从 0 到 1 构建用户画像系统解决方案，是一个迭代的过程，若希望“一步到位”搭建起一套完整、通用的用户画像，反而容易造成用力过猛，踩到雷区。

在开始搭建用户画像之前，我们将从以下几点推演一下传统品牌的 CRM 需要怎样的用户画像，以便大家对此有更加深入的了解，进而知道如何去搭建自己品牌所需的用户画像。

1. 用户画像的准确定义。
2. 分析传统品牌的现状，由此决定品牌需要的用户画像以及搭建用户画像的优先级。

关于什么是用户画像，许多“构建用户画像新人”往往产生过度解读。引用一条在网络上广泛流传的定义：“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。”

如果对此定义过度解读，便会产生“用户画像的目标是通过对不断获取到的数据进行修正，从而尽可能100%的还原用户”的误解。

试想一下，要搭建一个“为还原而还原”的标签库，至少需要从人口属性、社会属性到人生阶段、行为特征、消费特征、兴趣爱好，将人身上的各个维度捋上一遍，设计百来个标签都不为过。

传统的零售品牌可预见的现实结果却往往是：品牌无法获取一手的客户资料（即使是订单数据都很难辨识到底是谁买的），想从其他平台采集客户数据更是重重阻碍，令人十分泄气；所谓的“海量”数据并不“海量”，要将标签真正打到人身上简直寸步难行，最终使品牌对搭建用户画像失去了信心、只能将其束之高阁。

用户画像所追求的永远不是“最全面”的客户真实面貌，之所以产生误读，是因为缺少了一个重要的「先决条件」，假如构建用户画像之前不思考这个「先决条件」，只会让用户画像沦为形式主义。

用户画像的先决条件：明确用户画像所要解决的业务诉求。

其实许多关于用户画像的资料或一笔带过或浓墨重彩的说起过这一点，但仍然有许多从 0 到 1 构建用户画像的新人们会忽略这个最为重要的先决条件。

之所以忽略，原因在于：对新人而言没有比“一套现成的标签库”更吸引人的了，一旦从资料中找到他人所定义的标签库便一股脑儿的照搬过来了事。

然而，要知道并不是有了用户画像，便能找到业务诉求，而是先有明确的业务诉求，才需要用户画像。搞错了先决条件，必将导致用户画像难以落地。

处在不同阶段的品牌，其业务的侧重点也不同，在构建用户画像之前应依照品牌现状排列需求优先级。

如下图所示：AARRR模型代表了品牌客户运营的不同阶段，以及处在不同阶段对应的业务优先级：

构建用户画像的正确姿态：用户画像的构建如同产品 MVP 迭代。

从实现层面来看：描绘用户画像——即给人打标签，因此需要事先制定一套用于描述客户的标签库，但标签库不该一成不变，标签库的迭代如同产品的 MVP 。

其中有两个显而易见的理由：

1. 品牌收集客户数据的过程是场持久战，用户画像不能老等着客户信息齐备了才开始发挥作用，我们需要考虑：在数据并不丰富的情况下，如何发挥用户画像的作用？
2. 品牌设计的标签能否准确描述客户，以及能否真正解决业务诉求，需要在画像的使用中进行验证、调整，如同产品研发的过程。

最后我想说：

假如增加 10% 的精力和成本构建的用户画像，可以带了 30% 的业务持续提升，可以敲定该用户画像方案成功；假如增加 60% 的精力和成本构建的用户画像只能带来10% 的业务提升，那或许该考虑是否需要构建用户画像了。

现在就让我们从品牌的现状中解读一下：品牌需要使用用户画像解决什么业务诉求？

现状1: 刚开始搭建与连接客户的环境

过去，传统行业的分销体系隔断了品牌商与客户的直接接触，品牌与客户之间隔着好几级的中间商。

如今，品牌可以在微博、微信以及各大电商平台上建设官方账号，构建私域流量，维系客户关系。

虽然建设用户运营环境没有了门槛，品牌想要吸引客户持续关注、保持活跃并非易事，大部分品牌仍停留在摸索有效的客户运营模式阶段中。

在品牌众多的业务诉求中，当务之急是：持续不断的产生优质内容，通过内容提升品牌差异化，加强潜在客户对品牌经营产品的需求，提高老客户的忠诚度（这里的内容可以泛指各种形式的内容，如知识课堂、视频直播、线上/线下活动等）。

据不完全统计，微信服务号的一篇图文推送仅有3%的阅读量。

所谓优质内容需要给客户带来价值，契合客户的兴趣、需求、心理。用户画像可以用来描述客户人口属性信息（如性别、地理位置等）以及兴趣爱好，帮助品牌产出对于客户而言的优质内容。

现状2: 刚开始沉淀客户数据

品牌可以通过公众号、小程序获取客户社交行为数据，通过电商平台获取客户交易行为数据。但事实上，平台与平台之间数据相互孤立，同一个客户的社交数据和交易数据无法打通。此外，客户的平台账号信息并不能真实反应客户基本信息。

接下来，基于品牌现状引出本篇文章想要探讨的话题：作为 CRM 系统该如何帮助品牌从 0 到 1 构建用户画像？

注意：本文不存在完整的标签库，而是从 CRM 系统设计的角度阐述：如何从业务解决方案层面到产品功能，实现层面帮助品牌搭建用户画像？

用户画像的基础在于数据，作为 CRM 系统首要任务便是接入品牌连接客户的各个触点的数据。对于常见触点（例如：公众号、电商平台、H5）提供通用的接入方案以及结构化存储方案。

这一步骤看似简单，实际执行起来也需要费些劲。

首先，平台面向的业务不同，所产生的客户数据自然不在一个维度，社交平台上有关注、点赞、评论等行为数据，而电商平台更多的则是订单数据。

其次，即使是同一类型的平台定义的数据字段也不一致，天猫订单的字段与京东订单的字段就不同。

因此，重要的是抽象出一套底层数据模型，为后续分析客户、构建用户画像打好基础。

（可点击查看大图）

目前常用的客户数据模型将客户数据分为：「基本属性」和「行为事件」。

「基本属性」：通常为静态数据，用于记录客户长期属性，例如：性别、生日等。

「行为事件」：为动态数据，可将客户的各类行为以统一的数据结构存储，对于集成多渠道数据尤其便捷。

例如：客户在天猫平台产生购买商品 A 的订单数据，又在京东平台产生购买商品 B 的订单数据，系统可以将这两条订单数据一并以「购买商品」事件进行数据存储，并区分购买渠道（事件属性）的属性值分别为天猫平台和京东平台，区分商品名称（事件属性）的属性值分别为商品A和商品B。

根据客户行为品牌可以推测出客户的兴趣偏好。

根据上述数据模型，系统可以提前准备好各大平台的数据采集方案，使品牌可以快速接入其客户触点。

除此之外，不同行业对客户数据的需求也不尽相同，品牌可根据其业务诉求设计所需的客户数据字段，通过在内容上设置埋点收集客户行为数据，或通过填写表单采集客户基本属性信息。

例如：母婴行业品牌可以让客户填写宝宝的出生日期或预产期，以便推送更符合妈妈当前阶段所关注的内容。

事实上，集成各个渠道所采集到的客户数据并不能识别同一个客户身份，如下图：

想要打破数据孤岛，最常见的方法即：利用客户手机号打通各触点客户身份。

问题是：如何在各个触点获取客户手机号？这一步骤更多的是依赖于品牌运营了。

重点仍在于：提供价值。

只有当客户能够从品牌得到需求的满足，客户才会“心甘情愿”的曝露自己的信息。

在“千人千面”还未形成之前，可先利用多数客户普遍存在的需求，例如：

“贪便宜”的需求：

“优惠”、“赠品”的营销手段总是屡试不爽，与其直接把价格定的低一些，付出一定“努力”换来的“奖励”来的更诱人些。品牌可以在各触点设计各类营销活动吸引客户参与、获取奖励，并在互动过程中不知不觉的收集到客户手机号以及其他信息。

对知识的需求

信息爆炸的时代，却让人们产生了对知识的焦虑感。

品牌可以利用人们的知识焦虑，通过承诺提供持续不断的专业知识吸引客户提交个人信息来订阅这些知识，比如：服饰行业可以提供流行趋势、搭配指南；化妆品行业可以提供护肤知识、美妆知识；母婴行业可以提供母乳知识、育婴知识等。

鉴于原始数据的值过于多样纷乱，直接基于原始数据提炼用户画像有很大难度，因此可以对原始数据进行一层抽象。增加数据维度即增加数据的描述方式，同时也增加了洞察数据的角度以及深度，接下来举几个例子具体说明一下。

为商品增加「商品分类」、「商品参数」：

上述表格截取的是电商平台上部分原始订单数据。

很显然，即使以事件模型存储，想要从中洞察出购买客户对商品的偏好仍非易事，毕竟客户已经购买过该商品，品牌总不能重复向客户推荐同一件商品。

像这样为商品增加更多的维度后，商品有了清晰的分类和特征，品牌可以更深入的洞察到客户的商品偏好，比如：可以向客户A 推荐扎染风格的上衣或推荐牛仔的半身裙。

为内容增加「内容标签」：

品牌与客户的互动离不开内容，内容可以包含：图文、图片、文本、H5、音频、视频等。

品牌可以为每个内容设置内容标题，但和商品名一样，内容标题同样存在特征没有被规范的问题，品牌无法深入洞察客户对内容的偏好、关注点以及隐藏的潜在需求。

如果预先为内容打上相应的内容标签，那么，客户一旦与内容产生交互便会标记该客户“阅读”过对应内容标签的内容，这样即可抽像出客户的“阅读”行为特征了。

增加维度其本质是：对数据的归纳、分类，这些维度不足以用来描述客户，但可以描述与客户交互的“实体”的特征，如商品的特征、内容的特征等。

接下来，该进入构建画像的步骤了。

用户画像重点不在于完全反映真实世界中客户的所有特征，而是围绕着品牌的客户运营策略展开的对客户的理解以及描述，其外在呈现上是一系列客户标签的组合。

品牌构建用户画像往往会进入这样一个误区：为了“画像”而“画像”，却没有为“画像”后的群体制定对应的运营策略（对于某画像的客户需要采取什么手段运营，或保持现状，或放弃运营）。

如上文提到的，当前品牌使用用户画像最主要的目的是产出优质的内容，而内容运营的策略大致可分为以下几类：

因此，品牌所需要的用户画像至少需要（但不止于）以下几个方面：

上图只是用户画像的简单框架。

实施过程中，需要根据品牌所处行业特点、自身运营需求扩充用户画像的维度，并最终将其具体化成一组组的客户标签。

例如：

用户画像的标签库设计完成后，接下来就是：依据一定的预设规则或数据模型为客户打上合适的标签。

关于用户画像标签按建模方式可以分为三个层级：事实标签、模型标签、预测标签。

本文主要从 CRM 系统设计的角度阐述：系统该如何帮助传统品牌一同落地用户画像？

对于数据建模的各种算法，许多地方已有专业详述，在此就不班门弄斧了。

不过对于传统品牌而言，很多时候通过一些预设统计建模，或简单的算法已经足够满足精细化运营的需求，因此作为 CRM 系统可以在功能上为品牌提供部分支持，例如：自定义标签规则、标签权重、RFM模型、活跃度模型等。

比起互联网公司的用户画像，传统品牌需要的用户画像并没有那么高深。

原因有很多，包括：品牌没有那么多产品线需要推荐、品牌的客户运营并不需要真正做到完全的千人千面等。

碍于我匮乏的想象力，当前品牌所需要的用户画像应该将重点放在「客户阶段」、「客户价值分层」以及「客户兴趣偏好」这几个维度，对此如果读者们有其他的见解，希望可以交流一下。

本文例举了作为 CRM 产品帮助品牌落地用户画像的步骤及优先级，但品牌从头开始构思用户画像的步骤却正好相反。

首先，应该根据品牌的运营目标设计一套用户画像以及对应的策略，接下来规划出具体需要的客户数据（客户属性数据及客户行为数据），以及如何收集这些数据。

其次，既然从 0 到 1 落地用户画像，初期必然会遇到数据不足或客户身份无法的问题。初期可以划分出多个阶段，根据各阶段的运营策略规划用户画像。

最后，用户画像并非一成不变，市场不断变化，客户的需求以及兴趣点也在变化，品牌需要跟进客户的变化不断调整用户画像的策略。

本文由 @圆圈圈圈圈圆 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议