用户画像概念溯源与应用场景研究

2017-11-01亓丛，吴俊

重庆交通大学学报（社会科学版） 2017年5期

关键词：画像特征用户

亓丛，吴俊

(北京邮电大学经济管理学院，北京 100876)

用户画像概念溯源与应用场景研究

亓丛，吴俊

(北京邮电大学经济管理学院，北京 100876)

大数据时代，基于海量数据的“用户画像”正引起理论界与实业界的众多关注。基于文献回顾，总结用户画像的概念内涵及四类画像视角，阐述常用的画像方法、工具，以典型互联网企业用户画像实践为背景，比较互联网领域用户画像的主要应用场景、常用画像方法和潜在价值。

用户画像；概念溯源；画像视角；应用场景

一、引言

随着智能终端和移动互联网应用的快速普及，用户的数字化进程正趋加速，体现在用户的个人属性和上网行为特征可以通过智能终端采集转变为数据，企业通过分析数据可以揭示用户的行为动因，并预测未来行为趋势。尽管如此，表征用户特征的数据体量日益增多，数据种类更加繁杂，数据更新更趋快速。如何从这些海量增长、异构多源和实时高频的数据中攫取有价值的信息，进而洞察用户的所思所想，成为大数据时代众多企业亟待解决的重要问题。在此背景下，用户画像(user profile或persona)方法及其应用近年来备受关注。无论是Google趋势还是百度指数，以“用户画像”为关键词都呈现出搜索量显著上升的态势。

与实业界高度关注用户画像形成反差的是，国内学术界对用户画像的研究还欠系统和深入。本文通过文献梳理和企业用户画像实践比较，拟总结用户画像概念内涵的演变历程，梳理用户画像的四类画像视角及常见方法，比较企业的画像应用场景及成效，提出用户画像研究框架。

二、用户画像的内涵及特点

通过对国外英文文献的检索，发现用户画像这一概念最早源于交互设计/产品设计领域。交互设计之父Alan Cooper较早提出了用户画像(persona)的概念，并指出用户画像是真实用户的虚拟代表，是建立在真实数据之上的目标用户模型[1]。在交互设计/产品设计领域，通常将用户画像界定为针对产品/服务目标群体真实特征的勾勒，是一种勾画目标客户、联系客户诉求与设计方向的有效工具[2]，借助用户画像手段，设计师将头脑中的主观想象具化为目标用户的轮廓特征，进而构造出设计原型或产品原型。近年来，随着互联网行业的蓬勃发展，为解决产品运营中的用户定位不精准、用户运营中的个性化服务不足问题，将用户画像引入用户行为分析，通过对用户打标签、建立数据模型来解读“全样本”用户的行为特征开始成为互联网产品设计及运营的趋势。具体而言，在互联网用户行为分析领域，用户画像被概述为用户信息标签化，通过收集与分析用户的社会属性、生活习惯、消费行为等数据，抽象出一个虚拟用户的特征全貌[3]，不仅帮助企业全方位、多视角地了解用户行为特征，把握用户行为动向[4]，还可以帮助企业针对细分用户开展产品个性化精准设计、定制、营销和服务。

从交互设计/产品设计转向用户行为分析，用户画像的内涵及外延一直在动态变化中。在互联网应用领域，用户画像主要指以真实用户群体为对象，以用户的静态属性(人口统计特征、空间和地理特征等)和动态属性(消费行为、使用行为等)数据为基础，通过定性或定量方法提炼抽象出的具有显著特征的用户模型。

用户画像的内涵具有以下几个特点：首先，用户画像是真实用户的虚拟代表。用户画像对象不是单个用户，而是特定用户群体。具有相似文化、经济、教育等背景的用户群在使用产品/服务时呈现出相似的共同特征，这就构成了用户画像的基础。用户画像的目的是通过对特定行为群体特征的总结和提炼，为产品/服务个性化设计、营销提供量化支撑[5]。因此，用户画像对目标用户群体边界界定越明确，画像结果越有针对性。其次，用户画像结果是有显著特征的用户模型。用户画像关注的是“典型用户”，不是“平均用户”，其有效性体现在对目标用户群体的静态和动态属性特征的提炼与总结。用户画像提炼的群体用户特征具有明显区隔性和对象针对性，可以更精准地识别特定用户的动机及行为偏好，进而为新产品设计、已有产品改进指明方向。最后，用户画像强调以用户为中心，以用户需求为指引。互联网时代，产品和服务的价值体现在用户的高频使用中，需要根据用户使用产品/服务的场景分析用户的需求，来设计或改进产品/服务。用户画像就是要通过定性定量手段将用户需求“聚焦”——标签化，这些标签以可视化的形式描述了用户的目标、动机，以及与现有或待开发产品之间的联系和使用场景。

三、用户画像视角

鉴于用户画像的领域不同，画像的思路和方法有所差别。通过检索并梳理相关领域的国内外文献，典型的用户画像思路可以归结为四类画像视角，分别是：基于虚构的视角(Norman，2004)，基于目标导向的视角(Alan Cooper，1999 & 2007)，基于角色的视角(Jonathan Grudin；Pruit and Adlin，2006)以及基于参与的视角(Andersen，2007)。

基于虚构视角(fiction-based perspective)的用户画像多出现于产品交互设计的早期，借助于设计者的直觉和想象力，构造虚拟的用户形象及其需求特性，以此作为整个设计团队对用户、用户目标和行为动机建立共识的基础。不同于数据驱动的用户画像，虚构视角的用户画像主要建立在设计者的主观假设上，因此，画像结果在很大程度上取决于设计者对目标用户群的直觉判断。Pantzar曾指出，设计者基于虚构视角对用户画像在设计时有可能会有自我欺骗的倾向[6]。

基于目标导向视角(goal-directed perspective)的用户画像强调围绕用户使用产品/服务的目的(如使用产品的动机、产品功能需求等)来刻画用户原型(user archetype)，在这种“产品导向”的画像思路指引下，用户画像的目的是更好地了解特定用户群体的产品使用偏好和功能需求。目标导向的用户画像基于用户数据而驱动，因此画像前的数据采集很重要，需要根据用户使用的产品/服务，采集描述用户使用动机和使用行为的数据，进而提炼符合特定目标的典型用户特征[7]。

基于角色视角(role-based perspective)的用户画像与前两类视角相比，更注重以用户为中心，将不同用户群体划分为不同类型角色，根据每类角色用户使用产品/服务时的场景和消费行为特征数据，通过定性和定量的数据分析来帮助设计者确定角色类型(如典型用户、次要用户、非目标用户等)。Pruit认为设计角色应该遵从与人类的出生和生长相似的5个阶段：计划、构思与孕育、诞生与成熟、成年、终生成就与退休，以此形成角色的构建，最终对其作用进行评估[8]；基于角色视角的用户画像结果能够更好地站在用户维度而非产品维度来描述用户的需求。

基于参与视角(engaging perspective)的用户画像相对于角色视角的用户画像又更进了一步，除了描绘目标用户群体的产品使用场景和使用行为，还要刻画典型用户的心理特征(对产品的偏好)与社交特征(与其他用户的互动关系)等，以此完成的画像结果更生动、更真实、更形象。参与视角的用户画像更多是站在用户而非设计人员的角度来构造，一方面画像人员事先规划好画像的维度及数据要求，另一方面采集目标用户群的相关数据(特别是行为数据)来量化支撑画像结果的有效性。因此，参与视角的用户画像是画像人员自主想象力与用户数据共同驱动的结果。

通过上述分析可以看到，用户画像不是静态的快照式描绘，而是从个体到群体、从具体到抽象、从宽泛到聚焦的一个动态过程。用户画像的四种视角体现的是画像思路从以产品为中心到以用户为中心的转变，画像范围从单一的用户自身特征向用户所处场景、心理动机和使用行为特征的延展，画像手段从纯主观想象到用户数据驱动相结合的演变。

四、用户画像方法与应用领域

(一)用户画像常用方法与工具

用户画像视角不同，采用的画像方法也有所差异，尤其是建立在纯主观设想上的虚构视角的用户画像与数据驱动目标导向视角、角色视角、参与视角的三种用户画像在方法上差别较大。

基于虚构视角的用户画像主要采用虚拟故事构建法，通过画像人员的主观想象力，对人物特征、背景、需求和时间进行假设，之后根据一个或多个片段构造故事情节，根据情节完成画像。虚拟情节构建法应用的关键是通过构建的要素来搭建情节框架，以Nielsen[9]的关于用户画像的介绍为基础总结了适合此方法常用的构建要素，包含七个要素：角色、时间、背景、剧情、片段、情节和梗概。其中角色是指画像对象和其他相关对象，时间是指故事发生的开始、中间和结束时间，背景是对人物特性、位置、需求和时间的描述，剧情是指角色要解决的问题、设立的目标、达到目标的方法，片段包括故事的开始、目标、事件及发展，情节是对片段的衔接和顺序，梗概指故事开始—过程—结尾。虚拟故事构建法的用户画像主要适用于产品用户定位较朦胧的初始设计阶段。

采用数据驱动的目标导向视角、角色视角和参与视角的用户画像，虽然画像思路各有侧重，但都注重采集用户数据来支撑画像结果。在实施步骤上，基于目标导向的用户画像将用户目标和使用场景相结合，Lene Nielsen提出的“十步人物角色法”是代表。该方法将画像过程分解为十个步骤，分别是：发现目标、建立假设、调研、发现共同模式、构建虚拟角色、定义场景、校验与认同、分析角色、创建场景和持续发展[10]。此外，沿袭角色视角的画像思路，Cooper提出了“七步人物角色法”，分别是：发现并确认模型因子、将访谈主体映射至行为变量、识别行为模式、综合特征和相关目标、检查完整性、展开叙述和指定角色类型。在角色画像过程中，辅以关键词法、列表法和卡片法等定性手段对角色进行描述，丰富用户画像结果[11]。

基于参与视角的用户画像中常用的方法是数据—用户标签映射法，这也是目前互联网业界较为流行的用户画像方法之一。数据—用户标签映射法是典型的数据驱动用户画像，首先采集用户的静态属性(人口特征、账号特征、位置特征等)数据和动态属性(行为特征、心理偏好特征、社交特征等)数据，然后通过一定算法(分类、聚类等)将其转换为用户的标签信息，进一步应用数据可视化技术，并发挥画像人员一定的想象力，最终完成画像结果，相应构建步骤见图1。数据—用户标签映射法的优点是以海量的用户真实数据为基础，以大数据分析和可视化技术为手段，画像效率较高，结果更具说服力，深受互联网产品经理和用户体验师的青睐。

图1 基于参与视角的用户画像构建方法示意

数据—用户标签映射法为代表的用户画像方法的流行也催动百度、友盟+等互联网企业开发画像工具的功能。以百度指数为例，除了可以分析关键词搜索趋势、洞悉用户爱好和需求、监测舆情发展方向，还拓展有人群画像功能，可以分析地域分布和人群属性[12]。由友盟+公司开发的面向网站和APP精细化运营的自助分析工具U-Dplus也专门设置有人群分析功能，可以完成特定人群的基础画像、消费画像和行为偏好画像[13]。需要指出的是，这些用户画像功能更多是在原有数据分析基础上的延伸，而非针对用户画像的特有视角和方法研发设计的产物。因此，数据—用户标签映射法现阶段在实际应用中仍十分依赖画像人员的自身经验、对多种数据分析方法和可视化技术的综合应用。

(二)用户画像应用场景与潜在价值

当前，用户画像方法在互联网行业的产品运营和用户体验设计领域广为应用，为总结用户画像典型应用场景和潜在价值，通过采集国内的腾讯、京东两家企业以及国外的亚马逊、eBay两家企业的用户画像实践案例，分别从应用场景、画像方法和潜在价值三个方面对国内外代表性企业用户画像的动机及应用成效进行比较。

首先，四家企业均十分重视用户画像在产品运营和用户运营领域的应用，从典型应用场景看，产品运营方面以产品的精准营销为主线，涵盖产品推广、个性化信息推送以及营销渠道的分析等细分环节；用户运营方面以用户群的精准定位为重点，涉及特定用户群体的识别与发现，行为偏好刻画等。用户画像已与企业的业务紧密衔接在一起，这与互联网企业以用户为中心，注重用户体验的管理理念密不可分。其次，四家企业均有海量的用户规模，相应的，用户画像方法多选择数据标签映射法，可以充分发挥其海量数据分析技术优势，通过数据驱动完成特定用户群体的画像。需要指出的是，腾讯的应用案例也有部分源于用户体验中心，在用户体验设计中，应用定性画像法来描绘不同用户角色的心理特征和情感偏好。再次，用户画像的应用有效解决了这些企业存在的痛点问题。站在产品全生命周期的视角，对于互联网企业而言，如何识别不同用户群的需求来研发设计产品，如何根据不同用户的偏好选取相适应的营销渠道和营销方案，如何针对用户的不同诉求实现个性化服务，都是产品管理人员长期困惑的痛点问题。借助用户画像方法，可以帮助企业找出目标用户、核心用户与潜在用户，理清不同用户的关键需求及产品定位；通过用户标签，具化用户的基本属性和行为属性，为个性化营销和服务提供数据保障[14-19]。站在客户全生命周期的视角，如何精准识别并定位特定用户(高价值用户、问题用户等)群体，如何选取用户偏好的个性化营销渠道的推广手段，如何满足用户个性化的服务需求等也是用户运营过程中亟待解决的问题。通过采集用户各类属性特征数据，将数据与用户标签信息映射、约减和转换，实现用户群体的精准描绘，为用户导向的个性化定制服务奠定基础。最后，从用户画像的应用成效看，用户画像方法对企业的潜在价值贡献主要体现在三方面：一是帮助企业深入洞察不同类型用户的产品偏好和行为偏好，助力企业开展精准营销和个性化服务；二是改进产品设计，提升服务质量和安全性，扩大用户规模的同时保有存量用户的粘性；三是提升营销和服务精准性，有效降低个性化营销和服务成本。

五、结语

用户画像方法及其应用正引起越来越多企业的关注，既有的文献对用户画像的概念溯源、方法工具和应用领域缺乏整合性分析。在回顾国内外文献的基础上，本文总结了用户画像的内涵及其特点，归纳了用户画像的四类视角并阐述其常用方法与工具。在总结腾讯、京东、亚马逊和eBay用户画像实践的基础上，比较了互联网领域用户画像的典型应用场景、常用画像方法和潜在价值贡献，并且提出用户画像领域的研究参考框架(见图2)，为同行学者开展相关研究提供借鉴。未来的研究至少可以从两方面展开：首先，基于更多实践案例提炼用户画像理论研究体系。用户画像具有较强的实践指导性，本文提出的研究参考框架主要基于文献梳理和互联网领域的实践，今后可以从更多行业、企业实践中选取典型案例，以充实用户画像研究体系；其次，在研究方法上，本文以文献梳理、定性案例研究为主，今后可以应用定量研究手段，通过问卷等方式增加研究的信度和效度。

图2 用户画像研究参考框架

值得注意的是，虽然通过用户画像方法分析用户行为更具直观性，且被越来越多的企业所采用，但如今海量的交易数据和交互数据超出了企业合理的抓取、分析和存储的能力，企业难免会因为数据分析能力不足、技术不够等原因出现差错。此外，企业掌握着用户大量数据，一旦数据泄露，不仅会对企业造成巨大的经济损失，严重的还要承担法律责任，而且对用户也会造成很多不必要的麻烦，甚至威胁到用户的人身财产安全。因此，企业在使用用户画像时，要注重保护用户隐私，提升数据分析能力，尽最大可能规避风险。

[1] 库珀.交互设计之路[M].北京:电子工业出版社,2006:10.

[2] 郝胜宇，陈静仁.大数据时代用户画像助力企业实现精准化营销[J].中国集体经济,2016(4):61-62.

[3] 站长之家.用户画像全解析[EB/OL].(2015-12-14)[2016-12-21]. http://www.chinaz.com/manage/2015/1214/483105.shtml.

[4] 刘海,卢慧,阮金花,等.基于“用户画像”挖掘的精准营销细分模型研究[J].丝绸,2015(12):37-38.

[5] 网易用户体验中心.Persona-web人物角色介绍 [EB/OL].(2010-05-12)[2016-12-20].http://www.wtoutiao.com/p/D43hMz.html.

[6] MARSHALL R,COOKET S,MITCHELL V,et al.Design and evaluation:end users,user datasets and personas[J]. Applied ergonomics,2013，46:311-317.

[7] 爱运营.从用户画像到用户场景，运营人如何定义用户？[EB/OL].(2016-03-28)[2016-11-30]. http://www.iyunying.org/yunying/yyjc/50614.html.

[8] 任婕.腾讯网UED体验设计之旅[M].北京:电子工业出版社,2015.

[9] NIELSEN L.Personas,interaction design foundation[EB/OL].[2016-12-15].https://www.interaction-design.org/literature/book/the encyclopedia-of-human computer-interaction-2nd-e d/personas.

[10] 人人都是产品经理.交互设计用户模型建立[EB/OL].(2015-03-27)[2016-11-30].http://www.woshipm.com/pd/1450 29.html?from=groupmessage&isappinstalle d=0.

[11] 简书.用户画像的步骤:“七步人物角色法” [EB/OL].(2015-11-25)[2016-12-12].http://www.jianshu.com/p/4cc0e5f3 f31f.

[12] 百度指数产品简介[EB/OL].[2016-12-15].http://index.baidu.com/Helper/?tpl=help&word=#pdesc.

[13] 关于友盟+[EB/OL].[2016-12-17].http://www.umeng.com/about.html?spm=0.0.0.0.kWPr1C.

[14] 流媒体网.腾讯陈亮：跨屏全网用户画像基础上的精准广告[EB/OL].(2016-03-24)[2016-12-21].http://otv.lmtw.com/vp/201603/128807.html.

[15] 36大数据.腾讯防刷负责人：基于用户画像大数据的电商防刷架构[EB/OL].(2015-10-30)[2016-11-30].http://www.36dsj.com/archives/35887.

[16] 36大数据.大数据在京东的典型应用：京东用户画像技术曝光[EB/OL].(2014-11-05)[2016-12-15].http://www.36dsj.com/archives/16090.

[17] 大数据123.深入浅出之推荐系统原理应用介绍[EB/OL].(2017-02-20)[2017-02-25].http://www.dashuju123.com/read/26185.

[18] 人人都是产品经理.以电商为例，如何用4步法把大数据技术用在产品上[EB/OL].(2016-08-11)[2016-12-22].http://www.woshipm.com/pmd/390286.html.

[19] 中国大数据.亚马逊推荐系统机制的分析 [EB/OL].(2014-12-18)[2016-12-30].http://www.thebigdata.cn/JieJueFangAn/12859.html.

ResearchontheConceptualOriginandApplicationofPersona

QI Cong, WU Jun

(School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China)

In the era of big data, persona based on massive data is attracting much attention from both theoretical and business circles. However, there is a lack of clear and consistent cognition to the conceptual origin, methods, applications of it in the academic circle. Based on the literature review, the concept and four types view of persona are summarized. The methods and tools of it are stated. Furthermore, taking the practice of typical Internet enterprise who have used persona as background, the main application field, common methods and potential value of persona are compared.

persona; conceptual origin; perspective of persona; application area

F490

1674-0297(2017)05-0082-06