編輯導語：如今在這個大數(shù)據(jù)時代，我們經(jīng)常會被“標簽化”，最常見的就是你逛淘寶時，會根據(jù)你的興趣愛好等等特征進行推薦；本文是作者分享的關于從0到1搭建用戶畫像系統(tǒng)的設計思路，我們一起來學習一下。

一、需求目的

1）商城已上線2周年，已有10萬+在售物品；數(shù)據(jù)倉庫中積累著大量的業(yè)務數(shù)據(jù)、日志數(shù)據(jù)及埋點數(shù)據(jù)；如何充分挖掘沉淀在數(shù)據(jù)倉庫中的數(shù)據(jù)的價值，有效的支持用戶畫像的建設，成為當前的重要工作。

2）在保證用戶規(guī)模不斷增長的目標下，運營方考慮建立用戶流失預警機制，及時識別將要流失的用戶群體，及時采取運營策略換回用戶。

二、產(chǎn)品結構

三、用戶畫像系統(tǒng)搭建流程

目前團隊已經(jīng)搭建了比較成熟的數(shù)據(jù)倉庫。也就是說已經(jīng)有結構化的、清晰的用戶屬性、用戶行為相關數(shù)據(jù)。

在此基礎上，搭建用戶畫像系統(tǒng)，需要：

四、數(shù)據(jù)建模

對人、貨、場進行分析，對用戶個體的性質和特征做出概括，形成相應的用戶屬性標簽、用戶行為標簽后。才可以開始建模。

建模需要分別從定性、定量，兩個方面入手：

• 定性：在從已有數(shù)據(jù)中心，選擇特征；假設這些特征與你要預測的值有一個關系，這個關系就是一個原始的模型。
• 定量：確定模型中涉及到的所有未知系數(shù)。

模型計算完成后，需要計算模型的置信度；此時根據(jù)測試數(shù)據(jù)（可以是團隊內部測試、灰度測試等方式），來判斷模型計算的結果，與預期是否相符。

如果相符，就可以用這個模型來預測用戶喜歡什么；如果與預期不相符，那么久需要重復上述過程。

比如商城系統(tǒng)中，有以下數(shù)據(jù)項：

用戶忠誠度指標（L），與用戶活躍度、購物車商品數(shù)、收藏數(shù)、下單數(shù)、在線時長的用戶行為指標有一定的關系；將這5項數(shù)據(jù)指標的熵權值，定義為用戶忠誠度指標，可以用以下公式表示：

其中a表示上表中A2-A6的歸一化值，歸一化計算公式如下：

w表示權重。權重系數(shù)計算公式如下：

其中，e為行為數(shù)據(jù)信息熵，計算公式如下：

最終計算所有的用戶的指標L后，例如可以取前25%為高忠誠用戶，25-50%為普通忠誠用戶，剩余為低忠誠用戶，取值范圍可以根據(jù)業(yè)務實際情況調整。

另外，由于權重系數(shù)，有可能隨時間的增加而衰減；所以如果需要，還需要定義衰減因子r；加入衰減因子后，標簽權重=衰減因子*行為權重。

五、梳理用戶畫像維度

設計用戶畫像維度時，建議使用MECE（Mutually Exclusive Collectively Exhaustive）準則；也就是對于一個重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成為有效解決問題的方法。

比如初步搭建用戶畫像維度，可以參考下圖：

上圖為商城系統(tǒng)，初步的用戶畫像維度。圖中的數(shù)據(jù)，按照獲取的方式，可以分為：統(tǒng)計類標簽、規(guī)則類標簽、挖掘類標簽。

統(tǒng)計類標簽：這類標簽是最為基礎也最為常見的標簽類型，例如對于某個用戶來說，他的性別、年齡、城市、星座、近7日活躍時長、近7日活躍天數(shù)、近7日活躍次數(shù)等字段可以從用戶注冊數(shù)據(jù)、用戶訪問、消費類數(shù)據(jù)中統(tǒng)計得出；該類標簽構成了用戶畫像的基礎。

規(guī)則類標簽：該類標簽基于用戶行為及確定的規(guī)則產(chǎn)生；例如對平臺上“消費活躍”用戶這一口徑的定義為近30天交易次數(shù)>=2，在實際開發(fā)畫像的過程中，由于運營人員對業(yè)務更為熟悉、而數(shù)據(jù)人員對數(shù)據(jù)的結構、分布、特征更為熟悉；因此規(guī)則類標簽的規(guī)則確定由運營人員和數(shù)據(jù)人員共同協(xié)商確定。

挖掘類標簽：該類標簽通過數(shù)據(jù)挖掘產(chǎn)生，應用在對用戶的某些屬性或某些行為進行預測判斷；例如根據(jù)一個用戶的行為習慣判斷該用戶是男性還是女性，根據(jù)一個用戶的消費習慣判斷其對某商品的偏好程度；該類標簽需要通過算法挖掘產(chǎn)生。

六、形成初步用戶畫像

基于用戶畫像數(shù)據(jù)，可以使運營人員、營銷人員，有更好的用戶認識，帶來更佳的用戶服務質量，實現(xiàn)精準運營、精準營銷。

設計用戶畫像的可視化展現(xiàn)時，可以使用以下工具：

其中tableau、powerbi等自助式數(shù)據(jù)分析工具，可以讓沒有編程經(jīng)驗的業(yè)務人員、運營人員等進行自我數(shù)據(jù)分析，不需要依賴IT人員。

七、評估用戶畫像效果

在初步形成了用戶畫像后，并不能直接交給運營、業(yè)務人員實際使用，還需要評估用戶畫像的準確性。

評估方式主要分為3種：邏輯驗證、A/B test、用戶回訪。

邏輯驗證：也叫做交叉驗證；在完整的用戶畫像標簽體系中，一些標簽往往會存在一些相關性；比如用戶的累計在線時長越長，訂單量通常會越高；比如購買3C產(chǎn)品的用戶群中，男性用戶數(shù)通常大于女性用戶數(shù)；另外，如果公司購買了第三方機構的數(shù)據(jù)，也可用于交叉驗證。

A/B test：也叫做灰度測試；以上述的忠誠度為例，保證對照組、實驗組的流量相同；對實驗組的用戶，進行提升忠誠度的運營策略（促銷活動、積分獎勵等）；如果實驗組的用戶，忠誠度相比對照組用戶，有一定提升，則可以認為用戶畫像比較精確。

用戶回訪：最樸實的評估方法，比如用戶畫像系統(tǒng)，定義了10萬用戶為低忠誠度用戶；此時從中隨機抽取1000人，交給客服，進行回訪。根據(jù)回訪結果，判斷用戶畫像結果是否準確；甚至可以對回訪結果進行文本挖掘，形成詞云，查看消極詞的占比。

八、總結

當公司業(yè)務規(guī)模，用戶體量上升到一定量級；業(yè)務、運營團隊，往往會提出對用戶精準運營的想法；此時就需要用戶畫像系統(tǒng)，在支持業(yè)務運營的同時，也可以幫助產(chǎn)品經(jīng)理更好的了解用戶。

0-1搭建用戶畫像系統(tǒng)，需要在已有比較成熟的數(shù)據(jù)倉庫的前提下進行：

• 數(shù)據(jù)建模：根據(jù)業(yè)務模式，設計相應的數(shù)據(jù)模型
• 梳理用戶畫像維度：不重疊、不遺漏的梳理用戶標簽體系
• 形成初步用戶畫像：可以使用tableau、powerBI、echarts等多種工具，生成可視化的用戶畫像
• 評估用戶畫像效果；通過邏輯驗證、A/B測試、用戶回訪等方式，驗證用戶畫像系統(tǒng)中的標簽是否準確
• 根據(jù)評估效果，持續(xù)優(yōu)化用戶標簽系統(tǒng)

本文由 @16哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉載。

題圖來自 unsplash，基于 CC0 協(xié)議