通過前六篇文章的介紹，大家應(yīng)該對推送系統(tǒng)的整體運(yùn)作流程有清晰的了解。本篇開始將會從數(shù)據(jù)和運(yùn)營層面對推送進(jìn)行更深入的介紹，力求把推送的效果最大化，也和大家一起把推送系統(tǒng)研究到極致。

想要通過推送達(dá)成運(yùn)營目的，首要的是要用戶點(diǎn)開推送消息，進(jìn)到目標(biāo)頁面才有機(jī)會實現(xiàn)運(yùn)營目的。所以推送點(diǎn)擊率，成為許多運(yùn)營者觀察的數(shù)據(jù)指標(biāo)之一。

用戶對推送內(nèi)容是否感興趣，很大程度影響著點(diǎn)擊率的高低。近年來，各種信息平臺/電商網(wǎng)站通過精準(zhǔn)推薦、消息聚合和消息分發(fā)，聲稱基于大數(shù)據(jù)算法實現(xiàn)個性化的推薦，從而達(dá)到內(nèi)容點(diǎn)開率大幅提升。

精準(zhǔn)+大數(shù)據(jù)算法似乎成為當(dāng)下的潮流，但是對于很多產(chǎn)品經(jīng)理來說，機(jī)器學(xué)習(xí)、大數(shù)據(jù)算法聽起來就難以實現(xiàn)。

其實個性化推薦并沒有想象的那么困難，本篇將會給大家介紹個性化精準(zhǔn)推送的第一步：建立用戶畫像，當(dāng)然我們主要從推送出發(fā)，在推薦算法上不會有太深入的挖掘。

為什么建立用戶畫像

其實要做精準(zhǔn)推送同樣可以使用多種推薦算法，例如：基于用戶協(xié)同推薦、基于內(nèi)容協(xié)同的推薦等其他的推薦方式，但是以上方式多是基于相似進(jìn)行推薦，運(yùn)用范圍多為單一的功能，難以實現(xiàn)全網(wǎng)功能之間的聯(lián)動。而構(gòu)建用戶畫像，不僅可以滿足根據(jù)分析用戶進(jìn)行推薦，更可以運(yùn)用在全網(wǎng)所有功能上。

建立用戶畫像確實是一個一勞多得的事情，不僅可以運(yùn)用于精準(zhǔn)推送、精準(zhǔn)推薦、精準(zhǔn)營銷，更可以作為網(wǎng)站的用戶屬性分析，用戶行為分析，商業(yè)化轉(zhuǎn)化分析等。同時網(wǎng)站共用一套用戶畫像，可以對用戶有統(tǒng)一的認(rèn)知，更可以在各個運(yùn)用渠道對數(shù)據(jù)進(jìn)行補(bǔ)充和矯正。

大致的理念如下圖：

從圖上可以看出，用戶畫像的運(yùn)用途徑非常廣，但那些都是應(yīng)用層面的事情，我們在此主要分析從用戶畫像構(gòu)建到實現(xiàn)精準(zhǔn)推送的過程。下面開始為大家介紹如何構(gòu)建網(wǎng)站的用戶畫像庫。

用戶畫像構(gòu)建思路

在部分構(gòu)建用戶畫像介紹文章中分為四個層級，第四層為預(yù)測模型，但在精準(zhǔn)推送中較少運(yùn)用到預(yù)測的需求，而且預(yù)測算法會是更高階的算法，需要大量的數(shù)據(jù)演算，本次不做討論，所以暫且分為三層進(jìn)行構(gòu)建。

從圖中可以看到，用戶畫像的第一層主要是原始數(shù)據(jù)庫，此數(shù)據(jù)庫主要囊括后續(xù)分析所需要的所有原始數(shù)據(jù)。也是通過大量數(shù)據(jù)的分析和處理，后面能提煉成用戶的畫像得以運(yùn)用。

故在這一層的關(guān)鍵詞是：大量、數(shù)據(jù)。而第二層級是根據(jù)第一層的原始數(shù)據(jù)通過算法計算、提煉、規(guī)劃成可以組成用戶畫像的一系列通用標(biāo)簽，而這類標(biāo)簽的存在形式類似于矩陣或者多個類別的集合。

在業(yè)務(wù)需要時，該類標(biāo)簽從數(shù)量和維度都可以增加以滿足業(yè)務(wù)需求。所以第二層的關(guān)鍵詞是：通用、標(biāo)簽。

而對于第三層，我們可以通過對標(biāo)簽的聚合、提煉、建模等方式構(gòu)成用戶的多個“面”，并運(yùn)用于多個場景。例如：說小明在聽音樂時的畫像是搖滾、年輕、流行、活潑；而在學(xué)習(xí)時的畫像是認(rèn)真、專心、投入、經(jīng)濟(jì)學(xué)等。

通過用戶不同的角度實際運(yùn)用于各類業(yè)務(wù)需求，實現(xiàn)精準(zhǔn)化。所以在第三層的關(guān)鍵詞是：聚合、運(yùn)用。

建立原始數(shù)據(jù)庫

從第一層的原始數(shù)據(jù)庫搭建開始介紹，這一層我們需要獲得盡量多的原始數(shù)據(jù)，因后面的所有的應(yīng)用場景都依托于原始數(shù)據(jù)的計算、分析、建模，所以在原始數(shù)據(jù)庫搭建時需要考慮更全面，當(dāng)然原始數(shù)據(jù)與數(shù)據(jù)存儲、采集難度和成本都密切相關(guān)。

以下圖為主要數(shù)據(jù)維度，大家根據(jù)實際情況進(jìn)行抉擇。

一般來說，例如：電商類網(wǎng)站。對用戶的分析更為深入仔細(xì)，會需要分析出用戶的購買力，所以可能會在用戶信息部分下功夫。雖然在用戶信息泛濫的今天，依然不提倡大家通過非正常渠道獲取用戶信息，即便這些數(shù)據(jù)的商業(yè)價值很高。

而第二類數(shù)據(jù)即用戶行為數(shù)據(jù)是必選項，用戶行為數(shù)據(jù)可以更好的分析用戶需求，更容易獲取用戶的興趣內(nèi)容。所以大部分的推薦算法，都會基于用戶行為作為原始數(shù)據(jù)源。而用戶環(huán)境信息及其他的數(shù)據(jù)，可以作為數(shù)據(jù)分析的重要參考資料，這個可視實際情況進(jìn)行采集和存儲。

下面仔細(xì)介紹如何采集用戶行為數(shù)據(jù)，采集的目的多用于推算出用戶的喜好度以及分析用戶的轉(zhuǎn)化行為。通過用戶行為推算出用戶的標(biāo)簽，實質(zhì)是利用用戶感興趣的內(nèi)容賦予標(biāo)簽化的過程。

主要思路如下圖：

這個方法的核心思路就是把用戶在網(wǎng)站內(nèi)的每一個操作和操作的對象、操作時間，均記錄下來，形成一個用戶行為表，這樣用戶行為的原始數(shù)據(jù)就構(gòu)建完成了。

具體操作如下：

把用戶瀏覽/收聽/觀看的每一個內(nèi)容、瀏覽時間、與該內(nèi)容的交互（點(diǎn)擊、滑動）、在該內(nèi)容的關(guān)鍵指標(biāo)（收藏、分享、商業(yè)化行為等）均記錄下來，那么每個用戶都會有一個用戶行為記錄表，而記錄的維度可以是數(shù)值，可以是“是or否”，也可以是時間，要視具體的需求而定。

如下圖：是我在實際設(shè)計過程中定義的用戶行為數(shù)據(jù)存儲格式，主要反映用戶在什么時間看了什么，并做了什么事情。

根據(jù)這個表格形成原始數(shù)據(jù)，當(dāng)然我前面也說到了，這只是原始數(shù)據(jù)中行為數(shù)據(jù)的部分，在設(shè)計時可以根據(jù)實際情況拓展數(shù)據(jù)表。

通過記錄用戶行為的這個原始數(shù)據(jù)，我們可以獲得這些信息：用戶的訪問習(xí)慣（頻率、時間、時長）、用戶感興趣的內(nèi)容、用戶對內(nèi)容的感興趣程度。

其實光是這些，我們已經(jīng)大致能推算出用戶基本喜好度了。但是這個方法有個缺陷，既用戶未產(chǎn)生足夠多的行為時，我們無法獲取其行為信息，自然也無法進(jìn)行后續(xù)分析。此時就可以運(yùn)用前面介紹到的通過用戶的信息、用戶環(huán)境等其他數(shù)據(jù)作為基礎(chǔ)，通過用戶協(xié)同算法，找到與該用戶相似的同類用戶喜好的內(nèi)容。

建立用戶標(biāo)簽庫

根據(jù)上面獲得的用戶行為原始數(shù)據(jù)，我們得到了一張龐大的行為記錄表。但是想要把這個表格的內(nèi)容運(yùn)用起來，我們需要把用戶行為更為具象化，也就是需要把用戶畫像構(gòu)建起來。

構(gòu)成用戶畫像可以是一段話描述，可以是各種屬性的合集，也是直觀解釋的標(biāo)簽。根據(jù)上面的介紹，用戶畫像可以運(yùn)用在用戶的分析、商業(yè)化模式的分析、精準(zhǔn)和個性化推薦系統(tǒng)中。而本篇主要介紹精準(zhǔn)推送，故只選取可以具象化展示畫像的用戶標(biāo)簽。

其實用戶標(biāo)簽并不等同于用戶畫像，只是用戶標(biāo)簽是用戶畫像直觀的呈現(xiàn)，并且是比較好且常用的運(yùn)用方式。

構(gòu)建用戶標(biāo)簽庫其實比較簡單，因為我們在上述采集用戶行為過程中，已經(jīng)把用戶喜好的內(nèi)容采集下來了，所以基礎(chǔ)標(biāo)簽并可以直接運(yùn)用內(nèi)容的標(biāo)簽。也就是通過用戶喜歡的內(nèi)容給用戶貼標(biāo)簽。

（1）內(nèi)容標(biāo)簽化

首先要做的事情就是把內(nèi)容標(biāo)簽化，根據(jù)內(nèi)容定性的制定一系列標(biāo)簽，這些標(biāo)簽可以是描述性標(biāo)簽，也可以是具象的標(biāo)簽，更可以是數(shù)字或者數(shù)值范圍。這些內(nèi)容的標(biāo)簽需要具有通用性，即適用于你所采集的用戶瀏覽的所有內(nèi)容。

例如：是電商類網(wǎng)站，則這一些列標(biāo)簽可以是商品類型、商品價格范圍、商品產(chǎn)地、商品品牌、商品特點(diǎn)等等。如果是房產(chǎn)類網(wǎng)站，則可以是房子的區(qū)域、價格、面積、格局、形態(tài)等等。

在完成這一步操作之后，此時用戶行為表中的內(nèi)容均可以標(biāo)簽化了，相當(dāng)于用戶行為表記錄的是用戶對一組標(biāo)簽的感興趣程度。

在對內(nèi)容標(biāo)簽化的時候，需要注意，標(biāo)簽的值需要有統(tǒng)一的范圍，不然在后期將無法進(jìn)行使用和比較。例如說：上圖表格中，“區(qū)域”這個標(biāo)簽的值范圍只能是某個行政區(qū)，而每個房源信息都有這個區(qū)域值的標(biāo)簽，切勿出現(xiàn)“區(qū)域”這個標(biāo)簽值是范圍外的內(nèi)容，如：小區(qū)名等情況。

以上圖為例，房源ID-1001的標(biāo)簽為：福田區(qū)、6萬單價、2房、40-50坪、……

（2）用戶標(biāo)簽化

第二步要做的就是把內(nèi)容的標(biāo)簽賦予用戶，這個過程就是需要研究用戶對內(nèi)容的喜好程度，用戶喜歡的內(nèi)容即當(dāng)作用戶喜好的標(biāo)簽。

在用戶行為記錄表中，我們所記下用戶的行為在此時就發(fā)揮出重要的作用了。用戶的瀏覽（時長/頻率）、點(diǎn)擊、分享/收藏/關(guān)注、其他商業(yè)化或關(guān)鍵信息均不同程度的代表的用戶對這個內(nèi)容的喜好程度。

此時我們可以用過給這些行為賦予權(quán)重分值，通過分值的計算得出用戶喜好的一組標(biāo)簽。按照行為的重要程度賦予分值沒有規(guī)定的值推薦給大家，大家可以通過不斷的嘗試和調(diào)整，找到最適合自己算法的權(quán)重值。同時內(nèi)容是具有時效性或者與時間的關(guān)系比較重要，也是可以把時間作為權(quán)重參數(shù)之一。以下圖是舉例說明為行為賦值的過程。

完成對關(guān)鍵行為賦予權(quán)重分值后，即可開始計算，首先我們把用戶瀏覽（收聽、觀看）的內(nèi)容全部按照上面內(nèi)容標(biāo)簽化的方式打散成標(biāo)簽，并且把用戶行為表中的關(guān)鍵行為轉(zhuǎn)化成對應(yīng)分值。

這樣可以得到下表：

把標(biāo)簽與分值關(guān)聯(lián)進(jìn)行求和計算，即每個標(biāo)簽的值都可以得到一個分值之和，例如說：商品A的標(biāo)簽“商品產(chǎn)地”的值有“福建、廣東、、云南、浙江、河北”等，通過分值計算，找到分值最高的值作為該用戶此標(biāo)簽的值。

如：計算出來“福建”的分值最高，即該用戶喜歡“商品產(chǎn)地是福建”的商品。

通過以上計算可以實現(xiàn)每個系列標(biāo)簽獲得分值最高的值，此時根據(jù)自身的需求，可以取最高的值作為標(biāo)簽值，當(dāng)然也可以從分值從高到低排序，取前幾個成為標(biāo)簽數(shù)組。通過上面計算，那么一個用戶將獲得一組/多組標(biāo)簽及對應(yīng)的值。

如下圖：

建立用戶畫像庫

我們通過上述方式獲得了用戶的一組組標(biāo)簽，但是對用戶的剖析并不夠立體。用戶畫像的是個立體標(biāo)簽庫的集合，此時就需要我們把標(biāo)簽組構(gòu)成像矩陣、集合一樣立體。再把用戶通過各類維度進(jìn)行組合和排布，形成用戶畫像。

這是一個用戶的畫像在數(shù)據(jù)表中的形態(tài)，然而網(wǎng)站千萬用戶均有自己的畫像庫，所以在構(gòu)建用戶畫像的時候，需要考慮數(shù)據(jù)存儲的問題。這個大量的數(shù)據(jù)計算將會持續(xù)對數(shù)據(jù)的存和使用造成壓力，所以在構(gòu)建時一定要與研發(fā)工程師討論。

用戶畫像的橫向和縱向都具有拓展性，隨著基礎(chǔ)數(shù)據(jù)的獲取越來越多，可以拓展的維度也越來越多。同時通過標(biāo)簽的組合、聚合和拓展，可以形成二級標(biāo)簽、三級標(biāo)簽等高階標(biāo)簽，并運(yùn)用于不同場景。

下面將為大家舉例介紹標(biāo)簽多變的玩法。

應(yīng)用層的用戶標(biāo)簽

來到應(yīng)用層，我們就可以充分的利用標(biāo)簽發(fā)揮各種用途。首先我們可以通過標(biāo)簽篩選出用戶，特定的幾個標(biāo)簽即可圈定特定范圍的用戶。

例如說：我可以在用戶池中篩選出“年輕、單身、用蘋果手機(jī)、喜歡xxx”的用戶，可以對這類用戶進(jìn)行有針對性的推薦和營銷。同時除了圈定用戶，我們還可以對標(biāo)簽進(jìn)行組合。如：標(biāo)簽A=標(biāo)簽a+標(biāo)簽b-標(biāo)簽c。

以上面基礎(chǔ)用戶畫像圖中信息舉例：首購用戶=年齡22~35歲+購房格局為2房+購房單價低于X萬-有小孩+….等等，當(dāng)然只是舉例說明，通過標(biāo)簽之間的組合疊加或排除，可以形成更高階的標(biāo)簽并運(yùn)用于各種應(yīng)用層。

例如：電商網(wǎng)站經(jīng)常會通過各種信息來判斷用戶的購買力、喜歡的商品，購物習(xí)慣和購物頻次。這些都是可以根據(jù)基礎(chǔ)標(biāo)簽的聚合計算出來的，不同的組合方式讓標(biāo)簽更豐富，更貼近實際運(yùn)用場景，但是也不會干擾原始標(biāo)簽庫和用戶原始數(shù)據(jù)的存儲和使用。

總結(jié)

本篇主要為大家介紹了精準(zhǔn)推送的第一步，構(gòu)建用戶畫像：

1. 構(gòu)建用戶畫像可以用于精準(zhǔn)推薦、精準(zhǔn)推送、精準(zhǔn)營銷、數(shù)據(jù)分析等；
2. 把用戶畫像構(gòu)建分成三層，分別是原始數(shù)據(jù)庫、畫像標(biāo)簽庫、畫像應(yīng)用層；
3. 原始數(shù)據(jù)的獲取可以是用戶信息、用戶行為、用戶環(huán)境等相關(guān)信息；
4. 通過分析用戶行為，可以針對用戶對內(nèi)容的喜好度，使用內(nèi)容給用戶標(biāo)簽化；
5. 用戶畫像是可以在橫向和縱向進(jìn)行拓展的龐大標(biāo)簽組；
6. 在應(yīng)用層可以通過標(biāo)簽的組合、聚合、拓展形成各類高級標(biāo)簽并靈活使用。

在下一篇將會給大家介紹通過一些相似度算法，計算用戶最感興趣的內(nèi)容，從而實現(xiàn)精準(zhǔn)的個性化推送，盡請期待！

相關(guān)閱讀

推送系統(tǒng)從0到1（一）：是系統(tǒng)不是工具

推送系統(tǒng)從0到1（二）：了解你的用戶

推送系統(tǒng)從0到1（三）：推送任務(wù)的建立

推送系統(tǒng)從0到1（四）：消息如何到達(dá)用戶設(shè)備

推送系統(tǒng)從0到1（五）：推送消息如何丟失的

推送系統(tǒng)從0到1（六）：推送的著陸頁設(shè)計

本文由 @番茄那只羊 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。

題圖來自Pexels，基于CC0協(xié)議