目标消费群体画像分析描述_目标群体指数

如今在这个大数据时代，每个用户都被标签化，运用用户画像的方式了解用户，从而推送相关消息；最常见的情况就是你买了商品后，推荐会自动推送与此商品相关的商品，促进消费；本文作者分享了关于什么是真正的用户画像，我们一起来看一下。

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。
我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来；作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性能代表产品的主要受众和目标群体。（来源百度）
一、用户画像是什么？用户画像的核心是为用户打标签，即——将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
我理解的用户画像是一种标签（浅层次）、数据的集合体（深层次），最终的导向还是获取用户的信息，并提供战略决策。
1. 什么是标签举个例子：男，28岁，未婚，收入2万，爱美食，科技控，喜欢美女、喜欢旅游、有车。
这样的描述，就是一个初步的用户画像，就是一组标签信息（即用户信息标签化）。
那么我们再看一下这一张截图：
（来源站酷，某作品集中的一页）
这很明显是一个反面教材了，大家能在这张截图中，看出什么标签吗？
从，姓名、学生、年龄、快毕业、艺校生、探索未知等标签就可以了解到专业水平、学习兴趣？这是怎么挖掘出来的？
标签又可以分为三大类（宽泛）：

统计类标签：这类标签是最为基础也最为常见的标签类型，例如：对于某个用户来说，其姓名、性别、年龄、地市、活跃时长等，这类数据可以从用户注册数据、用户消费数据中得出，该类数据构成了用户画像的基础。
规则类标签：该类标签基于用户行为确定的规则产生。例如：定义该用户为高频投诉用户，规则为“近30天投诉次数＞10”；在实际开发画像的过程中，由于运营人员对业务更为熟悉，而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则由运营人员和数据人员共同协商确定。
学习挖掘类标签：该类标签通过系统智能化学习挖掘产生，用于对用户的某些属性或某些行为进行预测判断；例如：根据用户的消费行为习惯判断该用户的消费能力、对某类商品的偏好程度，该类标签需要通过算法挖掘产生。

标签规则（举例：这个规则是在给用户定上具有消费力等等标签）。
相同的商品：我妹妹打开某宝，东西都贼便宜，而我贼贵，你们懂了吧。
2. 为什么需要标签？用户画像的核心工作是为用户打标签。打标签的重要目的之一就是为了让用研或者产品能够理解并且方便数据统计。
以电商举例：
如，标签可以做分类统计：喜欢美食的用户有多少？喜欢美食中的男女比例又是多少？
在做精细分类：喜欢甜食的有多少？喜欢辣条的有多少？那么他们的地域分布比例又是多少？那么针对凉茶的男女喜好比例又有多少？
如：标签可以做数据挖掘/清洗：利用关联规则计算，喜欢美食的人，通常会喜欢什么什么卧室环境。那么同样也可以分析出什么地域的人偏好什么样的美食，什么样的环境。
根据初步数据分析结果，我们可以得出，一旦这个上海地域的人登录了某电商APP，可以快速根据该地域喜欢的，推就完事了（如：上海人大多数都喜欢偏甜的零食，或者小资生活的周边、布置等等）。
那么这里会牵扯到「模型」，通过算法和培养，能让一个APP更加懂你。
比如：我在某宝上，买了一个汽车改装用品，就疯狂给你推荐汽车相关；因为我购买（达成）、浏览相关（计算）和浏览时间（培养），让他更加确定了，我对这方面的需求很大。
二、数据分析本质是什么？由于本文重点倾向交互侧，数据分析这一块留着下次说。
数据分析的本质是获得信息和知识，从而在判断和决策中使用。
根据分析的方法和目的，数据分析可以被划分为：
描述性分析（Descriptive Analysis）：将数据整合为一份可视化的报告，进行演讲或陈述，但它不能解释某种出现的结果及未来发生的事情。
1. 信息可视化预测性分析（Predictive Analysis）：预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。