帮助你很好的理解用户画像
用户画像
用户画像首先的是商业目的下的用户标签的集合，例如：猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？探讨这些是没有意义的。而探讨是男是女如何影响消费决策，工资多少影响消费能力，有没有谈恋爱会否带来新的营销场景，剁手购物怎么精准推荐，这些才是用户画像背后的逻辑。
1、什么是用户画像
- 根据用户在互联网留下的种种数据和痕迹，主动或被动地收集，最后加工成一系列的标签。比如猜用户是男是女，哪里人，工资多少，有没有谈恋爱，喜欢什么，准备剁手购物吗？
- 我们常把用户标签和用户画像对等。但其实用户标签不等于用户画像，标签化只是用户画像最直观的解释。
- 用户画像的正式名称是User Profile，更多是运营和数据息息相关的平台级应用，本质是对任何一个用户都能用标签和数据描述。
2、用户画像的应用
- 精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以外呼、短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
- 数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统、广告系统。例如：广告投放是基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。
- 用户分析：一般在产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。例如：新增的用户的特征，核心用户的属性是否变化等等。
- 数据分析：用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。
对大部分产品，用户画像用不到推荐系统，个性化推荐也提高不了几个利润，毕竟它需要大量的用户和数据作支撑。所以这些产品，更适合以用户画像为基础去驱动业务。提了那么多好处，但是据了解，不少公司，花了一大笔钱招了不少人建设用户画像系统，结果用不起来。或者做了一份用户画像的报告，性别、地理位置、用户消费金额等，看上去挺高大上的，看完也就看完了。归根结底，难以用好。很多用户画像初衷是好的，但是沦为了形式主义。
关于使用用户画像提出的疑问和思考：
用户有那么多维度，怎么合理地选择标签？我想定义用户的层级，VIP用户应该累积消费金额超过多少？是在什么时间窗口内？为什么选择这几个标准？后续应该怎么维护和监控？业务发生变化了这个标签要不要改？设立好标签，怎么验证用户画像的有效性？我怎么知道这套系统成功了呢？效果不佳怎么办？它有没有更多的应用场景？
3、怎样深入理解用户画像
用户画像的标签一般通过两种形式获得，基于已有数据或者一定规则加工，流失标签和距今天数皆是。另外一种是基于已有的数据计算概率模型，会用到机器学习和数据挖掘。
推断用户真实性别
中国人的性别和名字是强相关，建国建军，翠花翠兰，很容易判断。算法中常用贝叶斯，通过已有的姓名性别库预测新加入的用户性别。
特殊情况下，不少姓名是中性，男女不辩。像晓晶，可男可女。更特殊的情况，看上去是男性的名字，也有可能是女性，我的初中老师就叫建军，然而是个和蔼可亲的小姐姐。所谓概率，它更习惯告诉你，通过模型推断，建军有95％的可能是男性姓名，表示为0.95；晓晶有55％的可能是男性，表示为0.55。
我们想要挽回流失用户，选择80%以上概率的人群，还是60%呢？这是要考虑业务，挽回流失用户是手段而不是目的，我们实际目的是通过挽回流失用户提高利润，那么阈值的选择迎刃而解。计算不同阈值下，挽回用户的收入和成本，选择最优解。
推而广之，推荐系统也好，广告系统也罢，它们有更复杂的维度、标签、特征，本质也是找出用户最近想不想买车，用户最近想不想旅游等。把最合适的信息在最恰当时机推给用户，获取最大的利益。
4、如何建立正确的用户画像
用户画像首先是基于业务模型的，不同的业务涉及到的标签、维度都是不同的。如果业务部门连业务模型都没有想好，数据部门只能巧妇难为无米之炊。数据部门也别关门造车，这和做产品一样，连用户需求都没有理解透彻，匆匆忙忙上线一个APP，结果无人问津。
理解消费者的决策，考虑业务场景，考虑业务形态，考虑业务部门的需求…这些概念说得很虚，但是一个好的用户画像离不开它们。
5、用户画像的架构
不同业务的用户画像标签体系是不一致的，这需要数据和运营目的性的提炼。
用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。
上图将用户的上网记录划分成4部分，人口属性、社会属性、消费、用户行为，在大的类别下面可以继续划分。但最终的标签的确定还是需要根据实际的业务场景来确定，不能做到通用性。
上图列举了标签加工和计算的过程，很好理解。最上层是原始数据，我们首先根据原始数据初步提炼出一些基本标签（也就是事实标签），最下层的预测标签，是针对业务的落地，运营人员通过多个标签的组合形成一个用户群组，方便执行。
