在没有数据之前，产品经理和营销人员总是喜欢自己脑补用户特点，给用户贴标签，以为这就是目标用户，结果就是花了很多钱，没掀起什么水花。

而利用数据产生的用户画像则是抛开了产品本身和个人喜好，将焦点关注在目标用户的动机和行为上进行产品设计。

用户画像制作流程和思路听多了，但实际操作依旧不知道怎么下手，这里我分享一个案例，或许能给你一条更清晰的分析思路：

背景是某银行陆续打造了线上线下的客户触点，来满足客户日常业务办理、渠道交易等需求。面对着大量已有的用户数据，如何通过数据，挖掘分析出不同理财产品对客群的吸引力，从而找到目标客群，进行精准营销，最终“把合适的商品推荐给潜在购买用户”？

问题分析思路

• step1：对银行总体情况进行分析：找出银行的“地理战略重心”，了解在获客渠道的弱点
• step2：对客户进行分析：预警出「最有可能购买的用户」和「最有可能流失的用户」
• step3：对银行的理财产品进行分析：了解目前理财产品欢迎度情况，分析用户最喜欢购买的产品特征；
• step4：对客户的购买行为进行分析：从而打通下单过程中的阻碍，提高下单成功率；
• step5：构建购物篮模型：相关性:高的产品一起打包出售；构建Kmeans模型：预测出最有可能购买的用户；

数据分析及报告制作工具为：FineBI

完整分析思路：

第一步：对银行总体情况进行分析：把握银行的“地理战略重心”，了解自己在获客渠道方面的弱点

了解银行的「资产情况」、「用户分布」、「获客渠道情况」，如下图所示：

由以上分析，可以知道：

• 该银行客户集中在东南沿海一带，有较强横跨陆港澳及辐射东南亚的国际化特色和优势，建议A银行构建起“以内地为主体、以港澳为两翼”的“一轴两翼”战略布局。与此同时，我们也发现该银行在内陆的布局较为有限，仅在四川有部分业务，建议深挖西北发展机会。
• 新媒体（微博）的获客能力远远落后于行业水平。可以提升其线上运营能力，打造年轻人喜欢的爆款产品，例如与“知乎、网易云、斗鱼”推出联名卡。

第二步：对客户进行分析：预警出「最有可能购买的用户」和「最有可能流失的用户」；

从「月流失用户」这个重要指标中，作者观察到流失用户过高。

为了能够降低流失用户带来的损失，作者运用 RFM 模型将重要挽留用户筛选出来，银行运营人员可以有重点的对这些即将流失的重要用户加大挽留力度。（RFM 模型详情请参见：RFM 模型）

（重要挽留用户：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。）

第三步：对银行的理财产品进行分析：了解目前理财产品欢迎度情况，分析用户最喜欢购买的产品特征

结合疫情情势，作者看到19年后客户更加喜欢规避风险的投资，黄金和储蓄类产品很受欢迎。可以加大对避险类产品的研发力度。

另外作者对所有产品进行了帕累托分析 （也叫二八分析），找出贡献最多销售额的1类产品，在市场已验证受欢迎的情况下，可以加大对1类产品的宣传力度。

第四步：对客户的购买行为进行分析：从而打通下单过程中的阻碍，提高下单成功率

线上购买行为分析

对线上用户从「浏览产品」到「完成支付」中间的行为使用漏斗图进行转化率分析。通过监控转化率并寻找流程优化点可提高层级与层级之间的转化率，最终提高总成交金额。

渠道复购率分析

对比分析每个渠道的质量，19年之后很显然是线上复购率效果更好。而该银行线上渠道的获客率远低于行业平均，需要加大优质渠道的获客投入。

第五步：构建购物篮模型：相关性高的产品一起打包出售；构建Kmeans模型：预测出最有可能购买的用户

作者使用了两个模型：

• 购物篮分析：寻找产品与产品之间的关联度。在线上界面中可以将关联度高的产品放在一起。或者用户购买完一个理财产品后，跳出对应的联想产品页面给用户做推荐。（购物篮模型详情请参见：购物篮分析）
• Kmeans分析：对用户行为进行聚类分析，可以直观看出要预测的用户（蓝色星星图标）聚类分析后是处于「未购买的用户区域」，还是「已购买的用户区域」。若处于已购买区域，说明该用户极有可能购买产品，可加大对该用户的推广及运营力度。（Kneans 模型分析由作者使用 python 处理分析）