用户画像

72021年手机游戏用户画像

用户画像是什么

用户画像用英文表述即为“User Persona”，最初是由Alan Cooper在《The prisoner Are Running The Asylum》一书中提出的。Alan Copper认为用户画像是真实用户的虚拟代表，根据用户行为、动机等不同将用户分为不同的类型，从中抽取每类用户的共同特征，并设定名字、照片、场景等要素对其进行描述。而D.Travis在提出用户画像这一概念时给出了7个基本条件:基本性(Primary research)、移情性(Empathy)、真实性(Realistic)、独特性(Singular)、目标性(Objectives)、数量(Number)和应用性(Applicable)，并将这七个特性的首字母组成Persona一词，翻译为中文即为“用户画像”。

用户画像

用户画像标签

用户标签是用简炼的语言来描述用户信息，给人们理解每个标签的含义提供便利，这也使得用户画像具备实际意义，从而满足我们的需求。每个标签通常只表示一种含义，它往往以短文本的形式呈现，所以无需再做过多的文本处理，这也便于计算机提取标准化数据。

用户画像是标签由三个维度属性构成：自然属性、行为属性和兴趣爱好属性。

(1)自然属性是用来描述客观存在的用户特征和行为的标签，不需要经过对数据进行加工转换直接可获得。自然属性是用户在使用产品时，直接注册填写信息反映出来的。比如：用户的性别、年龄、工作情况、教育情况、所在地等信息；

(2)行为属性是用户在使用产品时产生的行为特征，是用户的动态信息，需要统计才可获得。比如用户在社交平台上的浏览和评论频数、用户在平台上的购买行为，前者代表用户的活跃状态，后者代表用户的价值；

(3)兴趣爱好属性主要是从海量的用户行为数据中提取用户的核心信息，从而统计获得并对其标签化，因此构建用户兴趣爱好画像之前需要先对用户的行为画像进行内容建模，兴趣爱好属性是对行为属性的深入挖掘，通过兴趣爱好属性可以得到用户之间的关系及偏好^[1]。

用户画像的七个维度

(1)地域

地域指用户所在的地理位置，不同地域有不同文化，不同方言，不同习俗，甚至包括不同的眼界，这对用户画像的结果有影响都有影响。

(2)性别

用户中男女比例的不同具有不同的参考价值，例如，很多女性会对星座、娱乐新闻感应趣，而男性则对军事、科技着迷。不同行业的定位要吸引不同性别的人，从而根据用户的性别做调整

(3)收入

不同收入水平的人，需求、消费水平均不同，品牌在制定或修改营销策略之前，需要明确目标用户的收入水平，否则就算再好的产品，如果大大超出用户的预期价格或与用户收入水平不符，也无法将产品售出。

(4)年龄

每个年龄段接受新鲜事物的能力不同，需求痛点不同，感兴趣的产品或服务也不同。划分不同年龄层次，根据年龄层次的区分推广和营销产品或服务，可能获取到潜在客户或客户，明确不同年纪的消费群体感兴趣的东西，将大大提升营销成功率。

(5)受教育程度

受教育程度不同，对生活的态度、关注的事情不同，群体中流行的文化、风格和形式也会有所不同。

(6)行业特征

不同行业的消费者对产品或服务的关注点也不同，以从事资格证书培训的教育机构来说，一名从事财务工作的潜在客户，对注册会计师资格证的感兴趣程度会超过二级建造师资格证。因此，明确用户的行业特征，关注用户需求和痛点，并进行精准营销，将会有大大节约营销成本。

(7)使用场景

产品或服务的使用场景是非常关键的一环，首先我们要明确下面几个关键信息：时间、地点、出现了何种情况、对象用户、用户需求、通过何种手段达到目的。

用户画像的特点

(1)用户画像的时效性

用户画像的主要特性之一就是时效性。通过对用户画像的数据进行考察和分析发现，用户画像具有一定的时效性。用户的属性虽然相对而言比较稳定，但是用户的行为是动态的，会随着时间的延续而发生改变。在系统中用户的行为会随着变化使已经形成的用户画像失去原有的时效性。同时，用户自身的行为，也会受到身边用户的影响。如同事、朋友的行为发生改变，自身的行为也会产生影响，其行为会发生相对的改变。同时，行为也会受时代的发展而改变。时代是日新月异的，自身的行为也会与时俱进。因此，诸多因素都会导致用户画像的变化。综上，用户画像具有一定的时效性。为满足用户画像这一特性，需不断地对用户进行刻画，从而确保用户画像的精准度。

(2)用户画像应用领域的限定性

一个用户画像的形成，是不能做到同时适用于诸多领域的。例如，在产品销售领域中，反映用户消费偏好的用户画像一旦形成，将更加侧重于对商品的喜爱程度以及使用程度的反映，它将不能适用于视频领域。原因在于，视频领域中的用户画像更加侧重于对用户的观看行为进行刻画。因此，用户画像具有应用领域的限定性，没有一个用户画像的形成完全适用于各个领域的。

怎么做用户画像

(一)原始数据获取与预处理

(1)数据获取：根据用户参与方式的不同，用户画像原始数据的获取可以分为显式获取与隐式获取两种方式。显式获取数据是指用户手动输入基本信息、行为偏好等相关数据，这种方式简单直接、数据质量较高，但需用户主动参与，且通常能够获取的数据信息有限。隐式获取数据对用户是透明的，主要包括在用户的交互过程中记录用户的信息和对用户的行为习惯进行分析获取用户的特征两种方式。由于获取的数据越丰富，用户画像就越全面，在实际操作中，业界与学术界一般会将两种数据获取方式相结合，以便充分利用用户留下的各种数据。

(2)数据处理：数据处理是指对获取的原始数据进行脏数据清理，以获得适合进行用户画像构建的规范化数据，主要数据处理方式包括：分词、数据过滤、数据规范化等。分词是针对非结构化文本数据处理必不可少的一个环节；数据过滤能够有效的剔除脏数据，保证基础数据可靠性；数据规范化是为了保持输入模型数据的一致性。

(二)标签选择与指标体系构建

(1)标签的选择。标签是将某种用户特征通过符号进行表示，是一种关联性很强的内容组织方式，能迅速帮我们找到合适的内容及内容分类。标签从运算层级角度可以分为事实标签和模型标签，事实标签是通过对原始数据进行统计分析得到的，比如用户购买次数，是针对用户一段时间内实际购买行为的统计；模型标签是以事实标签为基础，通过构建其与业务问题之间的关联关系，得到适用于用户画像选择模型的标签，比如，结合用户实际购买次数、用户购买产品类型、购买金额等，进行用户购买倾向类型的识别。

(2)特征指标赋权。标签解决的是描述问题，在实际应用中还需要解决数据间的关联问题，所以通常将标签作为一个体系来设计，在这个特征体系中会涉及到众多标签，而每个标签的对于特定维度用户画像刻画的重要程度又不尽相同，因此我们必须按照标签对用户画像刻画的重要程度为这些标签赋权。常用的赋权方法主要包括主观赋权法和客观赋权法两类。客观赋权法主要有熵权法、相关系数法、标准离差法等，其优点是通过数学方法来确定权重，结果不依赖于人的主观判断，缺点在于太过依赖数据，通用性不强，无法体现不同指标的重要程度。主观赋权法包括主观经验法、专家调查加权法、德菲尔法和层次分析法，前三种方法易于实现，但主观性强；相比之下，层次分析法将定性和定量结合，不仅降低了主观性，还能够进行指标间的横向比较，合理判断各指标间的重要程度。

(三)建模方法选择及应用实施

(1)用户画像建模方法。用户画像技术是多学科的结合，需要知识图谱、自然语言处理、机器学习和数据挖掘等方面的知识融合。常用的用户画像模型主要分为文本挖掘技术、分类算法、聚类算法等三类，文本挖掘主要是针对非结构化数据的挖掘与处理，包括TF-IDF、向量空间模型、主题模型等；分类算法适用于有监督学习的用户分类，包括人工神经网络ANN、邻近算法KNN、支持向量SVM等；聚类算法适用于无监督学习的用户聚类，包括k-均值聚类算法、k-中心点算法、基于密度的聚类算法DBSCAN、层次凝聚聚类算法HAC等。

(2)用户画像的应用。用户画像的应用范围非常广泛，主要包括三个方面：第一，通过分析潜在用户，针对特定用户群体进行广告投放，减少不必要的费用投入；第二，通过分析用户数据的关联性，构建面向用户的个性化推荐系统，对服务或产品做到千人千面的定制化部署；第三，进行企业经营效果评估，完善产品运营，提升服务质量和用户体验，促进企业的良性发展^[2]。

用户画像的应用

建立用户画像的用途很多，根据用户的信息和属性特征全面了解用户，细分不同的人群，获取不同的群体用户信息，预测用户的偏好和产品发展趋势，挖掘用户使用场景和需求及痛点。

(1)精准营销

依靠用户画像技术，能够进行用户划分，分析不同分类用户偏好，进行特定产品推送，完美的解决在特定时间把特定得内容推送给需要的人，实现精准营销。例如根据用户平时购买产品品类、购物车商品类型等进行分析，进行适当的商品推送，不仅可以提高用户的点击和购买率，同时也为用户省下挑选的时间，使用户产生一定的依赖，增加用户的忠诚度。

(2)行业分析

根据大量的用户数据，可以进行行业的现状及用户关注的产品参数分析，可以帮助行业很好的了解使用自己产品的用户群体，同时对自己在行业中的地位有一个大概清晰地认知，据此可以及时调整产品发展战略。

(3)关联营销

通过分析用户的一些行为习惯，使用关联规则算法，能够推测出“喜欢什么东西的人往往还会喜欢什么”这类问题，例如人尽皆知的沃尔玛啤酒和纸尿裤关联营销经典案例，根据这些信息，可以为用户进行恰当的推荐。

(4)找到目标用户

根据用户对于某一品类或者某一品牌的选择，分析此类用户群体的特征，挖掘出比较忠诚的目标用户群体，有针对性的对这些用户群体进行产品的推送，可以促使真正需要该产品的用户有更多的点击和下单。

(5)产品优化升级

对用户构建画像，利用聚类分析对用户进行细分人群的划分，并精准的分析每一细分人群下的用户使用需求、场景及对产品的使用痛点，根据用户这些需求寻找新的机会点，反向定制一些真正从用户角度出发的产品，实现产品的迭代升级^[3]。

(6)广告投放

大数据时代的到来，用户每天都在产生大量的数据，一个用户的行为往往能体现用户的习惯和偏好。通过用户画像方法可以分析得到用户的偏好，从而企业可以针对不同的目标人群选择合适的媒介渠道进行广告投放。广告商收集内部用户数据，通过用户画像分析用户的特征，利用与个人印象相关的丰富信息集，定向投放广告，从而提高广告活动的有效性和提高投资回报。

2021年手机游戏用户画像

(1)年龄

数据显示，手机游戏玩家的年龄分布中，"；Z世代"；(出生在1995-2009年)用户规模超过总体用户的一半，在手机游戏行业中，是核心用户群体；25岁以下用户里，有安装手机游戏的比例在八成左右，近年来手机游戏在年轻群体中的覆盖程度保持平稳

用户画像

(2)游戏类型偏好

从不同的年龄层来看，95后玩家对手游偏好度明显更高，更喜欢卡牌桌游、策略解谜类游戏，享受群体游戏的快乐和脑力的比拼，用户年龄增长，操作简单、玩法传统类的轻度休闲手游如扑克棋牌、消除游戏和休闲益智类，更受用户欢迎。

(3)性别

性别分布来看，手机游戏市场中国，男性玩家占据主导地位，女性玩家占比变化幅度小，基本保持稳定，从流量角度挖掘女性玩家市场潜力的效果欠佳。但从用户特点来看，女性游戏玩家群体年轻，消费能力相对男性更强，近年来市场中已出现多个女性向爆款游戏，未来针对女性玩家的游戏市场或将会把重点放在购买习惯的培养，而非流量的抢夺。