最近在和同事以及客户探讨‘用户画像’方法时，渐渐发觉大家对用户画像的认知差异较大，有时难以用一两句话就消除理解鸿沟。的确，这个方法本身所在的知识体系界限模糊，加上随着这几年各企业纷纷拥抱创新和‘设计思维’的兴起，也造成了一些方法上的滥用和套用的现象。因此也衍生出很多不同的含义。

那么在当下到底应该如何理解“用户画像”呢？“用户画像“仍是产品设计者和企业决策者的一个重要武器吗？

要回答这样混沌的问题，不妨以发展的眼光来分析。我们就以时间顺序，看看它是如何产生和发展？在不同的历史时期如何解决实际问题、演化出新的内涵？

🥟

首先，无论是UX设计师说的Persona（用户画像），还是产品/运营常说的Profile（中文也叫做用户画像），还是市场说的Segmentation（市场细分），都是一种研究和理解用户/客户的方法。我们可以在下文统称为用户建模方法。

对于UX同学熟知的Persona，是Alan Cooper在1990年代末的书《The Inmates Are Running the Asylum》中提出的概念。早在这个概念被创造出来之前，Marketing领域就有很类似的方法——Segmentation。Alan cooper定义Persona时是否有受到这个方法的启发无从得知，但它们的确很相似，容易混为一谈。

让我们从市场细分说起。

一，用户建模方法V1.0: Segmentation市场细分

回到上世纪50年代，美国市场营销学家温德尔·斯密提出了STP理念，包含市场细分（S）、目标市场选择（T）和市场定位（P）。

而在此之前，主要的营销方式为无差异营销Undifferentiated Marketing，即通过单一的营销方式向整体市场提供标准化的产品。这种方法使得管理上简单高效，节省成本。可口可乐的成功就可以用这一理论解释。

但是，如果更多的企业想要蚕食这块大蛋糕，资源投入无法和寡头匹敌的情况下，无差异营销无异于自寻短见。所以新企业进入市场时，通常会采取差异化营销——通过用户细分的方法，让有限的资源聚焦在几类竞争不那么激烈的、且与自身优势契合的市场分群上，以便更好的制定投放、跟踪的策略，从而在大蛋糕上占据一小块的位置。 

相对成熟的市场

大多数企业会面临相对成熟的市场，在成熟的市场中，市场细分的分类方式是趋同的。流程主要为：识别蛋糕（市场细分）、切一块或几块（目标市场选择），吃蛋糕（市场定位策略）。

举个例子，在线教育平台，分类方法主要以培训内容-语言、英语、数学，用户阶段-幼儿、K12、成人作为划分标准。市场细分就是选择赛道的过程。

新兴的市场

然而，如果正在切入一个新的市场或还正在发展而未成型的市场，那么就需要通过以下步骤来： 

1，进行市场细分时，首先判断行业中的现有市场形势，是要切入一个现有的市场，还是新市场。

2，确定细分指标：常见的有四种细分维度，分别是地理细分、人口细分、心理细分、行为细分，找出其中最为”可测量“和”有价值“的细分指标

3，采集和分析数据：进行问券调研，通过数据分析对用户作出归类

4，之后进行市场卡位，即STP中的T和P，找到利基市场并且做出市场竞争的战略定位

用户建模v2.0: 用户画像

用户画像最初是为了更好的进行软件产品开发而生的，和软件开发的特性有关。

首先，软件的使用流程较长，需要与用户进行频繁的交互。在设计时需要进行抽丝剥茧般的层层梳理；

其次，产品开发的模式不同，不同于加工环节相对独立的硬件产品——下游的工厂无需理解产品设计的意图，只需要图纸和参数即可制造出合格的产品。软件开发环节有较强的协作需求，要求所有成员，尤其是开发、测试人员理解业务价值和用户价值，才能实现出真正满足需求的产品。

这就带来了两个问题：如何能让整个交互设计过程中更加顺利？以及如何让开发团队成员更好的理解用户价值？

这两点也是用户画像的价值最为契合的地方。一方面，在产品规划初期，与市场细分类似，能够作为产品定位的手段；另一方面，在具体的设计和开发阶段，又通过鲜活形象的描述帮助设计师进行角色代入，帮助设计师在短时间内提纲擎领，切中要害，同时也帮助团队其他成员进行共情，达成对于用户价值的共识。

除了为团队和流程带来的积极影响，对于组织来说，用户画像的价值同样显著。

互联网企业或者数字化业务团队推广用户画像的核心价值，在于它可以帮助企业提高产品开发过程的标准化和可控性。在企业中，产品经理或设计师本身就是一种难以控制的变量。产品开发的过程中往往是团队作战，由于产品经理和设计师自身内在认知和外在环境的影响，这些角色多多少少会带入主观的成分，所以就需要一顶统一的用户的帽子帮助界定思考的边界。所以用户画像也是一种在不确定性条件中应对变化的方法，它将“人”这个变量的影响降到最低，从而提升产品开发过程中的科学性。

🥟

用户画像vs市场细分的区别

1，出发点不同。

用户画像最初被设计出来，是为了让软件开发人员能够与使用者产生共情，设计出真正用户想要的而不是开发人员主观认为的软件。通常是至上而下的，通过用户研究识别潜在的目标用户，并抽取共性进行分层。

而市场细分是基于营销和品牌的需要，最初是由于产品市场逐渐由卖方市场转向买方市场，因此从营销学的角度，将总体市场分为若干个子市场以便于资源的集中投放。常见的手段是至下而上，将满足独特需求的购买者进行区分。

2，关注点不同

市场细分关注的是具象的市场价值，而用户画像关注的是抽象的、共性的用户模式。

市场细分，更多的努力在于做价值的匹配——例如去头屑洗发水，只要去屑效果好，对于头屑烦恼的人群来说就做到了价值匹配；或填补市场空缺——比如戴森吸尘器，正是找到了手持吸尘器的市场空缺，结合戴森的独特技术，大举获得成功。

用户画像，更多在于用户模式，也就是人设的塑造——引用PeterDrucker所说“消费者通常买的，并不是公司认为他们卖的东西” 。比如商场常见的儿童娱乐场所，满足的不仅仅是小朋友的娱乐，背后更大的需求是将家长从带娃的辛苦中解放。所以我们可以看到做的较好的这类服务场所都设有家长休息室，提供一些增值服务。这时候仍然用市场细分和定位的方法就存在局限性了。我们只有了解用户真正面临的困境，想要什么，在意什么，才能够了解其行为本身的驱动因素，进而基于模型预测每层的用户画像会认可什么样的服务。

进一步说，用户画像的精准性是次要的，但优质的用户画像一定是人设逻辑完整、又能够给人留下深刻的印象的，能够让团队聊起用户就像聊起了一个老朋友一样嘴角上扬，然后笃定的说 “我理解他，这种情况，他一定需要什么，会做出什么”。

3，划分的对象不同

市场细分的对象为真实客观的用户群体，而用户画像的细分对象并不是单个用户，而是用户在某种场景下的心智模型和行为逻辑。

也就是说，一个用户在不同的场景下、不同的生命周期阶段，可能会呈现不同persona的表征。

举个例子 ，在对驾驶员做用户调研时就会发现，驾驶员的驾车的激进程度，除了自身性格的原因，很大程度上也取决于驾车的目的和场景。

想想你的周围，有没有这样的一个朋友——他是一位30来岁的老司机，在独自驾驶时表现出激进的驾驶风格，使用非常激进的驾车策略，追求速度和激情带来的驾驶掌控感。他喜欢手动挡汽车，能主动判断红绿灯和路况从而顺利避开红灯，完美的选择最高效的路径，同时也激进的避免加塞和超车。属于“激进型的驾驶者”这类的persona。

但这位老司机同时也是一位爸爸、丈夫和儿子，当他载着他的家庭成员时，驾驶风格就好像变了个人，非常追求安全与稳定。这时，他就属于另一个persona“稳定型的驾驶者”

从市场细分的角度会考虑更易理解和易操作的分类方式，会从这位用户的收入、年龄和家庭等人口属性特征，将他划分为‘豪华家庭轿车’或‘运动时尚跑车’这样的分类范畴。从而更方便广告营销人员去设计和执行更有针对性的营销手段。

而随着汽车自动化程度越高，辅助驾驶技术日趋成熟，系统需要与用户进行的交互也就越丰富，汽车的内核从硬件过渡到软件，交互方式从人-车交互过渡到人-机交互。这时，仅仅凭借市场细分，姑且可以指导市场营销，但无法指导具体到某个场景下的用户交互行为的设计。

对于以上案例，用户建模需要回答的开放性问题是“什么场景下，机器应该如何对他进行架势辅助，才能恰到好处？”只有找到串联用户心智-目标-行为的钥匙，才能解好这道题。

这也是为什么persona仍然被很多人视为产品设计的法宝的原因。

🥟

那么在大数据时代，再谈论用户画像是否过时？回答这个问题之前，我们先来聊一聊用户画像演进中谈论比较多的——数据型用户画像。

用户画像的内涵是否又转变了？

用户建模v3.0：大数据用户画像

传统的用户建模要解决的矛盾，是有限的资源和无限的用户需求间的矛盾——我们资源无法满足所有用户，只能找到最具有代表性的几类，尽可能的‘去平均化’。

在大数据时代，这个矛盾有了另一种解法，因为大数据的标签体系能够建立用户行为模式之间的关联，做到更加精准的营销，满足更多差异化的需求。

这个时候大家谈论的用户画像，通常说的就是 Portrait 或者 Profile了，也就是用户信息标签化。

在数据的数量和质量足够好的时候，大数据的优势就充分显现出来。

首先，基于数据的Portrait相比于Persona，拥有更丰富的分类维度，除了传统的统计累和特征类的区分维度，还有规则类和机器学习类标签。

具体的划分方式上，除了从技术角度，通过维度的组合和聚类算法分群，也可以从用户角度，从用户的属性、行为、生命周期、用户价值进行划分。

另外，大数据分层的方法还能将每个用户个体映射到细分的用户群体中，为精准化营销的落地提供帮助。通常的流程是基于一定的目标，再进行拆解，锁定分类的维度。例如：

1，定义目标：提升收入 → 2，拆解问题：什么样的用户消费高 → 3，确定分类维度“用户累计消费” → 4，锁定高消费群体

但大数据也有局限性。

Portrait通常是基于已经发生的行为，通过聚类算法，从底层数据发现规律，可能会得到有潜在业务价值，但业务上无法直观解释的分组。能够非常精准化，但无法指出行为背后的原因，不过通过进一步的数据分析就能解释一定的行为模式（What）。而Persona着重（Why），通常采取定性定量结合的方法，能够描述产生行为的原因和机制，有一定的预测性。

通常情况下，Persona和Portrait是可以结合和互补的，不过，用户建模方式方法的选择和应用，并非是由不同角色所具有的不同的专业视角决定的，而是产品生命周期的不同阶段所产生的不同的业务发展的诉求决定的。

在产品从 0-1 阶段，进行用户研究是初始用户分层和Persona的唯一的输入来源。而在产品从 1-N 阶段，积累的行为数据能够更好的帮助我们对画像进行补充、细化和校正。但是，如何进行埋点，埋点的依据和统计的规则的梳理，都需要建立在产品设计人员立足于前期的用户画像，具备一定的产品见解基础上来完成。

🥟

运用画像支撑战术，才是进行用户建模的意义

所以，再看用户画像意义的演变、边界的模糊，从更大的角度看，也许和互联网行业的变迁息息相关。

过去的十年间，智能手机的普及带来的人口红利催生了大量新的需求和场景，“体验”就成为了很多企业追求的信仰。但当前竞争日渐激烈、增长见顶，企业只能在存量市场中寻求机会，‘增长’的概念就快速的流行起来，对运营的要求也就越来越高。不难理解，这也是为什么大数据用户画像变得如此重要的原因。

回归到“手段服务于目的”的逻辑，用户建模本身是跟随产品的目标不断变化的，同一个产品若有不同的战略方向，或处在不同的发展阶段，选用的画像方式和产出的划分结果都可能大不相同。因此作为产品人，以动态的视角进行不断的回检和反思，才能发挥出工具的最大价值。