今日头条的用户画像（今日头条用户画像报告）
本文目录一览：
推广渠道这么多，应该以什么为标准进行选择？
选择渠道的标准....很多因素都会影响到渠道的选择。
产品本身、竞品、市场环境、受众等，而推广渠道只是其中之一。
做手游，买量推广主要有几下渠道：
但对于某个产品而言，并非每个渠道都是有效的。同样的，单个渠道对不同的产品而言，投放的效果也不一。
单论渠道，首先要做的的是，对产品、竞品以及渠道本身做分析。
产品/竞品的亮点、面向的群众等信息。
推广渠道的用户画像和算法机制等信息。
比如抖音和今日头条的用户画像是不一样的，前者一二线城市用户较多，女多男少。后者20岁以上男性较多。现有一款传奇游戏和一款社交游戏，显而易见的是，传奇游戏更适合在头条投放信息流，而社交游戏更适合在抖音投放。原因在于，现有传奇游戏多为80、90的传奇老玩家，头条用户相对抖音，更精准更匹配传奇的目标受众群。而社交游戏男女皆有，对于抖音这类用户体量大，且男女比例较为均衡的渠道更为适合。
了解竞品的信息目的在于，考虑是否要错开竞争。渠道很多，匹配产品目标受众的渠道一般而言并非单一的，而像抖音微信这类大平台自然而然竞争会更激烈，若不具备正面竞争的实力或资本，考虑从其他中小渠道入手，铺面铺量来吸引垂直领域的精准用户也未尝不可。
同时，针对竞品的落地页、素材等设计，可以进行宣传和设计上的差异化。竞品主打社交元素，我则主要宣传游戏玩法。
当然，在自身具有好创意、好想法和足够资本的支撑下，参考竞品的投放渠道和宣传亮点，直面竞争也是可以的。在宣传维度相同的情况下，较高质量的推广素材更容易吸量（可参考我主页下的《DataEye：买量素材思路的差异性才是取胜的关键》一文）
如何抉择，终归是得看自身所掌握的情报的，情报多，了解的多，决策就更加容易。
史上最全用户画像分析，附带案例讲解
对于互联网从业者，经常会提到一个词——用户画像。作为一名刚主要做用户画像DMP的数据PM，工作中总是会被需求方问到——
我要查看XXX的用户画像 或是 能否能够XXXX类用户的画像。 抑或是有别的产品会问到：你们是怎么做用户画像的？
然而在沟通的过程中，我发现，不同的人对用户画像的理解差异还是非常大的。有的人认为用户画像就是包含了用户的详细的信息，有的人认为用户画像是能够反映出一个群体的统计学特性，有的人认为用户画像可以做用户研究.....这些想法或多或少有一些片面的，本文就用户画像的基础知识进行说明，并结合一些DMP产品进行分析，同时对用户画像在K12产品中的应用做一说明。
1、当我们谈论DMP和用户画像时，我们在谈论什么？
此部分结合常见DMP用户画像定义和我工作中对DMP用户画像的定义进行说明
用户画像是DMP中非常重要的一个环节，因此将DMP和用户画像拆开进行说明
1.1DMP
1.1.1 DMP是什么？
DMP即 datamanagement system,数据管理平台，单从名称上来看，这个定义还是非常宽泛的，所以国内很多企业或者个人会将dmp的核心功能理解错。
结合我的理解，DMP其实是一个全面的数据收集，加工，整合的平台，吸收各种数据源的数据，以用户为基本单位，清洗，整理形成结构化的数据表，并进行用户标签的计算，以期能够精准的描述各种用户。
纯碎的DMP平台是指小型的、定制能力极强、中立性好的DMP技术服务商。美国DMP市场是极度细分的，中国市场是高整合的，往往DMP的需求是和DSP、SSP紧密联系在一起的，目前还很难有纯粹的DMP平台。
1.1.2 DMP可以做什么
精准营销，广告投放，个性化推荐，其他应用
1.1.3 DMP的基础架构及数据加工流程
DMP的基础架构：
DMP的数据加工流程：
1.1.5 DMP的实际应用（市面上能够看到的产品）
DMP广告平台：腾讯广点通、阿里妈妈达摩盘；
独立第三方DMP：talkingdata、神策数据；
个性化推荐：今日头条、一点资讯、淘宝、京东等；
说明：个性化推荐的应用我们能够感受到，但是背后的逻辑我们是看不到的
其他应用
1.2用户画像
1.2.1 用户画像是什么
关于用户画像，有两类定义：User Persona 和User Profile
User Persona：是产品设计、运营人员从用户群体中抽象出来的典型用户。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户；
经典案例——《用户体验要素》中提到的用户画像
UserProfile：根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。
本文所提到的用户画像，指的是User Profile
1.2.2 用户画像怎么做
基础数据收集：收集用户在网站内外的静态数据和动态数据；
行为建模：基于用户的基础数据，通过技术手段进行行为建模；
构建画像：通过行为建模，可以输出一系列的用户标签，每个用户的标签都可以形成一个集合，这个标签的集合可以表示出这个用户的特点。
1.2.3 用户画像的常见应用
个性化推荐（电商、资讯类产品）、风控、预测等
1.2.4 用户画像与DMP的关系
DMP是数据管理平台，可以简单理解为，把数据提供到DMP平台，DMP平台输出一系列标签，或其他想要的结果。
用户画像是输入用户数据到DMP，DMP输出了用户标签。
DMP不只可以输出用户标签，也可以输出其他的标签，比如输入文章，输出文章标签。
因此，用户画像是DMP的一个应用方向。
2 相关产品介绍
由于用户画像主要是作为底层应用，因此它的很多应用都是能感知，但不可见。比如电商平台的个性化推荐页面，资讯类App首页的个性化推荐背后，就是用户画像在发挥着作用，用户标签和内容标签/商品标签进行智能组合。
由于本人从事K12教育行业，所以只选取了两类竞品：开放DMP平台、教育类产品，其中以开放DMP平台为主。
3 竞品分析
3.1 开放DMP平台
3.1.1 产品说明
3.1.2 功能对比
达摩盘
广点通
神策数据
说明：神策数据看起来更像是一个数据分析工具，但是其底层的搭建、对数据的管理与DMP有类似的地方，并且我们可见的部分即类似BI的功能，可看作DMP在应用层的表现，因此也把它列为竞品
3.1.3界面对比
说明：由于这三个产品均需付费才可体验全部产品功能，界面主要来自于说明文档，可能与真实节面有一定出入
达摩盘-标签
达摩盘-新建标签
达摩盘-人群报表
达摩盘-人群明细
达摩盘-整体报表
广点通操作界面
广点通-创建广告
广点通-创建广告2
神策数据-用户分析-事件分析
神策数据-用户分析-用户属性
3.1.4产品底层技术架构思考对比
说明：
1）此部分内容为通过产品体验和阅读说明文档，思考抽象出可能的底层架构，并非真实情况；
2）产品底层技术架构：我们所看到的功能模块，都是由不同的技术模块相互协作实现的。产品底层技术架构描述了产品对应的底层技术模块、以及模块之间的关系。
达摩盘
神策数据
3.1.5总结
总结来看，达摩盘和广点通是DMP在互联网广告中的典型应用。DMP是定向广告投放最核心的大脑，DMP提供的用户画像，是进行定向广告投放的最核心最关键的一步。达摩盘和广点通最重要的目标是，把对的广告在对的时机，展示给对的人。
而对于神策数据，这一类数据分析工具，DMP在数据分析、数据可视化的过程中也发挥着非常重要的作用，哪类用户的哪类行为比较突出，哪类用户在未来会产生什么样的行为。
3.2教育类产品
用户画像DMP在教育类产品中的应用——
（1） 洋葱数据个性化课程制定（类似自适应学习）；
用户在学习前，先进行测试，根据测试情况为用户制定个性化课程包，如下图1；
图1
用户完成学习，根据用户学习测试结果，展示可视化学习分析报告，如下图2
图2
4 用户画像怎么用？
用户画像是一个的底层产品，用户画像的应用通常难以看到。那么，用户画像该怎么用呢？结合对DMP产品和教育类产品的分析，用户画像的应用总结如下：
（1）用户标签可视化——
相关产品的功能：广点通和达摩盘将用户标签直接展示出来，用户可直接选择标签，并且对标签进行组合，选出目标用户，然后投放广告。
可借鉴场景举例：比如说，我想对今年刚报课程并且消费能力比较高且学习认真的这批学员发送一条推送消息，希望他们能够参加一场直播，促进其对知识的掌握。那么可以直接选中：新用户+消费能力高+学习认真这几个标签，然后对这部分用户发送短信。
好处：精细化运营，提高ROI；简化操作
（2）用户标签关联分析：
相关产品功能-广点通lookalike：（1）提供种子用户；（2）筛选种子用户特征；（3）将种子用户与腾讯用户进行匹配，进行人群扩展
可借鉴场景：一批用户购买了商品A，我想要找出与购买这一商品相似度比较高的用户。那么可以将这批用户的信息导入到DMP，计算出这批用户的标签，再通过关联分析，找到和这批用户相似度比较高的用户
（3）个性化推荐：
相关产品功能：个性化课程制定
可借鉴场景（以K12教育为例）：
（1）针对未注册用户，根据其访问行为，为其推荐个性化课程页面，提高购买转化率；如果是通过互联网广告进来的用户，则可以为其制定个性化落地页，提高注册和购买转化；
（2）针对注册未购课，根据其浏览行为，为其推荐个性化课程页面，提高购课率；
（3）根据用户学习行为（主要是做题情况），为其制定个性化试题和学习建议。
今日头条的用户属性具体有哪些
今日头条用户属性
1、今日头条男性占比TGI高，19-35岁人群占比近7成，高线城市用户分布显著
2、18-30岁人群更爱夜间看头条，40岁人群凌晨5点活跃度TGI最高
3、用户主动搜索意识提高，对汽车搜索热度较去年同期提升36倍，男爱体育汽车，女爱美食健康
4、体育、三农或教育类话题互动更高，娱乐，宠物类话题点赞更积极
5、打造重点垂直行业，体育、汽车、数码科技以及旅游等行业内容增长较快。
今日头条用户画像、阅读偏好、行为分析
全文共分三个部分今日头条的用户画像：今日头条用户规模数据及行为特点分析；用户属性分析；用户偏好分析
一、今日头条用户规模数据及行为特点分析今日头条已经形成稳定今日头条的用户画像的活跃人群，以月活量2.6亿，日活1.2亿，人均单日使用次数12次，位居综合资讯类平台榜首。日使用次数在10-20次以上占比约40%，远远超过其它资讯平台使用的频次，使用30分钟以上约占总使用人数百分比30%以上。活跃度领先时段分布于凌晨，这个比较明显比其它平台用户同时间活跃度高，领先2个点以上），当然在午后及晚饭后领先也比较明显但相比其它平台领先一般在1个点，但相比而言，凌晨这个活跃度领先就显得比较显眼。今日头条用户与抖音用户重合度最高，为54.6%，而与自身西瓜平台18%，与火山14.8%。
二、用户属性分析男性占比高女性10个百分点，19-35岁占七成，且35岁以上用户对头条使用偏好度特别高，可以称为重度用户，70%用户分布在234线城市。男性用户在一线新一线城市中比例较高，虽然19-35岁占据6成，但36-45岁用户，尤其是41-45岁用户非常偏爱使用头条，与此不同，女性用户虽然19-35岁占据6成，女性用户却多分布在3线以下城市，且46岁以上为重度使用者。其中用户比较多的前十大省份是：广东，江苏，四川，山东，河南，浙江，河北，湖南，广西，湖北。其中四川和广西使用偏好度高于其它省份用户比较多的前十大城市是：上海，北京，重庆，广州，成都，深圳，西安，天津，武汉，哈尔滨市。从分成年龄段来看，19-24岁（95）后，男性占6成，且多为一线新一线用户25-30岁（90后），男性为主，一线，新一线，三线城市偏好度高31-40岁（80后），男性比女性用户多18个点，但城市分布均衡，12345线用户基本都差不多。41岁以上（80前），男性高于女性用户11个点，主要在三四五线城市。在阅读习惯方面：90后更喜爱夜间看头条，1-4点最活跃；80前用户多在凌晨五点-8点，那么中间那部分人群就是下班和班空闲时间比较活跃。即12点还有晚9点左右。咱们这里可以做一个假设，你在早晨发文，你说该发什么类型的呢？很显然这个时间段看的大多数40岁以上的人，显然你发养生或者与这部分群体相关的文章，肯定打开率高。从兴趣分布来看：95后 偏爱情感体育 时尚90后 偏爱情感体育外还有育儿汽车80后 时政体育 育儿健康汽车70后，时政 历史史 偏爱健康教育70前，时政历史之外 偏爱健康美食旅游
三、用户偏好分析
1、时尚 ：女性比男性多50个点， 但其中31-50岁的更喜欢通过头条获取时尚资讯，主要一线、新一线、4线城市人群更偏爱用头条看时尚内容。
2、美食：女性比男性高44个点，其中31-50岁的更喜欢通过头条获取此类资讯，且一线，四线城市人群更喜欢用头条读美食信息。
3、房产：男女占比相等，集中在一二线城市用户读此类内容，且41-49非常偏爱读此类内容。
4、家居：女性比男性多52个点，且三四线城市读此类文章特别多，我们是不是可以推导出：三四线城市迎来装修大潮，你要开个家装门店，你会如何选址呢？
5、汽车：男性比女性多40个点，且三四五线城市读汽车类资讯的偏好度特别高，当然年龄多集中在30-49岁之间居多。
6、职场：男女比例基本持平，24-40岁之间读此类文章偏多，主要是一线，新一线用户在读。
7、育儿：女性比男性多50个点，四线城市！这个有点意思，四线城市特别用户对此领域读的特别多。
8、教育：31岁对教育偏好度特别高，且三四五线越多此类文章反而特别多，有没有想想为什么？
9、游戏：集中在两个年龄段18-23、31-40岁，一线、四线、五线，对此特别关注。
10、旅游：男性高于女性11个点，且年龄31岁以上特别感兴趣，且五线城市阅读偏好高于1、2线城市。
11、体育：男性超7成，主要一二线用户在读12、健康养生：女性比男性阅读人数高，且为41岁以上在读，且为一、三四线13、文化：男性比女性高16个点，且31岁对此偏好高，有意思的是这些人多来自3、4、5线。14、财经：男性超7成，70后最关注财经，且为一二线城市。15、科技数码：男性占比高，31-40岁偏好度高且多为一线城市用户。
今日头条哪年成立
“今日头条”于2012年8月上线，截至2016年9月底，“今日头条”累计激活用户数已达5.8亿，日活跃用户超过6300万。
网站用户画像分析怎么做
首先是寻找目标用户, 拿抖音为例, 抖音刚开始上线以后, 很重要的一点就是要去分析我们的用户是谁, 比如是什么样的年龄 性别 地域 学历等等, 这可以很快帮助产品去发现现在的主流的用户群体是不是产品最开始的定位, 如果完全不一样了, 那就是产品哪里的设计有问题 偏离了方向。
等上线一段时间, 我们就可以对用户进行不同活跃的等级的划分, 比如同样都是玩抖音, 有天天玩的 也有偶尔玩的, 有一次可以刷很久的, 也有刷刷就走了的用户, 频次, 时长成了用户这时候最大的特征差异， 那么不同频次, 不同时长的用户他们的 年龄， 性别, 地域有什么差异, 这些都是特征的进一步洞察。
再过一段时间, 有用户留存有用户流失, 需要去分析留存和流失的用户在行为特征上的差异是否有什么特别不一样的。
