【导语】你好，我是特雷。欢迎你来收听我的课程《用好工具，高效做营销方案》。

上一讲我们介绍了受众分析的基础方法：调研法，但在实际的应用过程中大家可能会注意到这个方法存在2个问题：

第一个问题是时间周期有点长。通过在线调研工具，从撰写问卷到发送样本，再到回收问卷分析4-5天就过去了。并且得出来的结果也比较浅，如果真的去做调研小组访谈来获取受众分析洞察，那么少说3-4个月，多则半年过去了。时间耗不起啊。

第二个问题，在开篇时候也提过，就是：用户可能不会告诉你他们正式的想法是什么，甚至可能他自己都不知道自己的真实想法是什么。

如何解决这2个问题呢？这就是我们今天要讲到的：大数据工具法。

工具和数据抓取的客户行为是不“骗人”的。在今天的人工智能和大数据时代，我们通过抓取用户在互联网上留存的数据，并借助一些用户洞察分析的工具，捕捉用户无意识的行为习惯，可以说在某种程度上可以做到比用户自己更了解他们。

那么好，既然说到这，那先给大家普及一个概念：用户画像。

交互设计之父Alan Cooper在1998年出版的《软件创新之路》中最早提出用户画像的概念：用户画像是从真实的用户行为中提炼出来的一些特征属性并形成用户模型，它们代表了不同的用户类型及其所具有的相似态度或行为，这些画像是虚拟的用户形象。

与古代的“受众”概念相比，现代的“媒体受众”具有人数众多、规模较大的特点，在空间分布上也呈现出非集中化的特征。这在这中情况带来的好处是你的“受众”获得指数的增长，但这时“受众”并不都完全是你的“信息接纳者”。甚至，随着你“受众”的指数增长，成为“接纳者”的比例也会逐渐降低。

在没有用户画像这个概念之前，做受众分析会更多的传播媒体角度来进行意图构想，来假想受众是谁，然后根据判断制定内容，来猜测“受众”到“接纳者”哪个转化率更高、组合更优，以获得更好的“鼓动、说服、传道”效果。

而通过目前的互联网技术可以反馈出用户的行为轨迹，为何我们不去直接进行用户画像来的稳妥？

通过信息获取数据挖掘用户画像将人们划分成不同的群体，每个群体内都有相同或相似的购买行为，因为具有共同的价值观与偏好，所以他们对待某一品牌、产品或服务时也会体现出类似的态度。用户画像所描述的是不同的客户群体最显著的差异化特点，因此可以为我们接下来做营销提供有效的帮助。

例如：我们基于一奶粉品牌的微信公众号做过用户画像分析，虽然这些用户都是因为是奶粉品牌的粉丝来关注的公众号。但是我们发现从微信导向电商的过程中，发现不同受众的差异化偏好是不同的。有的用户偏好的就是价格促销信息，有的用户价格不敏感但对专家推荐很在意，还有的用户就是纯粹基于某些明星的推荐。这些差异点在基于之前的媒体受众分析都是无法获得，而现在通过数据分析能了然于心。

我们不难发现，通过用户画像我们可以更加好的理解目标受众的社群关系、行为特征和需求，为我们做营销提供更有利的帮助。

用户画像，即在已知事实或数据之上，整理出的每一个消费者/用户/客户的相对完整的档案。既然是档案，那么消费者画像会含有大量的数字、百分比、平均值、标准偏差、统计比较等。由于每一个抽象出来的用户特征会用一个相应的标签来表示，因此，消费者画像也常被看作关于用户信息标签化的结果或各种标签的集合。大数据消费者画像带给我们的不是一个具象的人物类型，而是关于所有对象的不同类型的数据所呈现的总体特征的集合。

这个方面大家可以对照着用户画像的图来看，在描述大数据用户画像的时候往往会展示一张用户画像梗概图，他们的画像都是用多个片段信息拼凑起来的。

按照大数据的计算，通过各种标签还原出消费者的各种特质与轨迹，又需要把消费者放入情景化中，把这些特质的表现串联起来，这样营销战略既能够有数据化的精确，又能有效切入消费者的生活轨迹。我们对照着ppt中的这张图来看，关于消费者的一天的生活轨迹数据化的描述就是一个这样的诠释。

定义：数字化画像与识别指的是用数字化的技术表述消费者的各种特质以及这种特质在时间和场景下的集合，帮助营销管理人员精确定义目标消费者，并在此基础上设计营销战略。

画像数据维度的划分方法根据企业的使用目的而不同，但一个典型的消费者画像通常会采用以下这些维度，根据不同的划分角度，这些维度会有重叠的部分：

如性别、年龄范围、收入、家庭状况、所属行业等。

如消费特征，包括消费状况、购买力、消费地点偏好等，还包括美食偏好特征、教育选择、设备使用偏好等。 

如上网行为特征，包括网站浏览行为特征、邮件使用、搜索行为等，还包括App的类型选择和使用特征。

还可以是地理位置移动信息如出行规律、商圈级别、差旅习惯等，休闲行为如旅行的目的地、酒店选择偏好等。 

社交人群、社交习惯（包括线上线下的习惯）等。

对比而言之前的受众研究更多的是研究媒体特性（备注：受众倾向性阅读诱导）来意图猜测信息接纳者的片段、情境、场景，而计算机带来的用户画像标签化，使得场景有了更直观的研究体现。

这就类似于如果通过媒体来分析受众，当我们看到一个汽车杂志的读者我们就臆想，他对车感兴趣，近期准备购买奔驰车。

而如果通过用户画像来分析判断会是这样的：一个用户搜索了奔驰车这个关键词，查找信息，并且，在汽车之家查询了相关信息，还在奔驰的mini site上注册填写了试乘试驾表格。

这两种方式哪种更有说服力呢？答案不言而喻。

用户画像的公式如下：

那么，好概念讲完了，有的同学说这有点抽象不好理解啊？大家不用急，接下来我们介绍几款产品和一个案例，让大家慢慢体会。

百度指数 ( index.baidu.com ）是基于百度搜索数据目前市场上比较早且免费的一款用户画像工具，在百度指数平台中输入你想要研究的关键词，比如：无人机。

在用户画像中就可以查看，搜索 无人机 这个关键词人的画像。如图。

无人机广东地区搜索的人最大，其次是江苏、浙江。

此外，还有人群属性，如年龄和性别分布。

还有就是兴趣，如这个人群就占比更高的兴趣倾向于资讯，大家还可以关注一个叫TGI的指标，TGI指数= [目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。通俗的来说，就是搜索无人机人群的人相对于其他人群更关注的家电数码。

另外，就是需求图谱部分可以作为稍后洞察的一些补偿信息。

同样，360趋势 也开放了类似的免费工具，使用方式雷同，不过数据源是360的搜索数据。有些维度大家可以作为一些补偿，如：360趋势中 同样输入 无人机 关键词。需要分布可以参考与百度的需求图谱进行对比：

还有就是 喜欢无人机的还喜欢 什么，并且，这个可以切换到不同地域来看。

最后总结一下，今天我们一共讲了以下几个内容：

（1）调研法存在的两个问题（时间周期长、难获取受众真实想法），大数据工具可以解决。

（2）媒体受众分析是根据媒体特性判断受众。而用户画像是基于用户的行为数据打标签。

（3）用户画像的5个维度：人口学特征、生活方式特征、线上行为特征、线下行为特征、社交行为特征。

（4）两款免费的用户画像工具：百度指数、360趋势。

当然，还有就是BlueMC的社群画像工具，与以上两工具不同的数据源BlueMC使用的数据是微博中讨论这个关键词的数据，由于新浪微博还有这些讨论者的人群属性，所以，从原理来说人群属性会更准一些。

接下一讲，我们会围绕BlueMC这款工具来展开讲解一个案例，告诉你如何综合运用我们介绍的方法，来分析受众。

你好，我是特雷，我们下一讲继续聊受众分析的方法。