通过这篇文章，介绍我们理解的两种用户画像（User Persona 和 User Profile），以及如何构建用户画像（User Profile）的标签体系并驱动产品智能。
User Persona
第一种用户画像（User Persona）是产品设计、运营人员从用户群体中抽象出来的典型用户：
在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户；
在产品原型设计、开发阶段，产品经理围绕这些虚拟用户的需求、场景，研究设计产品用户体验与使用流程；
当产品设计出现分歧时，产品经理能够借助用户画像，跳出离散的需求，聚焦到目标用户，不再讨论这个功能要不要保留，而是讨论用户可能需要这个功能，可能如何使用这个功能等等。
例如某招聘类产品在调研阶段构建的用户画像（User Persona）：
(图片引用自 https://www.clearvoice.com)
所以，这类用户画像（UserPersona），本质是一个用以描述用户需求的工具，它帮助不同角色在产品研发过程中，站在用户的角度思考问题。
在产品设计阶段和原型开发阶段，产品经理会较多地借助用户画像（User Persona）理解用户的需求，想象用户使用的场景。随着产品上线后不断迭代，积累真实用户，仅通过用户画像（User Persona）难以量化地评估用户需求，也很难通过数据证伪，不确定用户画像（User Persona）虚构的人物是不是真的目标群体。同时，真实用户群体也随时间推移变化，在设计阶段虚构的用户画像（User Persona）需要重新调研、设想。
User Profile
与此同时，我们也希望通过产品积累的用户行为数据，为产品运营提供更好的支撑，例如根据用户浏览记录向用户提供个性化服务。这就是本文着重介绍的第二种用户画像（User Profile）——根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如是男是女，生活工作所在地，乃至喜欢哪个明星，要买什么东西等。
随着“千人千面”等理念深入人心，我们希望更加清楚两种用户画像的差异。与第一种用户画像（User Persona）不同的是，用户画像（User Profile）的建设更加关注：
是否反应受众的真实需求：用户画像（User Profile）这个词的字面意义，是关注人口属性、生活状态等静态信息，但这些信息并不一定直接反应用户兴趣。产品更关注的往往是某用户“最近喜欢看哪类内容”、“准备买多少钱的手机”这样能帮助产品运营的动态信息；
时效性：用户的兴趣偏好随时都在发生变化，需要及时更新用户标签；
覆盖度：用户画像（User Profile）既要勾勒出用户感兴趣的内容，也要记录用户不感兴趣的信息，尽量多地满足产品运营的需要。但同时，除了人口属性等明确的属性外，大多数用户画像的正确与否是没有意义的。如“最近喜欢看搞笑视频”这个标签，并不表示用户下一次一定观看搞笑视频，因此执着于提升标签的准确度，不如设计出多更清晰描述受众需求的标签，更多时候我们注重提升用户画像的覆盖度，同时提供更细粒度的画像。
设计用户画像的标签体系
用户画像（以下均指 User Profile）一般通过标签体系落地，简单说就是你把用户分到多少个类里面去，当然，每个用户是可以分到多个类上的。这些类都是什么，彼此之间有何联系，就构成了标签体系。通常有两种思路设计用户画像的标签体系。
一是结构化的标签体系，这类标签可以直接从人口属性、物品信息等基本信息中直接得到，有明确的层级关系，如性别、省市、内容分类、商品分类等。
(图片源自 http://www.amazon.cn)
结构化的标签体系通常较为简单，一般可以直接通过用户的行为映射得到，例如根据用户的购买记录，为用户构建物品对应的结构化标签。但结构化标签往往粒度较粗，无法充分衡量用户的兴趣，例如新闻类 App 中用户阅读了一条关于某明星的娱乐类新闻，其实无法推断出他对所有娱乐类新闻感兴趣，也不一定只对该明星情有独钟。
另一种是非结构化标签体系，就是各个标签各自反应各自的用户兴趣，彼此之间并无层级关系。典型的非结构化的标签，如搜索广告系统中的关键词，或者阅读类产品中的文档主题模型（Topic Model），或者向量化的用户、物品 Embedding。
标签体系的设计一要便于使用，二要区分度明显。结合具体产品而言，在不同的场景下，对这两点的要求重点是不同的。最终在产品中选择哪些标签并没有明确的依据，还是需要充分了解到底是什么驱动用户使用产品。有效的标签体系，要能反应用户决定买什么、不买什么的逻辑与依据。例如在电商产品中，如果以新闻频道的方式，为用户构建“财经、体育、旅游、…"这样的标签，虽然并不难，但也没多大意义。
场景驱动：场景是特定的时间、地点和人物的组合下的特定的消费意图。不同的时间、地点，不同类型的用户的消费意图会有差异。例如白领乘地铁上班，会关注当日的新闻热点；周末晚上在家，用户更喜欢点击娱乐搞笑等。场景辨识越细致，越能了解用户的消费意图，推荐满意度也就越高。
用户画像
我们考虑新用户和老用户两大类群体。新用户第一次进入 App，在这一阶段的运营目标以留存为主。除了常规的设备信息、地理信息外，我们对用户了解甚少，可以通过猜测下列问题：
用户在哪里？用户是否出差？等
这个时段可能处于什么场景？
构建用户画像，进行场景推荐。这两种标签的获取较为直接，通过用户手机的地理位置信息和当前时段就可以得到。通过场景推荐的方式，我们在不了解用户兴趣的情况下，针对不同场景标签下的新用户推荐不同热门产品，满足用户需求。
而对于老用户，运营目标是提升用户体验，向用户推荐感兴趣的内容和服务；结合场景推荐用户可能感兴趣的新鲜内容，能提高用户留存率。除常规信息、场景信息外，构建老用户的用户画像还会考虑：
用户在不同时段的兴趣点
用户是否喜欢探索新的产品
用户召回需求
现在互联网产品的获客成本很高，当老用户最近一段时间内的登录频次显著低于过往，甚至没有打开 App 时，我们判定老用户有流失风险，可以通过推送感兴趣的内容等手段，召回用户。
总结
最后，总结一下文中提到的两种用户画像。User Persona 可以帮助我们形象的了解目标用户的行为特征，作为我们判断用户需求的依据；User Profile 从用户行为中构建各种标签，在用户生命周期中不断刻画用户意图，辅助产品运营。
画像标签体系的建设是不断迭代的过程。只有根据产品运营的目标，灵活调整标签体系，才能取得最好的效果。
