在互联网做产品的朋友们，对“用户画像”都不陌生，它在帮助我们定位产品设计和精准运营方便都功不可没。随着用户体验设计理念的普及，“用户画像”概念也越来越热，可目前国内对如何做“用户画像”并没有统一的方法论，至少我们公司就没有。所以当我接到“把我们产品的用户画像做一下”的老板需求的时候我懵逼了！
当时心里的BGM是这样的：纳尼？开玩笑么，这岂是一朝一夕可以完成的！它可是需要产品、用研和数据部门经年累月的积累和测算验证才能完成的啊！
我的岗位是用户研究，当时整个部门就我一人用研，是的你没看错，一个日活超过1000w的产品，在我之前是没有用研的。贵部门真是胆识过人，上天庇佑啊！
那刚上任的新人能拒绝领导的需求么？绝壁不能够啊，不然以后怎么混。所以我连借口都没找，直接开始做。没有数据部门支持，没有产品设计原始资料的积累，徒手做，我从哪里下手呢？ 憋着急，这就教给你。
<前期准备> 重要程度：* * * * *
前提：你必须知道用户画像是什么。如果不知道请移步百科、知乎、人人都是产品经理，花一小时恶补下。也不难懂。
笔者是工程心理学出身，以上就免了。所以我即刻开始做策划。
我从网络上找了一些资料，最终选了三份调研的案例，分别是新浪、尚品网、2015深交所个人投资者调研报告，仅作参考用，记住网络上免费放出来的案例资料，很多核心数据都是隐匿的，自己要会脑补。为什么会找以上三个案例呢，原因如下：
新浪的案例：可以告诉我产品用户画像的大致框架结果，看完它后面的调研问卷编写大致心中就有数了。
尚品网的案例：里面有用户特征因素的的权重算法，很好的思路我必须借鉴。
深交所的报告：因为我要做的是互联网证券产品的用户画像，这份报告可以明确告诉我该领域的用户特征维度有哪些。
仔细研究完以上的案例，上午时间就过去了。这时候别慌，去吃个饭，午休15分钟，然后喝杯咖啡，下午要开始“屠龙”了。
<开始调研> 重要程度：* * * * *
有了以上的积累，其实你大概明白自己要怎么做了只是有些细节还没想清楚，这时候别慌，开始做吧，细节边做边补就好。
于是，根据资料的整理和策划，我给我们的产品用户特征维度做了一下罗列：（满干货，收好不谢哈）
一.基本人口学特征：性别、年龄、学历、职业、所在区域、婚育情况、个人收入、家庭收入、股票可投资占家庭总收入额度多少
二.生活习惯特征：衣（购衣频率、购衣金额、购买场景）
食（饮食花费、支付习惯）
住（住房状况、房产投资打算）
行（出行习惯、打车偏好）
支付习惯、行用卡数目、信用卡总金额等
三.行为模式： 使用APP的偏好、为APP付费历史、移动支付类APP使用频率、证券股票类APP使用频率、理财类APP使用频率、手机银行类APP使用频率、
用户的股龄、股票的操作风格、最关注的内容、看行情的习惯、看资讯的习惯、交易的习惯、券商账户的数目、交易时间外的高频使用时段、平均使用市时长、股票APP使用偏好、实盘盈亏情况、为APP付费的意愿
——主要就以上这几项，考虑哪些特征得严格根据产品属性和定位来，可以适当做增减，但是要时时考虑“用户的哪些特征是和我们的产品相关？”虽然说数据越多，粒度越精，可凡事过犹不及，你懂的。
把以上每一项特征下可能的情况都列出来，这一项如要一鼓作气完成并且要反复琢磨。比如：出行习惯：“您最常用的出行习惯是什么？ A .自己开车（包括家人开车接送、代驾等） B.打车（包括出租车、滴滴、优步等） C. 乘坐公交车 D.骑自行车 E.步行 F.其他（请输入）”一定要穷尽能想到所有可能，可以问下周围的小伙伴，做一下小型的脑暴。
然后，把以上特征编制成问卷，这里不做赘述。
最后投放问卷。还好我有一个问卷投放后台，而我也有且仅有这一个后台作为用研的工具。
<数据分析> 重要程度：* * * * *
这里主要涉及这几个问题：
1.问卷需要收多少份？
这里需要亮出你的统计学知识了：根据产品的注册量、置信水平置信区间，清洗数据的占比来计算。以我的为例：
注册量按1500w来算，置信区间99%、置信水平：1、清洗杂质数据按10%来算，计算得18285，就是说我必须得到有效数据18285个，才对用户量总体有解释力。（安利一个直接算样本数的统计网站：http://www.surveysystem.com/sscalc.htm）
——虽说是简易的用户画像，但咱们决不能含糊，关键环节还是要科学计算支撑的。
2.如何分析收到的数据？
差不多3个钟头收到了2w份左右的数据，很给力的哦，我开始处理数据了。
工具：Excel 和 Spss
方法: 花30min左右，把那些没答全的，有缺失的数据从Excel里剔除；再通过筛选去掉伪的数据，比如“年龄：20岁以下，学历：研究生及以上”的就很明显了。
进行数据转换（也可以在Spss里设置，不过熟练操作Excel的话这里弄更快），比如把ABCD各选项内容编码成1234阿拉伯数字。
用户画像本质上就是把庞大的特征数据归归类，所以用聚类分析就对了。（这个不明白的话，也没关系，网上轻松可以查到）。先用两步聚类把数据进行分类，可以调节参数多试几次，你会发现有一些比较边缘的类别占比很小（通常只有百分之几），这通常是由于某些特征的极端数据造成的，可以人为剔除掉，然后在K-means聚类里面，用踢掉边缘类别之后的分类数目再将数据跑一遍，结果雏形已经出来了。
<结果报告> 重要程度：* * * * *
分好的每一类别用户在以上每个特征上都有对应的数值，要根据强弱程度将数值通过文字描述成立体具体生动的人物角色，最终制成persona(人物角色模型)。举个例子吧：
第一类用户的数据特征是：年龄：20-25岁、性别：男、个人收入：10万左右、职业：白领/职员、无房、一线/二线城市，暂无买房打算、喜欢资讯、金融、社交、旅行类APP、出行习惯坐公车和自行车.......根据以上特征我们可以归纳这一类用户群是“都市小青年”，然后构建一个虚拟角色：比如说王小帅，他的特征是.......(就是以上重复的那些)，以此类推每一类都总结出来，并赋予标签和代表性的虚拟人物角色。
我做的有四类分别是：都市青年，小城中产、县城老汉，一线土豪。怎么样，特色鲜明吧！
到这里你已经累成狗了，暂时休息十分钟，再喝一杯咖啡。
最后就是做报告的事情了，将用户分类及人物角色模型报告给你的老板。
当然，这个里面还是需要技巧的，比如：人物角色模型的理念要解释（这一块很容易出现误解），像Alen Cooper和Lene Nielsen这些大牛们的理论和方法该背书还得背书，显得专业嘛（咱也没忽悠谁啊）。
最后，报告肯定不是一蹴而就的，第一次是全面的分享，部门的同事会提出侧重点以及一些相关性数据比如：股龄和购买力的关系、房产情况和投资风格的关系等等，你只需要回答：“好的，我马上跟进。” 然后，迎接掌声！
此后，恭喜你，你已经成为一只在各种调研需求中挣扎的加班狗了。
希望文章对你有用，喜欢的话望继续关注，我会继续跟进的。
