什么是用户画像主义者的试金石？

在过去的几年里，我接触了大量咨询我们团队有关数据如何驱动业务增长的问题。我统计了一下，大部分问题集中在数据驱动决策的整体能力和如何构建用户画像系统上，特别是在流量获取成本非常高的今天，大家都在寻求如何可以把每一次获得的流量分发给最符合用户预期的产品和服务流程里。

说实话，这是一件不容易的事情。

我先假定可以稳定获得有效的流量，当然如果获得流量的技术也是你困惑的地方，我们另外找时间聊。

首先我们必须正视的一个问题是，从来没有通用的、可以复制的所谓方法论可以应用每个行业。现在有一种言论，叫增长黑客，其实是舶来品，到了国内变成一种新的成功学。

比如连今日头条的HR朋友和我说，他们从去年起都不招运营岗，改为招聘增长岗，其实我认为这是一种换汤不换药的做法。

换到10多年前，如果我是市场营销的老大，我就是直接在JD里写“做过个人站长，有从0到1000万UV获取的经验，熟悉SEO技术和网站分析，尤其了解PHP和数据库”，不就好啦？哪里会有什么“增长黑客”这种职位？

我拿光年实验室创办人张国平老师的原话来讲：

“科学的SEO”的特点就是事实求是，看数据、重技术、系统化。

不知道大家有没有发现很多的SEO方法，从来都只是告诉你要怎么去做，但是很少或者不能解释为什么要这么去做。

科学的SEO就能告诉你为什么要这么去做，而且这么做能有多大的效果。

科学的SEO，基本的思维就是一切从常识出发，从一些不需要证明的“公理”开始。用数据来一步步细化每个步骤，把影响SEO流量的因素发掘出来，再把这些因素用数据监控起来，然后通过大量的实践，来观察数据和数据之间的关联关系。

科学的SEO方法，一定会让大家一看就知道一定是对的，因为都是一些基本的事实。但是如果不看数据，就看不清楚这些事实。

重技术，就是因为一个网站和一个搜索引擎，从头到尾都涉及到大量的技术领域的知识，能多了解这些知识，就能更让你控制好后面的效果。

系统化，是因为影响SEO流量的因素非常多，而且影响强弱程度不同，系统化的思维能让你明白轻重缓急。

科学的SEO能告诉你为什么要做某个事情，而且能告诉你能有多大的效果。常见的SEO做不到这点。

科学的SEO会有大量的时间是在做数据，常见的SEO只关注几个简单的数据。

科学的SEO先从整体上把握了所有的事情，再钻到细节里去研究。而常见的SEO一开始就只关注了细节，结果整体效果不好。

重要的是常见的SEO方法到现在已经走到瓶颈了，无法继续下去。而科学的SEO就可以越走越远。

所以，任何事情，我们需要看本质，而不是被名字吓唬住，要坚持用科学的方式来做事情。

什么是科学的用户画像？

很多人认为很流行的用户画像，可以用这幅图来代表（这是某个很著名的咨询公司报价数百万元的用户画像报告之一）：

这是很多公司喜欢的，特别是PR部门喜欢在年度xxx数据报告中引用的，比如：我们的用户都是的城市高中生，价值追求自由随性、喜欢颜值高和DIY的产品和服务，喜欢学习有兴趣的事物，不懂就问等等“。

还有一种可以用最近网上流传的一个段子：

说在淘宝搜索 “连衣裙”，根据淘宝给你推荐的商品价格，即可知道你在淘宝的大数据系统中被认定为什么样的人群。而低客单价人群，通常比较难伺候。 更进一步说：“在我们电商行业，找女朋友有一条不为人知的铁律。不能找淘宝好评率低于98%，滴滴低于4.8，搜索核心词连衣裙，客单低于128的… 以上三条同时满足的人，难伺候 ”

你可以试试是否应验？

这些都偏离的用户画像的本质，成为了形式主义。

或者，就不应该去叫“用户画像”，而是就明确一下我们是在谈Persona，还是在谈Profile。

考验一个团队关于用户画像的试金石就是2个步骤：

1）你是在问Persona还是Profile？

2）如果你是在问Profile，那么是否我们可以谈谈你们的标签设计和数据仓库、纬度建模？

类似的问题，在SEO领域考验一个团队关于搜索引擎流量获取能力的试金石就是2个步骤：

1）你是在问排名，还是SEO？

2）如果你是在问SEO，那么是否我们可以谈谈你网站日志里的爬虫数据记录、以及GA里你观察到最大流量从哪些关键词而来？这些页面的转化流程如何？

至此，真伪立分。

在科学的定义范围内：一个用户的标签要么是通过业务规则去确定的，要么是通过数据去计算概率模型得出。

如果真的希望利用机器学习技术去给用户打上标签，业务同学就必须接受标签只是一个概率上的概念，比如某些特征就叫男性，比如建军这个名字有95%的可能，而晓白这个名字有45%的可能，虽然我们为了方便不得不把50%以上的一律定义为男性，但运营团队必须理解标签是需要通过实际的营销和运营工作逐步被标签规则平台系统优化和更新的。

第二个核心的问题是：Profile的存在是为了驱动业务、提升特定指标而存在，不是先做Profile系统，然后认为就可以驱动业务。而许多“用户画像‘项目大而无用就是犯了这个严重问题。

如果理解了第二个核心问题，我们需要谈谈通过Profile的规则系统，可以支持的实际运营工作有哪些：

1）精细化运营：

大部分运营团队都很熟悉这个事情，所谓精细化运营，就是在对于获得流量后的业务流程中（其实是用户生命周期中），把用户群里按照更细分（segmentation）的粒度，进行区分，通过常见的活动手段（比如满减、礼包、优惠券）等，作用于业务系统的短信、Push和邮件分发平台上，达到业务的目标（比如召回，比如转化）。

2）个性化推荐：

大部分有过千人千面的产品设计的同学应该很熟悉，比如旅游行业某OTA的同类人点评项目就是通过标签后台的实时计算，帮助进入的用户优先发现兴趣标签类似的用户点评，从而提升这个流程的CTR，直接产生更高的业务收入（当然算法需要AB测试验证）

3）数据分析：

在数据仓库和维度建模比较完善，数据埋点落实到位的情况下，Profile数据会成为数据资产的一个重要组成部分，前端可视化查询平台可以与Profile数据打通，产品和运营团队在数据分析的时候就可以看到Profile数据作为新增的维度，极大提高分析的细分程度，可以在技术条件具备的情况下，去做产品级别的工作，帮助特征不同的用户获得不同的用户体验和业务流程，提高转化率，（且通过AB测试去验证同样特征情况下的改版迭代效果）。

这样的话，Profile数据以及支撑其运作的Profile规则系统平台，就是用来赋能数据运营、AB测试和个性化推荐应用的数据产品。

这才是科学看待”用户画像“，或者说Profile规则系统价值的正确方向。

当然，如果Profile规则平台建立完成，人的业务经验和算法的学习能力如何结合，这是很有价值的话题，我们将在今后通过一些文章进行解释。

谈谈Profile、标签体系的常见问题

我曾经向北京一家估值过千亿的互联网企业团队支持过用户画像、标签体系的经验，我选了一些对方咨询我的问题如下：

* 好用的用户画像系统，应该是什么样的

* 用户画像在一个公司内应该起到什么样的作用，能区别于其它数据产品的功能

* 设置OKR的话，画像系统O和KR分别是什么

* 用户画像的维度与日常的分析之间如何相互关联和起作用的？用什么说服业务方或老板为什么会相信画像是必须的

* 用户画像多用在事后回顾分析，事前和事中有哪些好的业务场景可借鉴

* 用户画像的项目如何量化评估单个标签的有效性；尤其是当画像只是一个基础设施的情况下

* 业内做得最好的用户画像企业，有哪些好的用户画像的经验

* Persona 和 Profile 在实际实际场景中，是如何分别推动业务的发展

* 用户标签体系在业务的提升上哪些属性或维度的权重占比有多少，如何找到完整找到数据模型去支撑我业务的优化评估。

* 用户使用画像标签的时候，如何能让不是特别熟悉业务的同事也知道如何快速上手运用；如何保证用户体验；

你是否也遇到了类似的困惑和问题呢？