用户运营知识结构归纳——用户画像
互联网流量红利已经消失 —— 各大媒体
移动互联网红利过去了 —— 李开复
“超级用户”模式的真正着眼点是“关系”，“普通用户”和“超级用户”之间的关系，就像一般女生和女朋友，向别的女生释放善意没问题，但你更关注应该是女朋友。 —— 逻辑思维
智能手机新增流量消失、红利过去、超级用户思维、智能手机市场国内饱和……
这是我们从2016年起至今，在各类互联网大咖以及媒介平台看到最多的关键词了。
因此，用户运营开始有了地位，如何盘活现有的用户群体是每一个（移动）互联网公司老板们考虑的问题。
2018年始，在给自己做工作规划的时候，定下了运营知识深度学习的两个方向：用户运营、数据分析。
做运营这些年，也看了不少用户运营的文章和书籍，每个大咖写的都特别好，但是都不够系统，所以想着自己可以梳理下用户相关的知识结构。
终于拖延了四分之一2018年之后的近1个月时间，把沉淀在Evernote的大咖文章做了梳理和归纳，分享给大家，仅供参考。
文章主要从三个方向来梳理用户运营的知识结构：用户画像、用户生命周期、用户成长激励。
内容穿插会给到每个环节需要的准备工作、监测数据等，篇幅较长，分三次发布，看官要有耐心~
感谢浏览。
一、用户画像
误区：Persona（用户角色） VS Profile（用户画像）
Persona用户角色
描绘抽象一个自然人的属性
通过调研问卷、电话访谈等手段获得用户的定性特征——用户间有差异，因为存在差异，所以需要描述
是用户属性的集合，不是具体谁，放一张某某的照片也是为了达到共情。它应该能准确描述出产品用户，一般会设置三到四个用户角色，也是通常意义上的目标用户群体
用户角色有缺点，评估用户属性时难以量化，也很难证伪。你不知道它确定的是不是真的目标群体，用户群体也随时间推移变化，所以用户角色需要不断修改。
Profile用户画像
和数据挖掘、大数据息息相关的应用，被更多运营和数据分析师使用，是各类描述用户数据的变量集合
通过数据建立描绘用户的标签
基于用户画像的应用：个性化推荐、广告系统、活动营销、内容推荐、兴趣偏好
当我们想要选择某部分用户群体做精细化运营时，会用用户画像筛选出特定的群体
用户画像是一个复杂的系统，随着产品逐渐成熟，会根据不同的业务场景设计不同的标签，用户角色是精炼和概括，而用户画像需要齐全。
用户
用户画像可以参考用户角色设计，用户角色也能使用用户画像的属性，可实际差别很大
什么是用户画像？
用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型
构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识
除去“标签化”，用户画像还具有的特点是“低交叉率”，当两组画像除了权重较小的标签外其余标签几乎一致，那就可以将二者合并，弱化低权重标签的差异
用户画像的作用是什么？
1、精准营销：分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销
2、用户统计：比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数
3、数据挖掘：构建智能推荐系统（例如：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌；利用聚类算法分析，喜欢红酒的人年龄段分布情况）
4、进行效果评估，完善产品运营，提升服务质量：其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务
5、对服务或产品进行私人订制：即个性化的服务某类群体甚至每一个用户（例如：某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。）
6、业务经营分析以及竞争分析：影响企业发展战略
用户画像的构建流程
数据收集：
网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等
服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等
用户内容偏好数据：浏览／收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等
用户交易数据：贡献率、客单价、连带率、回头率、流失率等
收集到的数据不会是100%准确的，都具有不确定性，这就需要在后面的阶段中建模来再判断，比如某用户在性别一栏填的男，但通过其行为偏好可判断其性别为“女”的概率为80%。
储存用户行为数据时最好同时储存下发生该行为的场景，以便更好地进行数据分析。
行为建模：
该阶段是对上阶段收集到数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为
这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个 y＝kx＋b 的算法，X 代表已知信息，Y 是用户偏好，通过不断的精确k和b来精确Y。
贴标签：
1、用户汽车模型：根据用户对“汽车”话题的关注或购买相关产品的情况来判断用户是否有车、是否准备买车
2、用户忠诚度模型：通过判断＋聚类算法判断用户的忠诚度
3、身高体型模型：根据用户购买服装鞋帽等用品判断
4、文艺青年模型：根据用户发言、评论等行为判断用户是否为文艺青年
5、用户价值模型：判断用户对于网站的价值，对于提高用户留存率非常有用（电商网站一般使用RFM 实现）还有消费能力、违约概率、流失概率等等诸多模型。
关于标签化：
1、多级标签：第一级标签是基本信息（姓名、性别）；第二级是消费习惯、用户行为
2、多级分类：人口属性，地理位置（工作地址、家庭地址）
构建画像：
该阶段可以说是二阶段的一个深入，要把用户的基本属性（年龄、性别、地域）、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化
构建流程
数据可视化分析：
这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以作出针对性的运营
用户建模：
基础属性：性别、职业、年龄段、收入水平、婚育情况、活跃城市、教育程度、……
用户分级：生命周期、价值分级、优惠敏感度、基于马斯洛用户需求
兴趣偏好：团购偏好（品类）、外卖偏好（品类、品牌）、电影偏好（导演、演员、电影类型……）
行为属性：团购（下单次数、消费频度、评价质量、评价倾向）、外卖、酒店、电影
人群属性：旅游达人、有车一族、……
基于马斯洛用户需求的用户分级：
马斯洛用户需求
1、首先了解自己产品的精准受众群体，分析并确认这类群体的性格特性与使用习惯，不要局限在自己产品中去想这类人群的特性，而是具有XXX特性的人群，来到我的产品中，会有哪些使用习惯与心理特性。
2、搭建用户成长体系时，一定会出现不同阶层之间的边界模糊现象，我们需要观察达成每个成就的用户群体比例，来重新界定每个阶层。
3、用户是波动的，不一定会完全按照我们界定好的体系变动，我们不必稳抓每一个用户，只要保证大体用户是按节奏进行的即可，如果出现大批量用户跃层上浮或下降，此时我们应该看是否有现象级事件产生，或者用户生态体系是否搭建的有偏差。
基础用户：
描述：仅仅是内容的消费者，即阅读内容，但不会产生点赞、评论、分享等与其他用户产生互动的行为，浏览内容的方向不明确，具有随机性。
稳定性：极不稳定，随时会因产品内容、功能、社区氛围等原因流失。
特性：此类用户人数最多，对于产品的需求也最为基本。
对应需求：生理需求
标准用户：
描述：
不再是内容的消费者，开始逐渐进行点赞、评论等实现成本低的操作，浏览内容方向更加明确
稳定性：较稳定，会因为产品内容推荐不够贴切、功能不够完善离开，对于产品具有一定的耐心，不会突然离开
特性：从松散且游离的基础用户演变而来，实现从观看者到参与者的身份转变中。
对应需求：安全需求
主体用户：
描述：作为承上启下的社区参与者，及有一定的社区知名度，又能适度产出一些普通内容，带动社区氛围
稳定性：稳定，对于产品的功能与氛围熟悉且接受，但可能会因为长时间付出（发帖、评论），却无法得到别人足够的回应而离开。
特性：注重产品功能之外的认为情感，不再满足于产品本身带来的体验，开始关注在产品内获得的满足感与成就感等。
对应需求：社交需求
核心用户：
描述：产品中具有一定影响力的小V用户，可产出较优质内容，同时在产品中具有较大影响力，具有较强的带动性。
稳定性：非常稳定，在产品中的影响力很强，具有较多粉丝，可能会在产品中进行个人变现，因此足够稳定。
特性：追求大量的用户追捧，以及看中自己在产品中的群体口碑，希望得到大量用户的正面评价，部分用户会因此进行变现，实现物质收入。
对应需求：尊重需求
明星用户：
描述：具有极强的影响力与知名度，属于为产品进行背书的明星式人物，对于产品用户的行为方式与舆论走向具有较大的影响。
稳定性：极其稳定，属于平台为数不多的大V，根据二八法则来看，这类明星用户吸引大部分用户的关注，物质变现不满足于心理的满足，而是可以成为职业化的一种收入。
特性：具有大量的支持者用户，对于产品的走向与舆论有着主导性作用，同时可为产品创造源源不断的活动，属于带动产品的风向标人物
对应需求：自我实现
转载请标明出处，各位手下留情~
未完待续……
用户画像部分的思维导图（幕布）
