作者：接地气的陈老师
来源：接地气学堂
有同学问：到处都看到吹用户画像的，可就是没见过真正例子。今天我们来一个：利用用户画像提升交易额的实战例子。而且这个例子就发生在我们身边。陈老师上周带娃的时候刚刚碰到的，还新鲜热乎着呢。
一个活生生的用户画像实例
秋高气爽，爸比带着coco出去玩，在某个湖边看到好多人在放风筝。突发奇想：我们也去放吧！coco表示：嗯！于是俩人一起去走鬼（广东话，指无证流窜小摊贩）大叔那买风筝。
看到coco喜欢，爸比就准备掏钱了，然而峰回路转，没想到又有下边一段：
然后爸比就和coco愉快的放风筝去了。可事后一想：我勒个大槽，
这不就是基于用户画像的，用推荐系统提升交易的完整流程吗！数据采集-打标签-产品推荐-向上销售一气呵成，还做了二次推荐，把成交率和客单价分开提升，真是巧妙。
虽然大叔没有啥大数据系统，也不懂写代码，可这办事的思路，却远远胜过还在到处问“推荐风筝的算法有哪些”“BAT是怎么卖风筝的？”“我是互联网风筝行业的，有没有懂互联网风筝问题的大佬”的新人了，毕竟
实践出真知，
抄袭降智商。
然而仔细一想，事情并没有这么简单：卖玩具的多了去了，为什么偏偏是风筝呢？
用户画像的真正用途
常溜娃的家长都很熟悉，在公园、池塘、草地附近，都有小摊贩卖泡泡棒、玩具枪、魔法棒、挖沙工具、风筝一类玩具。看似都是卖玩具，可细细品来，不同玩具的差异非常明显。
01、玩具枪、魔法棒
这一类玩具款式非常重要！是不是巴啦啦小魔仙的魔法棒，是不是吃鸡的98K，直接决定了小朋友买不买。这是典型的：
爆款驱动。爆款是可以人为创造的。这里考的就是业务设计、推广能力。
选款不行，一切白费。再好的推荐系统也帮不上忙。
02、泡泡棒
这一类玩具卖点很突出：漫天泡泡飞啊飞。所以丫根本不需要推荐。你只需要埋伏在路边，等着一群小朋友走过来，然后往天上一呼，哗啦啦好多泡泡向小朋友方向飞去。然后就十有八九有小朋友想买。这是典型的：
体验驱动。这里考的是销售能力，让用户体验到效果。不然不让体验，光叨逼叨推荐，还是会丢掉。
03、挖沙桶：
这玩意同质化程度非常高（一个方头铲、一个尖头铲、一个耙子，一个小铲，一个贝壳模型，一个海星模型，一个小桶，全国同款）。而且功能非常明确、单一：挖沙！对家长而言，没啥好说的，便宜就买，贵了就不买，典型的
价格驱动。这里考的是定价，价格贵了，再推荐，家长也不当冤大头。
相比之下，风筝非常独特：
风筝撑开的话体积太大，不容易陈列，不容易供客户挑选。
风筝的花色、尺寸、图形，确实很多人会在意。你还不能不让人家挑。
风筝单价相对较高，卖贵了，大人分分钟掉头走人，卖便宜了不挣钱。
特别是对于走鬼大叔，真要是把风筝都摊在地上，估计城管来了跑都跑不掉！而且摊几十个风筝在地上，卖相也很差，家长挑选也很辛苦。
要知道，没有家长是心甘情愿带着孩子去小摊上买东买西的。大部分都是怕/被孩子又哭又闹的苟且之计。所以多增加一点选择负担，就多一点损失客户的几率。因此推荐系统在这里就很好用。
对比这四个品类，我们发现：推荐系统只是商品管理的一个辅助工具而已，适用于非爆款、品类间有一定差异的产品。但是，商品管理的每一种战术，都和用户画像有关，理解用户，才能精准的满足需求。所以不要一提用户画像就想到推荐上去了，还有更多工作可以做呢（如下图所示）。
有用的用户画像为什么难做！
既然用户画像这么好用。那为什么我们总觉得，用户画像是搞了一堆数据堆在那，最后屁用没有呢？因为想做出有用的用户画像，需要规避太多的坑了。
坑点一：没有明确干什么
如果走鬼大叔见了家长，不问人家买什么，在那谈天说地瞎聊天。他还能卖出风筝吗？当然不行，可能扯淡是扯个爽的。这就是有目标和无目标的区别。对应到工作中，很多人做用户画像是基于：“领导要求做”“我看人家都在做”
至于：
做了干啥？
哪个部门用？
用在什么场景？
提升什么指标？
这个指标当前是多少？
预计提升多少？
提升指标需要什么配套？
完全没想过
这要是做出来有用，就见鬼了。╮(╯▽╰)╭
坑点二：数据质量没保障
注意，大叔明明看到了一个爸比+一个小朋友走过来，可他还是问了：“大人放还是小孩放？”
没有想当然，这是专业性的表现。因为玩具是一个典型的使用者和购买者分离的场景，特别是风筝，大人小孩都可以玩。这时候确认真实性是很重要的。
对应到工作中，就是我们常说的数据质量。数据质量是一切分析的前提，而很多公司是低估了数据采集的严谨性的。在所谓“标签扩散法”出来以后，更有一帮做数据的新人，自己都以为不要采集，只要有算法就能算出真实数据了，这就真的是自断生路了。
数据质量，永远都是越高越好。
坑点三：不打标签只捞数
注意，大叔问的是一个标签，不是一个原始数据。比如大人也可能有身高150，小孩也可能身高150。那为什么要问标签，而不是一个具体数值呢？一来问标签数据采集难度小，二来孩子这个标签不但代表了身高，也代表了审美，作用远比原始数据丰富。
这就是
标签作用的直观体现：含义丰富，使用方便。这也是为啥采集了数据，还得继续打标签的原因。标签是经过提炼，有含义的数据分类，比原始数据要有用的多。
坑点四：效果缺少验证，更没有迭代
说到标签有用，于是就有人患上了标签狂热症，疯狂打标，不管丫有用没用，有多大用，总之标签越多越好。可没有验证过效果的标签，跟没有一样。更不要提基于初级标签，再制作更复杂的二级，三级标签了。
有意思的是，走鬼大叔就用了二级标签的策略。注意，如果一开始就说：普通风筝20，儿童风筝30，那很有可能家长就直接选20的了。如果一开始说：风筝30，有可能把家长吓跑。但是先确认家长愿意买，再推荐一个“不伤手”卖点的贵绕线轮，成功率就大大提升。因为已经确认了：这个家长肯迁就孩子，那肯迁就孩子的家长，肯定大概率会买个贵的。实际上，不完全统计，现场有一半都是“不伤手”的绕线轮，嘿嘿，其中滋味，你品，你细品。
小结
当然，以上只是陈老师的
借题发挥。大叔可能仅仅是够机灵，根本没有思考这么多。但是这种直观的例子，是非常适合大家记忆的。当你下次迷茫在“到底用户画像有啥用？？？？”的时候，可以再回味一下哈。
这里还有一个小问题，看起来这个过程很简单呀，为啥还需要专业的数据分析师来做呢？业务人员自己也能总结呀。答：两个原因，一来实际商业场景中数据量大，维度多，处理起来非常耗费时间，需要专业人员来做。如果你看到你的运营不是在设计方案、选礼品、调查用户，而是一天8小时在搞数据，那这公司离倒闭也不远了。
二来，业务人员的经验很容易被短期效应打脸，进而做出错误判断（如下图所示）。业务人员KPI挂帅，容易选择短期见效的，忽视长期效应。这时候就需要数据分析师，沉住气，长期观察，沉淀经验。才能更好指导业务。
所以，做数据分析的同学要对自己有信心。数据的价值绝不止于一个复杂的模型，基础工作，方法沉淀，经验总结，反哺业务，都是我们能做的。方法并不是越难越好，而是越有用越好。
想从事业务型数据分析师，您可以点击>>>“数据分析师”了解课程详情；
想从事大数据分析师，您可以点击>>>“大数据就业”了解课程详情；
想成为人工智能工程师，您可以点击>>>“人工智能就业”了解课程详情；
想了解Python数据分析，您可以点击>>>“Python数据分析师”了解课程详情；
