目标消费群体画像分析描述_目标群体指数( 二 )

预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性（如：某短视频中会产生广告，通过行为事件进行预测你购买/下载产品的可能性）。
2. 预测分析决策性分析（Decision Analysis）：通过对比、验证等手段，直接反应情况，给出明确的好坏。
所以要分析数据，至少要包含描述性分析的能力，这样获取的信息才有价值。（回顾上文，可以关联标签的含义）剩下的就是进阶能力，预测和决策了；让用研和产品同学更高效的、更准确的解决问题，而不是纸上谈兵“我认为”、“我感觉” 。
数据又分为静态和动态数据：
静态信息数据：静态数据在很长的一段时间内不会变化，一般不随运行而变。包含有：人的基本属性，公司基本属性、商业属性等等；一般来说，做调研获得的静态数据都是真实的信息，无需进行分析和清晰。
动态信息数据：动态数据是常常变化，直接反映事务过程的数据，比如，网站访问量、在线人数、日销售额等等，也就是用户不断变化的行为。
得出的数据是为了完成用户画像的架构图：
三、定量验证如果算法或者模型没跑起来的话，我们需要带着描述性分析+定量验证，去构建初步的用户画像（如果是算法和模型搭建起来的用户画像则不要验证）。
【目标消费群体画像分析描述_目标群体指数】这篇不重点讲定量了，如果还有小伙伴不知道的，可以去看前面的文章《定量与定性》。
四、构建用户画像以韩梅梅的户画像为例，我们将其年龄、性别、职位、等等，通过场景描述，挖掘用户痛点，从而了解用户动机；其中将21~30岁最为一个年龄段，以职业作为一个范围，利用数据分析（定性）得到数据标签结果，最终满足业务需求，从而让构建用户画像形成一个闭环。
以一个健身APP为例：
画像重要组成部分：
揭示关键差异（目标行为和观点）：给用户一个定义名称，这个名称要围绕产品最关键的特点凸显出来，也可以从目标行为和观点上去定义。
基础信息：一个虚构的典型用户，可能跟某类用户的大部分人比较相似，但不会是某一个具体的人；有了这些个人信息，能够让用户画像看起来更像一个真实的人，更容易引起用户的同理心（根据调研信息抹去真实的信息，如：名字、职业等等）。
相关设备产品使用情况：标识出相关特点，比如产品的使用情况，一天的生活轨迹等等，这部分内容主要跟产品、研究对象、研究目标相关。
竞品使用情况：可以围绕差异点来提供思路。
简介场景：比如健身类的产品，那么整个故事背景要围绕这个健身去展开。
其他重要属性：其他的重要属性可以帮助我们去理解用户，为了让用户形象更生动；个人语录：如：我立了一个flag，降低体脂，我会围绕这个目标坚持下去的。
最后得出的画像还需要计算TGI 。
TGI：Target Group Index（目标群体指数） TGI=[「目标用户群」中某一特征的总用户数在「目标用户群」总用户数的占比/「全量用户」中具有该特征的总用户数在「全量用户」总用户数的占比]*标准数100 TGI指数大于100，则说明该特征用户倾向较强（和平均相比）小于100，则说明该类用户相关倾向较弱（和平均相比）而等于100则表示在平均水平。
最后将画像信息标签化-建立数据分析-验证（如：ABtest）——转化为实际场景的用户画像——最终决策（如果是算法和模型搭建起来的用户画像则不要验证）。