用户画像-1

1、什么是用户画像？

用户画像是对用户特征数据的一种建模模型，通过调研、数据挖掘了解用户，洞察用户，基于不同需求目标，将他们分为不同的类型，并对每种特征属性进行抽象，归纳，产出用户特有的特征标签，帮助业务更好的理解用户。

总结一句话：用户数据特征标签化。

2、数据标签化

基于数据的不同类别可以大致划分为三类，策略挖掘、逻辑挖掘以及模型挖掘。

策略挖掘像外卖偏好、游戏偏好以及有车一族等；

逻辑挖掘基于业务特定需求产出对应标签，常见的消费属性中的客单价、消费金额、消费频次等，有统一的生成逻辑，只需基于业务上游数据进行加工即可。

模型挖掘：使用模型挖掘的标签通常对标签覆盖有一定的要求，常见的诸如年龄、性别、收入水平，教育程度等。建模过程中涉及机器学习、数据挖掘算法，譬如监督学习(分类、回归)、无监督学习(聚类、关联分析等)以及神经网络对时序性数据建模，乃至增强学习算法。

基于数据类型可以分为以下几种：

人口属性(基本属性)：年龄、性别；

兴趣偏好：消费偏好，运动偏好，购物时间偏好等；

特征人群：有车、有房、旅游达人等；

用户分级：消费能力、收入水平、消费水平等；

LBS属性：常住地、工作商圈、家、公司等；

用户行为：消费属性(客单价、订单金额等级等)，浏览频次、交易频次等；

业务标签：契合具体业务产出对应需求标签。

3、标签分析以及洞察

将挖掘好的标签落盘到对应数据表，通过查询对应id对应数据可以洞察该用户在不同属性下对应的特征分布情况，可以更好地服务用户，为业务推送以及引流、大盘人群分析，人群圈选等提供重要支持。

4、画像数据挖掘整体架构

数据收集--->数据清洗----->特征工程------>标签建模----->训练预测----->质量评估------->线上应用----->反馈优化；

数据收集：数据挖掘的天花板是数据本身，常见的数据主要来自于日志打点、通过埋点上报以及爬虫技术收集，通常使用大数据形式进行数据存储。

特征工程：主要针对数据进行处理，涉及异常值过滤、数据易购转同构、数据加工(归一、标准等)。

特征维护：既方便当前标签的正常迭代，也方便后续挖掘新的标签，符合一定的通用普适性，对整体数据进行梳理：用户数据大体上可以分为静态账号属性数据，诸如注册时间，等级，积分等，以及LBS数据(常住地以及活动区域类型等)以及动态的行为数据(购买、搜索、收藏等)，在此基础上按照一定维度对数据进行划分。

还可以考虑接入外部信息例如常住地人群的平均消费水平，地段，人流量等，解决数据稀疏问题。

机器学习模型：针对不同的业务需求使用不同模型进行训练，常见的技术包括spark mllib、Xgb、tensorflow等；

应用接口：标签生成后，交付业务方使用，可以交付数据表形式以及建立画像平台，通过平台直接调取显示数据，减少上手成本。

画像应用：将标签数据应用于诸多业务线，真正发挥数据价值，应用方向包括：个性化推荐，用户建模，大盘分析，人群圈选等。

5、困难与挑战

标签质量至关重要，这是一个系统性工程，需要长期维护与优化；建立完善的实时数据流，及时有效捕捉用户画像特征变化。

 

参考：美团机器学习实践