互联网产品早已进入定制化阶段，千人千面的基础就是用户特征分析。实现的逻辑就是打标签、分类、定制方案。

用户特征分析 — 打标签

用户特征分析的基本概念、

用户特征分析实际上就是知道用户是什么样的人，需要什么、喜欢什么。说通俗一点，在工作上就是分析用户的付费点和什么样的内容可以占用用户更多的时间。

用户特征的分析实际上是信息分析的一个细类，归根结底还是信息的分析。用户信息的分析到应用过程中最重要的是信息交叉和特征交叉。说人话就是，我们不会让电脑判定你是什么样的人，而是分析你是哪一类人，这一类人有着相同的特征，而且这个特征分的越细越好。

用户特征分析是了解用户诉求点的关键，用户的大多数需求和一些比较隐蔽的需求，是无法通过问卷调查、用户访谈这种比较表面的方法挖掘的。分析用户的行为和特征，可以更深入的了解用户的诉求点。

举个例子：

小明公司的产品周年庆，要发点奖品用来推广，然后就通过问卷调查来看一下用户都比较喜欢什么类型的商品。小明设计了线上有奖问卷调查，在各个粉丝群里转发分享，后来得出的结论是，用户更倾向于美妆类奖品。小明对结果表示怀疑，因为实际上自家产品的男用户更多，与结果不符，是什么原因呢？

事实上，问卷调查得到的答案群体特征比较分明，大多是愿意表达的、时间较多的、甚至因为奖品诱 人而导致女生转发较多，同时达到的答案都比较显而易见，所以问卷能力有限。

用户特征分析的目的

1、明确知道你的用户的真实的诉求点：用户说出来的不一定是真的(访谈、问卷)，如上面举的例子。

2、为功能设计提供核心依据，都9102年了，拍脑袋设计功能的做法早已经万万不可取了。

3、数据挖掘与用户推荐的底层支持：对用户群体的特征非常非常的明确且有效，之所以很多人会沉迷头条、抖音、微博，就是因为它们知道用户喜欢什么想要什么，用户就像进入沼泽不能自拔，这是用户推荐的结果。

不得不承认，把用户特征把握的越准确就越能绑住用户的心，把标签打的特别细，特别知道用户心理，就能掌控用户。虽然用“掌控”显得太过功利和邪恶，不过事实就是如此。

最后，之所以我们更分析永和特征，是因为用户心理的变化必定通过行为来表现，会通过行为把自己出卖。

用户特征的操作逻辑

怎么进行用户特征分析？用户特征分析的操作起来可以分为四个阶段：

收集数据-》分析数据-》打标签-》解决方案

收集数据和分析数据都是对信息的操作，所以可以归纳为：

信息->标签->方案

信息：收集、抽离、行为分析，

标签：打标签：码农、抠门、收入高

方案：优化产品、运营方案，比如依据上面的标签信息可以知道这是一个高收入却抠门的码农，那我们就可以使用特惠、促销等方案“勾引”他。

信息的分析

基础属性：年龄、性别、星座、教育、身高、职业(一般是不随自己永远随意改变 的)，相对容易拿到

社会关系：孩子(男孩女孩)、兄弟姐妹、父母、老公，相对难拿到

消费能力：月收入、月消费、支付宝有没、信用卡、还房贷、车贷，很难拿到，但总归能拿到

行为特征：经讨厌不准时、常团购、经常加班、上班刷微博、开会不准时、在网吧上网，用户不会说，很多也说不出来，一般是通过数据说话的

打标签

打标签，也就是用户的心里特征：以上交叉：贪小便宜、品牌偏好、好攀比、犹豫、 健康诉求高等

针对方案不做展开

总之，把用户特征分层分类是做好用户画像的关键

下面是实践举例时间：

用户特征分析的过程 行为分析是关键

分析的特征的时候，采用从个体映射群体的方式

个体分析->关键特征->召回验证(技术将特征返回用户库找相应的用户)->解决方案

色情广告案例：

我们时长会在一个社区平台或者内容分发平台，尤其是带评论功能的平台上发现色情广告，我是地下城与勇士(简称DNF)的咸鱼玩家，在DNF官网平台DNF助手上，经常看见发色情广告的评论，我们可以讨论一下该怎样揪出这些“色情账号”。

第一步：猜测关键行为

这些账号的关键行为是比较清晰的，比如

1、低等级的新号

2、绑定的dnf角色等级低、没装备，甚至不绑定

3、kol或ugc发表文章后立刻评论

4、文章内容不看，直接评论

5、长时间在线

能够分离出这些特征的方法是命中行为路径，不正常的用户行为一定是不正常的，用户 的异常行为命中用户路径的哪个阶段，这个阶段的行为跟正常用户有什么不同，就是我们找出他特征的根据。

第二步：关键行为交叉验证

命中第一步中一条的，并不能确认为色情账号，通常要同时命中几条才会

验证的目的就是看自己猜测的关键行为对不对，有没有遗漏

可以把符合条件的用户筛选出来 然后看他们实际的行为 来验证

第三步：明确特征的计算方式

产品同学在猜测关键行为的时候是像第一步中的列举形式，但最终实现是由技术来实现，所以我们需要把第一步的内容变成技术可以听懂的语言。就是给用户的行为转化成可以用来检索的内容

比如长时间在线，转化之后就是：用户每天在线时间大于n小时(n是几就要通过第二步的验证来选择一个既不伤及无辜又能联合其他特征来区分色情账号的时间)

第四步：优化完善

两个率可以验证我们分析的特征的准确率：

召回率：有多少符合的数据被我们调了出来

假设我们一共有10000活跃用户，调出了9000，这明显是我们分析的特征行为除了问题

召回准确率：召回的数据中，有多少是命中色情账号的。

这里要注意一点，可能有人认为命中率是至关重要的指数，就是所有的色情账号中，我们通过自己的方式命中的比例是多少，这是非常理想的指数，实际上，我们本身就不知道有多少色情账号，所以这个指数我们是拿不到的。

作者：海燕是只蠢猫，微信公众号：1个产品还学Python

以上