每个在互联网事情的人，对“用户画像”这个词熟悉得不能再熟悉。做好用户画像，对付运营而言，是风雅化运营的前提。而失败的用户画像项目，的确罄竹难书！一抓一大把。本日我们系统讲授一下。

一、用户画像失败的符号

各人本身是不是也常常迷惑：“用户画像有啥用？”

假如有，恭喜，你的项目做扑街了，就这么直观！

虽然，更一般的扑街 *** ，是刚开始做用户画像的时候，业务部分摇头晃脑的说：“我们要基于用户画像，具体深入的相识用户，好比用户性别，年数，地区，爱好，消费习惯，……这样我们就能风雅化决定了”。然后数据部分夯吃夯吃搞了几个月，打了30000个用户标签，还自得洋洋的跟率领讲述：“我们的用户画像大数据建树取得长足进步”。

然后项目之一期讲述会上，数据部分自得洋洋的讲到：

我们的用户男女比例6:4

华南地域占比30%，华东25%

购置A产物占比50%

业务部分一个白眼抛过来：

我早知道了

我们的用户都是这样的呀

你做这有啥用？

虽然尚有更惨的，就是你贴个“忠诚用户”的标签，业务方说：哦，既然那么忠诚，就不做啥行动了，功效丫下个月不用费也不登录了！你贴了“A产物爱用者”的标签，业务方推了A产物，丫没有买！业务方怒火冲冲找来算账：“这用户画像一点都不精准嘛！”于是项目彻底凉凉。

吐槽归吐槽，问题到底出在那边呢？

二、用户画像项目失败的外貌原因 原因一：夹杂了已往和将来

问1：一个用户昨天买了苹果，前天买了苹果，大前天也买了苹果，他本日买不买苹果？

问2：一个用户买了酱油，鸡翅，可乐，请问他是否还需要买竹签去烧烤？

思考一秒钟，不消思考一秒钟，各人都知道，谜底是：不必然，不必然，不必然。持续买苹果，有大概代表他喜爱吃苹果，也有大概已经买了许多了所以不买了。买酱油+鸡翅+可乐，大概是去烧烤，也大概是做可乐鸡翅。

已往的行为不便是将来的行为，将来的行为需要举办预测。无论预测的要领是基于业务逻辑的推理，照旧基于算法模子的计较，都需要颠末数据阐明和试验验证。只有表示不变的预测要领，才气被采用。

然而做用户画像的时候，业务方常常夹杂这两点。往往对着已往产生的行为贴一大堆标签，对将来预测毫无观念，在预测阐明上半点投入没有。看用户画像陈诉，可能在CDP里配置推送法则的时候，想虽然地认为：已往买了今后也买。最后预测禁绝，反而把锅甩给用户画像系统。功效自然悲剧。

原因二：夹杂了行为和念头

问一个简朴的问题：一个用户在已往30天内，有1天来我们家购置产物，请问该用户是不是我们的产物爱用者？假如有2天呢、3天呢、4天呢……假如有30天呢？30天里每天都来买，必定是爱用者了吧！

答：不必然。30天里每天都来买，你可以管他叫“高频购置者”，因为购置频率确实是很高。

可是，是不是人家很爱用我们的产物，不必然，因为你并不知道他到底爱不爱用，甚至不知道他用了没用。购置频次不能直接等同于用户喜爱。用户喜爱可能不喜爱，需要更多维度的数据举办阐明，而且阐明功效得有必然概率的不变性，才气这么叫。

雷同的，许多企业里，业务方和数据阐明师，看待这种“爱用者”等等名词利用很是随意、粗拙，根基上都是用消费金额、登录频次等等，高了就算“喜欢”、“爱用”，低了就算“边沿”“实验”。做出来的功效，自然是毫无精确性可言。不消说，出了问题，好比推荐产物没有人买之类，又算在用户画像头上。

原因三：夹杂了原因和功效

问：累计消费10000元以上的用户，都购置了5次以上，所以让用户购置5次，用户就会累计消费10000，对差池……

虽然差池呀。然而业务方常常这么干！拿着过往消费高的用户行为，往消费低的身上套，认为只要消费低的模仿了某个数字，就能成为消费高的。还没其名曰：“邪术数字”。很有大概从源头上，消费高的和消费低的就是两类人，应该通过深入的阐明搞清楚到底驱动行为的原因是什么。