用户画像构建与消费者行为分析（电商实战版）
> 学习框架：问题→学习→分析→理解→内化→类比→迁移→实践→调整→成事
问题：怎么知道用户是谁？想要什么？为什么买/为什么不买？
一、用户画像的本质
用户画像不是为用户贴几个标签（性别+年龄+地域），而是基于海量行为数据的标签化用户模型。核心价值：了解用户、猜测潜在需求、精细化定位人群、发现新用户群体。
画像的六大维度：
- 基本属性：性别、职业、月收入。来源：注册信息+多维建模
- 购买能力：消费水平、败家指数。来源：消费金额、下单频度、消费周期
- 行为特征：活跃程度、购物类型、起居时间。来源：浏览、点击、下单数据
- 社交网络：社交关系网。来源：收货地址、活动地址
- 心理特征：促销敏感度、购物忠诚度。来源：代金券使用频度、品牌分布
- 兴趣爱好：运动偏好、品牌偏好。来源：购买的商品、颜色、品牌
二、用户画像在电商的五大应用场景
场景一：精准营销——什么时间把什么内容发给谁- 用户浏览某类目但没买→分析价格敏感度→推送适合的优惠券
- 用户到货提醒→到货时推送+关联推荐
- 操盘要点：不要一视同仁地发推送，不同人群不同策略
- 购买口罩的用户星座分布→雾霾防范指数报告
- 阿里指数/京东指数：洞察行业趋势
- 啤酒与尿布的经典案例：买尿布的人也可能买啤酒（下班回家前的放松消费）
- 三八节促销男性商品：女性购物时顺便给男伴买
- 聚类分析：喜欢X的人往往也喜欢Y
- 分析某品类的用户特征→找出高价值用户→针对性投放
- 知己知彼：让店铺更了解自己和行业
- 不同用户搜索同一关键词展示不同结果
- 首页推荐栏目的个性化
- 客服机器人基于用户画像制定应答策略
三、用户画像在电商运营中的实操方法
实操一：利用生意参谋分析店铺人群生意参谋→流量→访客分析→人群画像
- 性别比例：男/女占比，决定视觉风格和文案调性
- 年龄分布：不同年龄段对不同卖点的敏感度
- 消费层级：L1-L5占比，决定定价策略
- 地域分布：决定投放地域和物流策略
- 提取店铺复购用户画像（消费力L4-L5+特定年龄段+特定地域）
- 到达摩盘圈定相似人群
- 用这批人群做引力魔方拉新
- 效果：转化率比随机拉新高3-5倍
- 差评：用户的真实痛点和未被满足的需求
- 好评高频词：用户最在意的卖点
- 问大家：用户的核心顾虑和关注点
四、RFM模型的电商应用
RFM是用户分层最经典的模型：
- R（Recency 最近购买时间）：越近越有可能复购
- F（Frequency 购买频率）：越高价值越高
- M（Monetary 消费金额）：越高越值得维护
| 分层 | RFM特征 | 占比 | 运营策略 |
|------|---------|:----:|---------|
| 高价值 | R高+F高+M高 | 10% | VIP维护，专属优惠 |
| 待激活 | R低+F高+M高 | 15% | 召回推送，限时优惠 |
| 潜力客户 | R高+F低+M中 | 25% | 促复购，培养忠诚 |
| 需唤醒 | R低+F低+M中 | 30% | 优惠券+新品通知 |
| 流失风险 | R低+F低+M低 | 20% | 折扣+回归礼包 |
五、电商用户画像的未来趋势
趋势一：线上线下数据融合——通过问卷调查/月账单补充线下消费数据
趋势二：跨业态数据打通——金融数据+电商数据+社交数据
趋势三：实时场景消费引导——用户到达某线下门店时实时推送线上优惠
趋势四：AI驱动超个性化——基于大模型的用户意图预测
六、错题本
- 以为用户画像就是性别年龄地域三个标签→真正的画像需要6个维度以上
- 只看老客画像做决策→老客画像有幸存者偏差，要用它反哺拉新而不只是服务老客
- 不做RFM分层对所有用户一视同仁→不同价值的用户需要完全不同的策略
- 分析完了不行动→画像的价值在于指导行动，不是分析本身
七、类比迁移
用户画像就像私人侦探的调查档案——你要收集嫌疑人的所有信息（消费记录、行为轨迹、社交关系），从中推理出他的性格特点、行为模式、下一步可能做什么。了解得越透彻，预判越精准，行动越有效。