用户画像简介

冷不防 2022-05-25 01:11 211阅读 0赞

随着我国电子商务的高速发展，越来越多的人注意到数据信息对于电商市场的推动作用。基于数据分析的精准营销方式，可以最大限度的挖掘并留住潜在客户，数据统计与分析为电商市场带来的突破不可估量。在DT时代，一切皆可“量化”，看似普通的小小数字背后，蕴藏着无限商机，也正在被越来越多的企业所洞悉。

![20180505121936775][]

数据已无处不在。信息化建设促进了数据爆发，全社会的信息化程度越来越高，越来越多的业务需要计算机应用，用户不这些应用交互产生大量数据 ；可穿戴设备的发展产生了大量数据，可穿戴设备甚至可植入设备将越来越多的出现在现实生活中 ；信息网络的高速发展，为大数据提供了实施空间，无处不在的网络将人和设备连接在一起，认识人，与人沟通的方法将发生本质性的变化 。如何从大数据中挖掘商机？建立用户画像和精准化分析是关键。

在产品研发和营销过程中，确定目标用户是首要任务。不同类型的用户往往有不同甚至相冲突的需求，企业不可能做出一个满足所有用户的产品和营销。因此，通过大数据建立用户画像是必不可少的。

**1、什么是用户画像？**

用户画像是根据市场研究和数据，创建的理想中客户虚构的表示。如：男， 31 岁，已婚，收入 1 万以上，爱美食，团购达人，喜欢红酒配香烟。这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。创建用户画像，这将有助于理解现实生活中的目标受众。企业创建的人物角色画像，具体到针对他们的目标和需求，并解决他们的问题，同时，这将帮助企业更加直观的转化客户。

用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且计算机能够处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？

** 2、如何构建用户画像？**

在建立用户画像上，主要有三个步骤：

1.  基础数据收集，大致分为行为数据、内容偏好数据、交易数据，如浏览量、访问时长、偏好、回头率等等。
2.  对收集到的数据进行行为建模，抽象出用户的标签。
3.  最后是把用户的基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致的标签化。

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签： 25~35 岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求。如，判断用户偏好。短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。人制定标签规则，并能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。

在构建用户画像过程中，注重提取数据的多元性而不是单一性，譬如针对不同类型的客户提取不同的数据，又或者针对线上线下的客户分析其中差异。总而言之，保证数据的丰富性、多样性、科学性，是建立精准用户画像的前提。

**2.1 数据源分析：**

构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期，所有的子分类将构成了类目空间的全部集合。这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景， 业务需求的不同，也许各有道理，按需划分即可。本文将用户数据划分为静态信息数据、动态信息数据两大类。

![20180505114550778][]

<table> 
 <tbody> 
  <tr> 
   <td><span style="color:rgb(51,51,51);background-color:rgb(255,255,255);"><strong>静态信息数据</strong></span></td> 
   <td><span style="color:rgb(51,51,51);background-color:rgb(255,255,255);">用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本文重点。</span></td> 
  </tr> 
  <tr> 
   <td><span style="color:rgb(51,51,51);background-color:rgb(255,255,255);"><strong>动态信息数据</strong></span></td> 
   <td><span style="color:rgb(51,51,51);background-color:rgb(255,255,255);">用户不断变化的行为信息，广义上讲，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等都是用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多，如上图所示：浏览网站首页、浏览品类页、搜索具体物品、发表关于鞋品质的微博、赞“双十一大促给力” 的微博消息。等等均可看作互联网用户行为。本文以电商用户为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差异）。在互联网上，用户行为可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。</span></td> 
  </tr> 
 </tbody> 
</table>

**2.2** **目标分析**  
用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如，红酒 0.8、李宁 0.6。  
标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单的理解为可信度，概率。  
**2.3** 数据建模方法

如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。

**什么用户：**关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

<table style="color:rgb(51,51,51);background-color:rgb(255,255,255);"> 
 <tbody> 
  <tr> 
   <td>用户的标识方式&nbsp;&nbsp;&nbsp;&nbsp;</td> 
   <td>效果</td> 
   <td>局限性</td> 
  </tr> 
  <tr> 
   <td>Cookie</td> 
   <td>互联网使用最广泛的方式，能够标识匿名、未注册的用户</td> 
   <td>通常有一定的有效期，不易跨浏览器、设备</td> 
  </tr> 
  <tr> 
   <td>注册ID&nbsp;&nbsp;&nbsp;&nbsp;</td> 
   <td>各家网站的用户标识，最常见的互联网会员管理</td> 
   <td>用户组册意愿越来越低，需要投入大量推广运营成本。</td> 
  </tr> 
  <tr> 
   <td>Email</td> 
   <td>互联网早期较为常用的用户标识方式，目前依然有一定的占有率。</td> 
   <td><p>一个用户可有多个Email，标识准确性降低</p></td> 
  </tr> 
  <tr> 
   <td>微博、微信、QQ</td> 
   <td>当下业内共识的第三方登录ID，提供OAuth授权机制</td> 
   <td>标识准确性，持久性上较好</td> 
  </tr> 
  <tr> 
   <td>手机号</td> 
   <td>移动端最精准的标识</td> 
   <td>较难获取，需要产品激励用户填写</td> 
  </tr> 
  <tr> 
   <td>身份证</td> 
   <td>官方用户标识</td> 
   <td><span style="font-family:Arial, Verdana, sans-serif;font-size:14px;text-align:left;background-color:rgb(247,247,247);">较难获取，需要产品激励用户填写</span></td> 
  </tr> 
 </tbody> 
</table>

**        什么时间：**时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如， 1395121950（精度到秒）， 1395121950.083612（精度到微秒），通常采用精度到秒的时间戳即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。  
**        什么地点：**用户接触点（Touch Point）。对于每个用户接触点，潜在包含了两层信息：网址 + 内容。网址：每一个 url 链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。可以是 PC 上某电商网站的页面 url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。内容：每个 url 网址（页面/屏幕）中的内容。可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每个互联网接触点，其中网址决定了权重；内容决定了标签。  
        注：接触点可以是网址，也可以是某个产品的特定功能界面。如，同样一瓶矿泉水，超市卖 1 元，火车上卖 3 元，景区卖 5 元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。  
 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。  
**        什么事：**用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。如，购买权重计为 5，浏览计为 1 。  
        综合上述分析， 用户画像的数据模型，可以概括为下面的公式：用户标识 +时间 + 行为类型 + 接触点（网址+内容），某用户因为在什么时间、地点、做了什么事。所以会打上\*\*标签。  
        用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子 r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：标签权重=衰减因子×行为权重×网址子权重  
如：用户 A，昨天在品尚红酒网浏览一瓶价值 238 元的长城干红葡萄酒信息。  
标签：红酒，长城  
时间：昨天，假设衰减因子为： r=0.95  
行为类型：浏览，记为权重 1  
地点：品尚红酒单品页，网址子权重记为 0.9（相比京东红酒单品页的 0.7）  
假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。  
则用户偏好标签是：红酒，权重是 0.95\*0.7 \* 1=0.665，即，用户 A：红酒0.665、长城 0.665。  
 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。  
        当用户画像基本成型后，接下来就可以对其进行形象化、精准化的分析。此时一般是针对群体的分析，如可以根据用户价值来细分出核心用户、评估某一群体的潜在价值空间，以此作出针对性的产品结构、经营策略、客户引导的调整。

[20180505121936775]: /images/20220525/c7c71461ffdf46be96d274a5d7456eb8.png
[20180505114550778]: /images/20220525/1407c1f3725147ab8dc395833048d98f.png