用户画像是产品经理技能之一，我们可通过构建用户画像分析客户、了解客户、挖掘需求，提高转化率和复购率。那么该如何构建企业用户画像呢？本文笔者结合相关例子与图表介绍了构建企业用户画像的三大步骤。
工厂为什么需要ERP系统、WMS系统，而不需要收银系统？经销商为什么需要分销系统、CRM系统，而不需要流水线设备？
原因就在于工厂是通过ERP系统、WMS系统来管理原材料采购、生产制造过程、出入库等环节的生产效率和运营效率，而不是把商品直接卖给终端用户。在交易过程中承载“创造价值”的目标。
而经销商需要通过线上分销、线下批发等方式，把商品销售给客户并要维护客户关系，达成合作关系。在交易过程中承载“传递价值”的目标。企业是为实现既定目标相互协助的，具备某个特征的群体组织。
企业用户画像指的是，使用B端产品或服务的企业用户，具有企业属性特征和企业内部多个角色属性特征结合构成的画像，是对现实企业用户的数字建模。通过采集企业和角色信息，总结提炼特征，构建标签化的企业用户模型。
构建企业用户画像是为了梳理和建立与企业用户的关联关系，聚焦产品服务对象，提供专注服务、营销决策、迭代产品、挖掘数据等。
采集数据；
构建标签体系；
呈现画像。
二、采集数据
2.1 列举基础数据
基础数据是构建企业用户画像的前提，采集数据前，根据企业用户画像使用目的，从宏观层、中观层、微观层的角度，列举构建企业用户画像所需要的基础数据。
宏观层，指企业用户的行业属性，不同行业存在不同的市场结构、运作模式、运行规律。通过行业特征，了解目标企业用户行业的现状和发展趋势；
中观层，指企业用户的企业属性，如企业成立时间、企业规模、人员规模、收入规模、活跃用户、使用评价等。通过企业特征，了解目标企业用户的现状；
微观层，企业用户画像不仅仅是企业属性的特征，同时还要考虑企业内部角色属性的特征，即决策链角色特征，可分为：决策者（老板、高管）、使用者（员工），决策者和使用者的关注点和需求存在很大差异。
2.2 调研对象
列举基础数据后，就要确定调研（采集）数据的对象了，只有在决策链上的角色，才有调研价值。
如现有一款“企业福利系统”的B端产品，作用是协助企业建立正向的激励制度，解决员工福利采购成本高、发放难、员工满意度低等问题。
A眼科医院（企业用户）有意向采购，需对其进行调研。调研对象包括普通员工、人资专员、人资总监、总经理和董事长。
这条决策链，首先要打动该医院的人资总监，再说服总经理和董事长，最后让人力资源专员和普通员工体验使用。
人资总监是决策链的关键人物，具有很大的建议权，如果取得了人资总监的认可，就会向总经理推荐这款产品，而董事长是则听取总经理和人资总监的意见。在决策链上，核心角色的建议权，往往比决策权还重要。
至于人资专员和普通员工，他们是这款软件产品的使用者。
人资专员负责体验这款产品的采购环节是否节省采购成本和时间成本，发放流程是否便利。
员工则体验福利项目、福利商品是否人性化、多样化。也许在企业决定购买这款企业福利系统之前，人资专员和普通员工没有话语权，但是在续费的时候，他们的建议权最大。
对于决策者，可向其了解企业战略目标、发展情况、商业模式、业务情况、管理需求、业务需求等方面的信息。决策者关注营收增长、效率提高、减少成本等方面的问题。
对于使用者，可侧重了解体验、操作细节、工作细节、流程细节等信息。使用者关注产品便捷性、灵活性等用户体验方面的问题。
2.3 调研方法
明确了调研对象后，就可以展开调研了。企业用户调研可使用定性分析与定量分析结合的方式。
定性分析，指研究者通过访谈、洞察等方式，并根据行业研究报告、过往经验等挖掘企业用户的行为动机、需求、变化规律等数据进行分析的方法；
定量分析，指基于数据和可能性的研究，对企业用户进行各项指标、特性、相互关系的比较和分析，用数据检验某些假设的研究方法。
产品立项阶段，可使用 “定性发现 + 定量验证”的方式。产品还没上线，需求还在探索时，利用身边的资源做访谈，找出关键的变量，划分好标签特征后，再通过问卷调研方式做验证。举个例子：
小明觉得今天应该是大热天，因为路上行人都撑着太阳伞和穿短袖短裤（定性发现）。然后拿着测温器到室外验证：室外温度40度，地表温度60度，而人体舒适温度是23-26度，所以今天是大热天（定量验证）。
产品在已有数据积累阶段，可使用“数据挖掘+定量筛选+定性丰富”的方式。结合项目的已有数据，使用定量方式筛选出用户群，再通过调研访谈了解具体的行为细节和态度，进一步丰富用户信息和数据。举个例子：
产品经理发现上线一个月后的商家满减功能使用率很低，不足10%（数据挖掘）。于是筛选了一批月成交量1~10万，10~30万，30~50万的商家进行调研（定量筛选）。然后总结商家在使用过程中遇到的问题和收集建议，再分析过滤商家需求，持续优化功能和用户体验（定性丰富）。
数据挖掘的常用方式有后台行为数据、后台交易数据、第三方监测平台数据（如百度统计、神策数据）等。
为了构建完善的企业用户标签体系，需要尽可能汇总最大范围的数据。当然，收集到的信息不会100%准确，这就需要在后面的阶段中建模来再判断。如某企业用户对某营销功能的使用评价很高，但后台行为数据判断其极少使用该营销功能。
三、构建标签体系
标签是某一种特征的符号表示，每个标签都提供了一个观察、了解企业用户的角度。如采购需求大，合作稳定，结算周期短的企业用户，可贴一个“优质合作伙伴”的标签。
采集完基础数据后，就可以构建标签体系了。构建标签体系流程：先把原始数据进行清洗、统计分析，得到事实标签，再进行建模分析，得到模型标签，最后进行模型预测，获得预测标签，如下图：
标签的每一个层级是对上一层级标签的再次提炼。一般情况下，标签体系是开放和变化的，并不是一成不变。
首先，由于企业用户的需求可能会随市场环境不断的变化，产品为了满足企业用户需求，也会不断的调整和完善；其次，每家供应商产品所面向的企业用户都各有特点，再加上原始数据的差异，灵活使用标签体系，才能获得更好的效果；另外，标签的颗粒度也要注意，颗粒度越粗，特征就越模糊，而颗粒度过细，则会导致标签体系过于复杂而不具有通用性。
3.1 事实标签
事实标签，是基础数据进行清洗、去重、去无效、去异常、整合提取特征的过程，也是对数据加深理解的过程，是为了模型标签的构建做准备。
假设采集完20个企业用户的基础数据后，就可以提取共同特征，抽离出一个能适用于更多同类型企业用户的一个事实标签，那么它不是某一个企业用户的事实标签，而是共性特征的事实标签。
3.2 模型标签
模型标签，由一个或多个事实标签的组合而成。如“企业用户价值等级”模型标签，由采购总数量、采购总金额、结算周期等事实标签组合而成的。
模型标签的颗粒度越粗，每个模型之间的特征就越模糊；模型标签的颗粒度越细，也会给产品定位和运营推广带来负担。所以颗粒度不仅需要定量的聚类来调整，还需要结合产品经验来验证。
3.3 预测标签
预测标签，是根据已有事实数据和模型标签，来预测企业用户的行为偏好，在一定程度上反映企业用户的规律性。预测标签可以是简单的数据统计，也可以是复杂的预测数学模型。如A眼科医院的预测标签，如下示例：
四、呈现画像
企业用户画像的呈现，可以理解为企业用户标签的集合，标签在各个维度之间都不是孤立的，存在强关联关系。如A眼科医院的用户画像呈现，如下示例：
用户画像不是一成不变的，需要反复迭代。因为B端用户是在不断发生变化的，也许是客户业务方向调整，也许是客户换了高管等等。
同时，产品的策略变化也会对受众群体产生影响，可能会产生更加细分的业务受众群体，需要用户画像给我们指明方向；也可能业务收缩需要重新定义受众群体。
所以我们需定期回顾用户画像、进行更新调整，确保与现实情况保持一致性。
五、总结
