们，是不是男人看了会沉默，女人看了会流泪啊！结合上面的数据，我们是不是可以在对单身男青年们推荐时文案可以写上“多去看几部爱情片啊，说不定就会遇见你的未来女友”之类的话。
（3）社交偏好
这里用对电影的评论数量来划分偏好程度的，大于等于25条评论都属于偏好社交，对于这部分人可以进行重点营销，他们可以为电影带来二次推广的效果。
（4）品牌偏好
苹果虽贵但还是受到大部分人的认可，我们对于使用苹果的用户是不是可以大胆推测他们具有一定的消费能力，可以推荐一些高档影院或者3D巨幕电影。
（5）岗位分布
在女生偏多的喜爱爱情片的人中果然也是护士、老师等女性职业偏多；反观男生偏多的喜爱动作片人群里IT、工程师等占到大部分，但是最明显的还是学生党队伍，学生还是空余时间较多，所以电影宣传人员可以多在各大高校进行推广，召开见面会等。
（6）地域分布
可以看出一些大城市的人们在忙碌的工作之余都喜欢用看电影来放松心情，娱乐一下，电影方工作人员是不是可以在大城市多排一些片场，来促进票房增长。
从上面简单的案例我们就可以看出用户画像使产品的服务对象更加聚焦，更加专注，能更好的满足客户的需求，实现精准营销，并提升公司的经营效益。
以上工具为：bdp个人版；
构建客户画像的核心工作即是给客户贴“标签”（犹如娱乐圈中明星的立人设）
标签由两部分组成：
1、根据客户的行为数据直接得到的
比如：用户在网站或者APP上主动填写的数据，严格一些平台会要求客户上传身份证、学生证、驾驶证等，这样的数据准确性较高。
2、通过一系列算法或规则挖掘得到
比如：一个用户最近开始购买母婴类商品，奶粉尿布等，那么可以根据客户购买的频次和数量，结合客户的年龄、性别推断是否为新妈妈/爸爸。
用户画像其实就是希望通过某些手段对用户做甄别，把他们分成彼此相同或不同的人群或个体，进而区别化提供服务进行观察分析。
用户画像的价值
1、精准营销
精准营销是用户画像或者标签最直接和有价值的应用。这部分也是广告部门最注重的工作内容。当我们给各个用户打上各种“标签”之后，广告主（店铺、商家）就可以通过标签圈定他们想要的客户，进行精准的广告投放。
2、助力产品
一个产品想要得到广泛的应用，受众分析必不可少。产品经理需要懂用户，所以用户画像能帮助产品经理透过客户行为表象看到客户深层的动机和心理。
3、行业报告
通过对客户画像的分析可以了解行业动态，比如90后人群的消费偏好趋势分析、高端客户青睐品牌分析、不同地域品类消费差异分析等等。
讲了这么多“干货”大家是不是有点蒙圈了呢...下面我们看个简单的案例来帮助大家更好地理解。
场景案例
现有一份200多用户对十部电影的豆瓣评分数据，我们根据这些数据来刻画几组用户画像。
十部电影分别如下：
动作类：谍影重重5、湄公河行动、血战钢锯岭、伦敦沦陷；
青春爱情类：北京遇上西雅图、七月与安生、六弄咖啡馆；
动画类：疯狂动物城、功夫熊猫3、大鱼海棠。
下面就开始进行用户细分及刻画：
1、用户细分
（评分大于等于7定义为“喜爱此类电影”）
三种类型观众在数量上相差不多，说明人的品位爱好各不相同，比较平均。
2、对比刻画动作片与爱情片用户画像
（1）性别比例
跟预想一样，果然喜欢青春爱情片女生偏多，女生感情比较细腻，多愁善感，如《情遇曼哈顿》上映时可以精准地推荐给这类女生；动作片确实是男生占多数，男生喜欢动作、场面效果炫酷的电影，能够激起他们的“英雄情怀”，如《雷神3》上映时可以推荐~
（2）是否单身
各位单身朋友们，是不是男人看了会沉默，女人看了会流泪啊！结合上面的数据，我们是不是可以在对单身男青年们推荐时文案可以写上“多去看几部爱情片啊，说不定就会遇见你的未来女友”之类的话。
（3）社交偏好
这里用对电影的评论数量来划分偏好程度的，大于等于25条评论都属于偏好社交，对于这部分人可以进行重点营销，他们可以为电影带来二次推广的效果。
（4）品牌偏好
苹果虽贵但还是受到大部分人的认可，我们对于使用苹果的用户是不是可以大胆推测他们具有一定的消费能力，可以推荐一些高档影院或者3D巨幕电影。
（5）岗位分布
在女生偏多的喜爱爱情片的人中果然也是护士、老师等女性职业偏多；反观男生偏多的喜爱动作片人群里IT、工程师等占到大部分，但是最明显的还是学生党队伍，学生还是空余时间较多，所以电影宣传人员可以多在各大高校进行推广，召开见面会等。
（6）地域分布
可以看出一些大城市的人们在忙碌的工作之余都喜欢用看电影来放松心情，娱乐一下，电影方工作人员是不是可以在大城市多排一些片场，来促进票房增长。
从上面简单的案例我们就可以看出用户画像使产品的服务对象更加聚焦，更加专注，能更好的满足客户的需求，实现精准营销，并提升公司的经营效益。
以上工具为：bdp个人版；
