用户画像规划流程和方法

编辑导语：如今在这个大数据时代，“用户画像”这个词经常出现，它跟精准营销挂钩，可以根据一个人的兴趣、地理位置等进行精确的推送，达到良好的营销效果；本文作者分享了关于用户画像规划的流程和方法，我们一起来看一下。

互联网行业飞速的发展，带动行业业务量激增，同时伴随数据量的增加，互联网各行各业慢慢形成头部企业，2/8原则下长尾企业也越来越多；因此，在大数据量和激烈竞争下，如何更好的对产品进行营销，如何制定价格策略，越来越重要。

那么，如何制定准确的营销和价格，就需要我们针对不同人群，不同个体的特点进行精细化推荐，所要本章介绍了如何进行用户画像。

文章结构：

一、什么是用户画像

用户画像就是对用户按照一定的规则进行统计，划分，从而能够指导用户推荐，客户分层运营，达到营销效果。

昨天：手机APP大爆发是随着手机硬件的发展而发展起来的，发展前期大量APP为抢占市场纷纷上线；用户画像只是为了指导产品设计，主要用于产品设计前夕的用户访谈、用户调研的前期工作，而且一般覆盖的人群比较狭隘，精准度差，产品经理设计产品全靠感觉。

今天：行业竞争越来越大，行业产生的数据量也越来越大，各大公司开始建造自己的数据仓库；那么如何应用数据仓库中的数据，如何进行精细化运营，用户画像越来越受到重视。

明天：随着大数据技术的成熟应用，用户画像标签将越来越多，目前互联网行业中比较成功的标签系统是淘宝的千人千面，技术创新必将推动用户画像的精准度。

二、用户画像常用场景

用户画像概况可应用于一下三个场景：

• 产品设计：开发前期的产品定位设计；
• 产品营销：指导运营对特定用户进行推送活动信息，推广信息，个性化推荐等。
• 产品决策：分析用户画像统计对产品的发展现状和发展趋势进行预测，及时调整产品发展路线。

按照用户标签的生产方式可分为：

统计标签：现有的可以直接从数据中提取出来的标签；包括用户自然属性，用户行为统计等信息。

规则标签：自定义规则进行标签建模；根据业务流程提取需要统计的标签。

算法模型标签：根据机器学习等算法进行用户行为预测分类；具有不确定性、开发周期长、成本高，因此系统中此类标签数量较少。

三、用户画像系统搭建流程

1. 数据采集

对用户数据进行采集，数据预处理，数据挖掘和过滤等手段得出期望的数据集。

用户数据一般分为埋点数据和业务数据：

• 埋点数据：根据用户的行为特征进行埋点，将得到的数据进行处理存储；
• 业务数据：用户的姓名、年龄、地理位置等自然属性，同时包括用户购买、用户评价、用户评论等隐形数据。

具体采集方法可以使用如下算法模型：

文本挖掘模型（TF-IDF）：处理文本类型，提取数据信息。

TF是词频，IDF是逆向文件频率，TF-IDF是词频和逆向文件频率的乘积。

Nij就是词i在j文章中出现的次数，分母就是文章的总词数。

D就是语料库中文件总数，下面分母就是词i出现的文档数，然后取对数。

该算法可以直接调用python库Sklearn进行实现，但是该算法比较单一，不考虑词条在文章中的位置，不能准确描述词的重要程度，一般需要结合其他其他算法或者增加权重改进。

聚类算法：聚类算法较多，如ANN神经网络和贝叶斯等，聚类主要是针对冷启动用户、用户分群营销等目的；具体算法相对复杂，目前算法应用多使用python的各种库如Sklearn，包括一些框架tensorflow、caffe等。

相似度模型：一般使用相似度模型进行辅助用户分群，常用的有逻辑回归、线性回归、余弦相似度、皮尔森相似度等。

具体说下余弦相似度：

实例：

用户1和用户2通过公式计算相似度为0.945406，是不是可以解释为两个用户可以划分为同一类人，进行用户分群（计算过程只是用于解释算法，无其他意义）。

若已有数据仓库，数据采集相对比较轻松，可参考文章“ 每日优鲜如何搭建数据仓库？”。

2. 用户维度分析

用户分析具有多维度，随时间更新的特点，包括用户年纪、学历、兴趣、消费水平等都容易变化。

因此维度信息应该随着用户偏好发生变化，因此，在标签系统中需要有新增标签功能。

3. 维度标签化

用户画像最终的实现应该是对维度进行标签化，常用MECE法则进行标签化，防止标签界限不清晰。

标签需要根据需要进行逐级拆分，例如：

4. 标签映射，接口封装

用户画像数据导入服务器中，为后续推荐系统，营销活动服务；封装成API可以作为数据服务的内容，对其他系统提供数据支持。

5. 用户画像评估

对画像进行评估：

用户覆盖率：用户画像具体能够覆盖到多少用户，有些用户画像可能覆盖总用户的50%或者80%；所以覆盖率是用户画像应用的一个评价，覆盖率越高，对后续精准营销的策略选择越准确。

准确率：模型的准确性，如上所述，使用算法模型导致的用户分群错误或者对用户的购买意向预测错误，将直接影响购买率，影响GMV。

可拓展：用户画像在维度刻画应该是可扩展的。

及时性：如果用户画像服务到实时推荐系统中还需要用户画像的及时。

四、总结

用户画像结合大数据技术使用户刻画更加细致、及时，对日趋竞争激烈的互联网浪潮起到越来越重要应用。

本文由@汪仔2296 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash, 基于CC0协议