用户画像学习笔记

一 用户画像简介

 

• 用户画像，即用户信息标签化，通过收集用户社会属性、消费习惯、偏好特征等各个维度数据，进而对用户或者产品特征属性的刻画，并对这些特征分析统计挖掘潜在价值信息，从而抽象出一个用户的信息全貌；

• 可看做是企业应用大数据的根基，是定向广告投放与个性化推荐的前置条件，为数据驱动运营奠定了基础。如何从海量数据中挖掘出有价值的信息已经愈发重要。

 

 

二 用户画像的主要模块

以用户端的表单填写、消费、浏览、搜索等相关操作行为数据作为输入，通过数据建模、开发、产品化，帮助企业认知、了解用户、客观了解自己的产品，输出到用户端进而提供个性化的产品、服务和营销方案做好一套能真正赋能于业务，产生落地价值的用户画像绕不开下面的8个主要模块。

三 用户画像的标签类型

用户画像建模其实就是对用户进行打标签，从对用户打标签的方式来看，一般分为三种类型：1、基于统计类的标签；

2、基于规则类的标签、

3、基于挖掘类的标签。

 

下面我们介绍这三种类型标签的区别：

 

1. 统计类标签：

这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出。该类标签构成了用户画像的基础；

 

2. 规则类标签：

该类标签基于用户行为及确定的规则产生。例如对平台上“消费活跃”用户这一口径的定义为近30天交易次数>=2。在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则确定由运营人员和数据人员共同协商确定；（同时需要借助数据调研）

 

3. 机器学习挖掘类标签：

该类标签通过数据挖掘产生，应用在对用户的某些属性或某些行为进行预测判断。例如根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。

 

在项目工程实践中，一般统计类和规则类的标签即可以满足应用需求，开发中占有较大比例。机器学习挖掘类标签多用于预测场景，如判断用户性别是男是女，判断用户购买商品偏好、判断用户流失意向等。一般地机器学习标签开发周期较长，耗费开发成本较大，因此其开发所占比例较小。

四 画像规划和数据架构——开发流程

 

第一阶段：目标解读

在建立用户画像前，首先需要明确用户画像服务于企业的对象，根据业务方需求，未来产品建设目标和用户画像分析之后预期效果；

 

第二阶段：任务分解与需求调研

经过第一阶段的需求调研和目标解读，我们已经明确了用户画像的服务对象与应用场景，接下来需要针对服务对象的需求侧重点，结合产品现有业务体系和“数据字典”规约实体和标签之间的关联关系，明确分析纬度；

 

第三阶段：需求场景讨论与明确

在本阶段，数据运营人员需要根据前面与需求方的沟通结果，输出《产品用户画像需求文档》，在该文档中明确画像应用场景、最终开发出的标签内容与应用方式 ，并就该份文档与需求方反复沟通确认无误。

 

第四阶段：应用场景与数据口径确认

经过第三个阶段明确了需求场景与最终实现的标签纬度、标签类型后，数据运营人员需要结合业务与数据仓库中已有的相关表，明确与各业务场景相关的数据口径。在该阶段中，数据运营方需要输出《产品用户画像实施文档》，该文档需要明确应用场景、标签开发的模型、涉及到的数据库与表，应用实施流程；

 

第五阶段：特征选取与模型数据落表

本阶段中数据分析挖掘人员需要根据前面明确的需求场景进行业务建模，写好HQL逻辑，将相应的模型逻辑写入临时表中，抽取数据校验是否符合业务场景需求。

 

第六阶段：线下模型数据验收与测试

数据仓库团队的人员将相关数据落表后，设置定时调度任务，进行定期增量更新数据。数据运营人员需要验收数仓加工的HQL逻辑是否符合需求，根据业务需求抽取查看表中数据范围是否在合理范围内，如果发现问题及时反馈给数据仓库人员调整代码逻辑和行为权重的数值。

 

第七阶段：线上模型发布与效果追踪

经过第六阶段，数据通过验收之后，就可以将数据接口给到搜索、或技术团队部署上线了。上线后通过对用户点击转化行为的持续追踪，调整优化模型及相关权重配置。

 

五 画像规划和数据架构——数仓架构

 

 

六 数据指标体系

需要开发的画像标签从大类上可划分为用户人口属性标签、用户行为标签、风险控制维度标签，进一步细分的话可在这两个画像基础上开发出用户偏好画像和群体属性、群体偏好画像等。

6.1 属性类标签

属性类指标按常见一级、二级标签划分可以划分出很多，这里只给出一些示例…

 

 

6.2 行为类标签

行为类指标按常见一级、二级标签划分可以划分出很多，需根据具体业务决定，

 

用户行为标签画像

用户偏好画像

用户登录活跃信息

 

6.3 风险控制类标签

风控类指标按常见一级、二级标签划分可以划分出很多

风险控制类标签有多应用场景：

• 客服人员根据一些用户是否高退货、高投诉、高价值等特征标签，采用不同的话术；

• 售后运营人员根据用户是否高退货、恶意刷单、连续拒签收等标签采用不同的运营措施