編輯導(dǎo)語(yǔ)：如今在這個(gè)大數(shù)據(jù)時(shí)代，很多時(shí)候我們會(huì)被打上“標(biāo)簽”，比如我們?cè)诠涮詫殨r(shí)，軟件會(huì)根據(jù)你的瀏覽和搜索喜好進(jìn)行推薦，這就是對(duì)于用戶的精準(zhǔn)投放，有效地提高轉(zhuǎn)化；本文作者分享了關(guān)于構(gòu)建用戶畫像系統(tǒng)解決方案，我們一起來(lái)看一下。

一、認(rèn)識(shí)用戶畫像

1. 什么是用戶畫像

用戶畫像是一個(gè)描述用戶的工具，刻畫出用戶個(gè)體或者用戶群體全方位的特征，為運(yùn)營(yíng)分析人員提供用戶的偏好、行為等信息進(jìn)而優(yōu)化運(yùn)營(yíng)策略，為產(chǎn)品提供準(zhǔn)確的用戶角色信息以便進(jìn)行針對(duì)性的產(chǎn)品設(shè)計(jì)。

用戶畫像系統(tǒng)集用戶畫像的生產(chǎn)與應(yīng)用于一身，對(duì)外（如產(chǎn)品運(yùn)營(yíng)、推薦系統(tǒng)等）封裝提供用戶畫像信息，以便對(duì)產(chǎn)品更好的設(shè)計(jì)以及對(duì)用戶更好的運(yùn)營(yíng)。

2. 用戶畫像與數(shù)倉(cāng)的關(guān)系

前面介紹了數(shù)據(jù)倉(cāng)庫(kù)的搭建《數(shù)據(jù)產(chǎn)品經(jīng)理如何推進(jìn)數(shù)據(jù)倉(cāng)庫(kù)的落地》，那么用戶畫像與數(shù)倉(cāng)是一個(gè)什么樣的關(guān)系？

一般來(lái)說(shuō)，數(shù)據(jù)倉(cāng)庫(kù)存儲(chǔ)的是結(jié)構(gòu)化的數(shù)據(jù)，而構(gòu)建用戶畫像需要結(jié)構(gòu)化數(shù)據(jù)，也有非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，既擁有結(jié)構(gòu)化數(shù)據(jù)又擁有半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的系統(tǒng)稱之為數(shù)據(jù)湖。

相對(duì)來(lái)說(shuō)，結(jié)構(gòu)化的數(shù)據(jù)更容易構(gòu)建用戶畫像，只需要對(duì)結(jié)構(gòu)化的數(shù)據(jù)直接進(jìn)行標(biāo)簽化，而非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)需要通過算法進(jìn)行處理后再進(jìn)行標(biāo)簽化。

用戶畫像與數(shù)倉(cāng)的關(guān)系為數(shù)據(jù)源與數(shù)據(jù)應(yīng)用的關(guān)系，兩者相輔相成，關(guān)系圖如下：

3. 用戶畫像（User Profile）與用戶角色（User Persona）區(qū)別

經(jīng)常有人搞不清楚用戶畫像與用戶角色的區(qū)別，其實(shí)兩者本質(zhì)上是不一樣的，先來(lái)看看兩者的對(duì)比圖表：

①性質(zhì)：用戶角色為定性研究，只考慮用戶的特征性質(zhì)不考慮程度，而用戶畫像是對(duì)用戶的精細(xì)刻畫，為定量研究。

②使用時(shí)機(jī)：一般來(lái)說(shuō)，用戶角色的使用場(chǎng)景在產(chǎn)品上線之前，此時(shí)幾乎沒有任何數(shù)據(jù)，需要產(chǎn)品同學(xué)針對(duì)產(chǎn)品的使用方進(jìn)行特征描繪，以便了解目標(biāo)群體進(jìn)行針對(duì)性的設(shè)計(jì)；用戶畫像的使用場(chǎng)景在產(chǎn)品上線后，此時(shí)已積累了一定的數(shù)據(jù)量，可以對(duì)用戶進(jìn)行數(shù)據(jù)統(tǒng)計(jì)構(gòu)建用戶畫像，獲得精細(xì)化運(yùn)營(yíng)的能力。

③描述程度：用戶角色是對(duì)某個(gè)用戶群體特征進(jìn)行高度概括，用戶畫像是對(duì)用戶個(gè)體或者用戶群體的精細(xì)描述。

④用途：用戶角色用于輔助產(chǎn)品進(jìn)行設(shè)計(jì)，研究用戶體驗(yàn)，例如權(quán)限控制系統(tǒng)會(huì)分為以下幾個(gè)角色：分析師、產(chǎn)品、運(yùn)營(yíng)、數(shù)據(jù)科學(xué)家等角色，用戶畫像用于了解用戶特征以及偏好，以便提供個(gè)性化的服務(wù)和提高盈利。

二、用戶畫像規(guī)劃

在構(gòu)建用戶畫像之前，需要產(chǎn)品同學(xué)進(jìn)行一個(gè)規(guī)劃，說(shuō)明下項(xiàng)目的背景以及做這個(gè)系統(tǒng)的必要性，最終要實(shí)現(xiàn)的目標(biāo)是什么，即提供什么樣的功能，為了達(dá)成這個(gè)目標(biāo)需要的人力以及物力資源。

1. 所需物力資源

這里需要計(jì)算一下需要什么硬件，如多大的磁盤、內(nèi)存，需要哪些，具體可以將硬盤和內(nèi)存分配到每個(gè)存儲(chǔ)及計(jì)算組件上，這個(gè)工作可與技術(shù)同學(xué)協(xié)商完成。

2. 所需人力資源

基于前面的介紹，設(shè)備的維護(hù)以及各存儲(chǔ)計(jì)算組件的運(yùn)行保障這里需要運(yùn)維工程師，數(shù)據(jù)的清洗需要ETL工程師。

數(shù)據(jù)的存儲(chǔ)、標(biāo)簽生成、流式計(jì)算等需要用到多種的大數(shù)據(jù)組件，這就需要大數(shù)據(jù)開發(fā)工程師，同時(shí)存儲(chǔ)的數(shù)據(jù)庫(kù)各種備份維護(hù)等工作需要配備數(shù)據(jù)庫(kù)工程師。

非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)需要經(jīng)過算法處理，所以算法工程師也是必需的；最后，用戶畫像需要進(jìn)行可視化，還需要配備一個(gè)前端工程師。

根據(jù)以上分析，所需的工程師如下（具體需要人數(shù)視項(xiàng)目而定，有的全棧工程師可以身兼多職就不需要這么多）：

三、怎么構(gòu)建用戶畫像

1. 用戶畫像實(shí)施

在開始構(gòu)建用戶畫像之前，需要數(shù)據(jù)產(chǎn)品出一個(gè)詳細(xì)的實(shí)施文檔，如果說(shuō)用戶畫像規(guī)劃文檔是說(shuō)做什么的話，那用戶畫像實(shí)施文檔就是說(shuō)明具體要怎么做；這樣開發(fā)人員才知道具體的邏輯著手實(shí)施，如受多個(gè)因素影響的標(biāo)簽每個(gè)因素的權(quán)重是多少，這樣才能計(jì)算出最終標(biāo)簽的值。

以下各步驟均要在實(shí)施文檔里面詳細(xì)說(shuō)明：

2. 數(shù)據(jù)建模

數(shù)據(jù)的如何從原始數(shù)據(jù)最終轉(zhuǎn)化成標(biāo)簽數(shù)據(jù)，需要定義一個(gè)標(biāo)準(zhǔn)處理流程，這就是數(shù)據(jù)建模。

1）建模流程

以上圖片為使用多項(xiàng) Logistic 回歸算法對(duì)電信業(yè)客戶進(jìn)行分類的建模流程，從圖片上看，數(shù)據(jù)建?？梢苑譃橐韵聨讉€(gè)步驟：

① 獲取原始數(shù)據(jù)，包含用戶訪問的行為日志、用戶基本屬性等，具體需要的數(shù)據(jù)視用途而定，這里預(yù)測(cè)客戶類別用到的信息有地區(qū)、年齡、婚姻狀況、地址、收入、教育程度、行業(yè)、退休、性別、居住地和客戶類別。

② 數(shù)據(jù)預(yù)處理，挖掘出事實(shí)標(biāo)簽，對(duì)用戶數(shù)據(jù)進(jìn)行過濾、清洗、簡(jiǎn)化表示，例如:過濾掉表中的無(wú)關(guān)字段，指定字段類型，處理缺省值等。

③ 分析用戶行為及屬性，構(gòu)建用戶畫像的模型標(biāo)簽，通過用戶行為屬性分析,得到各類型用戶的行為規(guī)律及特征屬性，構(gòu)建用戶行為屬性模型，訓(xùn)練出最終模型。

④ 調(diào)優(yōu)模型，對(duì)模型進(jìn)行調(diào)優(yōu)，使預(yù)測(cè)結(jié)果更準(zhǔn)確。

⑤ 通過模型進(jìn)行預(yù)測(cè)，完善用戶畫像，預(yù)測(cè)用戶的操作行為。

2）建模常用模型

以下列出常見的建模模型，以便了解熟悉各模型的常見用途。

① 文本挖掘模型（TF-IDF）：常用于文本的特征提取，處理與清洗數(shù)據(jù)，匹配標(biāo)識(shí)用戶數(shù)據(jù)，TF-IDF的主要思想是：如果某個(gè)詞或短語(yǔ)在一篇文章中出現(xiàn)的頻率越高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語(yǔ)具有很好的類別區(qū)分能力，能更好的代表本篇文章，適合用來(lái)分類。

② 分類聚類模型（貝葉斯、KNN、K-Means）：通過分析有相同特征的群體信息，對(duì)用戶進(jìn)行劃分。

③ 機(jī)器學(xué)習(xí)：通過特征提取挖掘出標(biāo)簽。

④ 相似度模型（余弦相似度、皮爾遜相似度）：用于輔助分類、聚類。

⑤ 推薦算法（Apriori）：根據(jù)用戶訪問情況推薦出興趣標(biāo)簽，完善畫像。

3. 用戶畫像維度拆解

思考通過各種維度來(lái)全方位描述用戶畫像，根據(jù)產(chǎn)品是To B還是To C注重的方向又不一樣，To C類型產(chǎn)品會(huì)關(guān)注用戶的性別、年齡、興趣、職業(yè)等信息；而To B類產(chǎn)品不太關(guān)注這些，會(huì)更傾向于研究用戶的工作能力、行為習(xí)慣等。

產(chǎn)品所處的行業(yè)對(duì)用戶畫像側(cè)重點(diǎn)也有影響，社交類和金融類的產(chǎn)品關(guān)注點(diǎn)又不一樣；一般來(lái)說(shuō)，可通過以下信息來(lái)基本構(gòu)建用戶畫像，其余的維度視具體需求再進(jìn)行定制化開發(fā)。

總之，用戶畫像的多維度刻畫需要遵循MECE法則進(jìn)行全方位不重復(fù)的拆解，這里同時(shí)引出了一個(gè)問題，維度的細(xì)分是不是越細(xì)越好？

如果用戶畫像的顆粒度過于精細(xì)。意味著開發(fā)成本直線提升，同時(shí)，過細(xì)的拆分意味著每個(gè)類別對(duì)應(yīng)的用戶量變少，造成服務(wù)目標(biāo)單一化。

舉一個(gè)比較極端不存在的例子，將用戶ID作為標(biāo)簽，則每個(gè)ID對(duì)應(yīng)一個(gè)用戶，這樣的細(xì)分對(duì)精細(xì)化運(yùn)營(yíng)是沒有幫助的；在維度細(xì)化拆分的過程中也要不停關(guān)注標(biāo)簽值覆蓋面來(lái)進(jìn)行微調(diào)。

4. 用戶畫像標(biāo)簽生成

由于用戶需求和用戶場(chǎng)景不斷更新，所以標(biāo)簽體系需要持續(xù)完善。不同的用戶需求和業(yè)務(wù)場(chǎng)景，不同的業(yè)務(wù)標(biāo)簽，用戶標(biāo)簽系統(tǒng)就不同。

1）標(biāo)簽的生成

標(biāo)簽從生成邏輯上來(lái)區(qū)分主要有幾大類：統(tǒng)計(jì)標(biāo)簽、規(guī)則標(biāo)簽、模型標(biāo)簽、算法標(biāo)簽。

• 統(tǒng)計(jì)標(biāo)簽：根據(jù)已有數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，如統(tǒng)計(jì)用戶近30天的消費(fèi)金額；
• 規(guī)則標(biāo)簽：根據(jù)一定的業(yè)務(wù)規(guī)則進(jìn)行劃分，如根據(jù)用戶的歷史消費(fèi)情況給用戶劃分對(duì)應(yīng)的消費(fèi)等級(jí)；
• 模型標(biāo)簽：基于一些分析模型對(duì)用戶進(jìn)行打標(biāo)簽，如RFM模型；
• 算法標(biāo)簽：此類標(biāo)簽可用于預(yù)測(cè)，如預(yù)測(cè)用戶是否是潛在付費(fèi)用戶。

下面在RFM模型基礎(chǔ)上，結(jié)合AHP分析法對(duì)用戶進(jìn)行打標(biāo)簽：

某產(chǎn)品有以下購(gòu)買消費(fèi)數(shù)據(jù)：

如果我們想知道每個(gè)用戶的價(jià)值是多少的話需要怎么評(píng)估，用戶價(jià)值有多個(gè)因素影響，這里的影響因素就是RFM三個(gè)因素，計(jì)算步驟如下：

構(gòu)建層次結(jié)構(gòu)模型：

構(gòu)造判斷矩陣：

根據(jù)以上打分規(guī)則，由經(jīng)驗(yàn)豐富、判斷力強(qiáng)的專家對(duì)三個(gè)因素兩兩打分給出判斷矩陣。

上表意味著專家評(píng)判RFM三個(gè)因素的權(quán)重順序分別是M>F>R。

計(jì)算特征向量：

通過判斷矩陣計(jì)算特征向量（也就是權(quán)重）。

判斷矩陣一致性檢驗(yàn)：

有了以上權(quán)重，還要進(jìn)行一致性檢驗(yàn)，判斷權(quán)重分配是否合理，避免出現(xiàn)類似M>F,F>R,R>M的情況；由于篇幅問題，就不進(jìn)行詳細(xì)的計(jì)算，網(wǎng)上也提供了在線計(jì)算工具只需要輸入判斷矩陣即可得出一致性檢驗(yàn)結(jié)果。

從以上計(jì)算，我們得出了RFM三個(gè)因素的權(quán)重，接下來(lái)就要根據(jù)這些權(quán)重以及各用戶的RFM具體的值來(lái)計(jì)算用戶價(jià)值。

RFM值標(biāo)準(zhǔn)化計(jì)算價(jià)值：

因?yàn)镽FM值的量綱不一樣，需要進(jìn)行標(biāo)準(zhǔn)化才有可比性，可通過以下兩個(gè)公式進(jìn)行標(biāo)準(zhǔn)化。

兩個(gè)公式應(yīng)用的場(chǎng)景不一樣，第一個(gè)公式適用于該因素對(duì)結(jié)果有正向影響時(shí)使用，第二個(gè)公式適用于該因素對(duì)結(jié)果有負(fù)向影響時(shí)使用。

RFM因素中，R值越小對(duì)用戶價(jià)值影響越大，因此使用第二個(gè)公式，F(xiàn)值和M值越大對(duì)用戶價(jià)值影響越大，因此使用第一個(gè)公式。

使用以上兩個(gè)公式進(jìn)行標(biāo)準(zhǔn)化后，將得到標(biāo)準(zhǔn)化后的值分別乘以該因素對(duì)應(yīng)的權(quán)重即可得到每個(gè)用戶的價(jià)值。

生成標(biāo)簽：

根據(jù)上面計(jì)算出來(lái)的值生成各因素對(duì)應(yīng)的標(biāo)簽，可以用均值區(qū)分，均值以上的為1，均值以下的為0，最終生成的標(biāo)簽如下：

以上有R、F、M、價(jià)值四個(gè)因素，每個(gè)因素有0或者1兩種情況，總共可以組合成16種情況，即可以將用戶分為16層，針對(duì)每層用戶特點(diǎn)進(jìn)行個(gè)性化服務(wù)。

5. 標(biāo)簽值映射規(guī)則

各類標(biāo)簽在底層存儲(chǔ)中并不會(huì)儲(chǔ)存具有實(shí)際意義的值，為了節(jié)省存儲(chǔ)成本和提高查詢效率通常用0、1等簡(jiǎn)單字符來(lái)表示；所以具體的映射規(guī)則需要數(shù)據(jù)產(chǎn)品進(jìn)行定義并維護(hù)，業(yè)務(wù)人員咨詢某標(biāo)簽里面的1代表什么意思的時(shí)候不至于一頭霧水。

6. 用戶畫像質(zhì)量評(píng)估

經(jīng)過以上步驟，用戶畫像的維度逐漸豐富，此時(shí)需要對(duì)用戶畫像的質(zhì)量進(jìn)行檢驗(yàn)，主要從以下幾個(gè)方面：

用戶覆蓋率：用戶畫像具體能夠覆蓋到多少用戶，如年齡標(biāo)簽有80萬(wàn)人打上的具體的值，有20萬(wàn)人沒打上，則年齡標(biāo)簽的用戶覆蓋率是80%；覆蓋率是用戶畫像應(yīng)用的一個(gè)評(píng)價(jià)，覆蓋率越高，對(duì)后續(xù)精準(zhǔn)營(yíng)銷的策略選擇越準(zhǔn)確。

準(zhǔn)確率：標(biāo)簽有值但是打錯(cuò)了標(biāo)簽也是質(zhì)量差的一個(gè)表現(xiàn)，，使用算法模型導(dǎo)致的用戶分群錯(cuò)誤或者對(duì)用戶的購(gòu)買意向預(yù)測(cè)錯(cuò)誤，將直接影響購(gòu)買率，影響GMV。此項(xiàng)指標(biāo)可以通過灰度測(cè)試來(lái)驗(yàn)證。

可拓展：用戶畫像系統(tǒng)在維度刻畫方面應(yīng)該是可擴(kuò)展的，支持后續(xù)方便的增加其他標(biāo)簽維度。

及時(shí)性：標(biāo)簽的實(shí)時(shí)更新對(duì)一些場(chǎng)景化推薦營(yíng)銷起到至關(guān)重要的作用，需要對(duì)近10分鐘內(nèi)做過某些行為的用戶進(jìn)行針對(duì)性廣告推薦，如果用戶做了該行為但是標(biāo)簽沒有及時(shí)更新的話那這個(gè)推薦系統(tǒng)將起不到任何作用。此項(xiàng)指標(biāo)可以人工進(jìn)行操作后觀察用戶畫像更新的時(shí)長(zhǎng)。

7. 用戶畫像可視化

用戶畫像完成之后，需要對(duì)用戶畫像進(jìn)行可視化以便只管感受，可通過Echarts、Tableau等可視化工具進(jìn)行繪圖；對(duì)于用戶個(gè)體，可生成類似于簡(jiǎn)歷的用戶信息描述，對(duì)于用戶群體，可展示該群體在各個(gè)維度的分布情況。

四、用戶畫像的應(yīng)用

用戶畫像的應(yīng)用場(chǎng)景十分廣泛，無(wú)論是用戶精細(xì)化運(yùn)營(yíng)還是系統(tǒng)個(gè)性化服務(wù)都能很好的支持，以下列舉一些用戶畫像常見的應(yīng)用：

• 精準(zhǔn)營(yíng)銷，分析產(chǎn)品潛在用戶，針對(duì)特定群體利用短信郵件等方式進(jìn)行營(yíng)銷；
• 用戶統(tǒng)計(jì)，比如APP用戶的性別、年齡分布；
• 推薦系統(tǒng)，通過數(shù)據(jù)挖掘利用關(guān)聯(lián)規(guī)則計(jì)算，進(jìn)行物品關(guān)聯(lián)推薦，利用聚類算法分析，上班一族使用APP的時(shí)間分布情況；
• 廣告推薦，其實(shí)也是推薦系統(tǒng)的一種；
• 提供種子用戶，篩選出與種子用戶類似的用戶群體或者相反的用戶群體，進(jìn)行定制化的服務(wù)。

本文由 @不語(yǔ) 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(zhuǎn)載

題圖來(lái)自?Unsplash，基于 CC0 協(xié)議