用户画像详解来了

导读：今天主要和大家分享明略对于用户画像的认识，包括如何理解用户画像，为什么需要用户用画像，以及明略在建设和应用用户画像过程中总结的方法论，让大家了解如何构建好的用户画像。

01

什么是用户画像

首先来看用户画像的定义。

1. 用户画像的定义

引用这个定义是为了引出标签的概念，以及标签在画像中的作用，或者说标签和画像之间的关系。标签可以理解为对用户各种类型数据的提炼总结，可能就是用一个词或者说是用一个短语来表达用户在某个方面的一项特征。用户有各种各样的特征，因此需要有海量的标签去完整地描述一个用户。这样做的好处在于能够可视化表征用户特征，让我们更加便捷清晰的了解我们的客户，这是用户画像的意义所在：用户画像其实就是对用户关联数据去进行可视化的展现。

一句话总结一下，用户画像的技术特点就是把用户的信息标签化。

2. 常见用户画像维度

到现在为止对用户画像进行了多种角度的定义，但还是停留在概念层面，不够直观。下面举几个例子加深理解。

在这个场景中，可以看到用户的标签都是和个人信用相关的，和前一个例子的标签集合差异比较大。跟个人信用相关的标签包括，如用户在平台的注册年限，是不是修改过注册信息，是不是在其他平台有过逾期行为，还是一向都表现良好，也包括用户的个人信息，比如婚姻状况，有没有小孩儿，以及在社交媒体上的表现，比如粉丝数，活跃度等等。这一系列的信息都可以综合起来，帮助我们判定用户的信用评分及信用等级，辅助业务部门去做出决策。这又提出了一个非常重要的概念，就是辅助决策，后面我们也会提到这一点。

4. 群体维度常见的画像

除了可以对单个用户去进行画像之外，也可以对某个群体来进行画像。

我们从业务和技术两个角度进行理论分析。

在业务层面，我们通过用户画像可以去构建具象的认知，构建战略和战术方向，同时也可以去探索用户足迹，形成以用户为导向的一个方向。在对核心用户达成统一而且具象的认识之后，我们后续的投入才能方向明确，有的放矢。

在为用户设计产品的时候，要以用户为导向，清楚地知道目标用户是什么样的，有什么样的行为、属性特征。根据用户画像信息来做产品设计，才可能为公司提供一种战略和战术层面上的指导。

探索用户的足迹，形成用户走向，是指在详细了解真实用户是如何和产品及其相关内容进行互动之后，我们才能进一步的去深化产品。当我们为用户进行画像的时候，一定是要从这种业务场景出发的，带着业务场景的目标去解决实际的业务问题。比如要去进行画像，要么就是去获取新用户，要么就是去提升用户体验，再或者可能是为了挽回流失的用户，总之一定是有非常明确的目标在先。

从技术层面上讲，我们通过用户画像的构建，可以帮助构建底层数据基础，来服务上层应用，同时也方便对于信息的处理。

其实用户画像除了可以做比较直观的展示之外，更多时候是服务上层应用，比如在推荐系统里面，用户画像作为推荐系统非常重要的一环，能够提升推荐效果；另外像前面提到的金融领域的应用，用户画像也可以在风控应用，作为一些规则特征而存在，用于量化用户的信用等级。

有标签之后，计算机可以方便地处理一些量化的需求，比如去做分类统计，或者去做深入的数据挖掘，喜欢买榴莲的用户，通常喜欢什么服装品牌，经常又买咖啡又买大蒜的用户的年龄段分布大概是什么样子等等，基于画像，我们可以做一系列量化分析。

总之，用户画像可以完美地抽象出一个用户的信息全貌，是企业应用大数据的根基，可以帮助企业为用户提供个性化的产品和服务。对于给客户提供服务的企业而言，我们最终的目的都是，在用户使用企业提供的产品、打开APP或者网站的时候，可以看到的内容和体验都是针对他来设计的，或者说是符合用户的调性的，这就是所谓的千人千面，这样用户的体验才会有真正的提升。

2. 示例：画像支撑业务应用

接下来，结合明略的用户画像和营销自动化产品，来给大家举一个画像支撑业务应用的例子，非常浅显易懂。

第一步：数据在线

数据在线指的是通过数字化转型，将业务流程在线化，这样业务流程中产生的数据也就跟着实现了在线化，具备了进一步处理的先决条件。比如以前我们都在超市里买东西，其实很难去统计哪个用户买了什么东西，后续的分析也就很难进行。现在很多人都在电商购物，购物记录实现了数据在线。未来，随着越来越多的业务流程在线化，可以分析的内容也会越来越丰富。

第二步：数据信息转换

用户数据转换为信息，这个信息指的是，在我们业务场景下能够解读出来的内容。比如用户姓名王二妮，是一个女性化的名字，当然，可能并不是所有的转化都这么直接。从数据到信息的过程中，需要基于对业务场景的理解，我们不仅需要直接的分析数据，转换数据，还需要赋予数据新的信息，这就是所谓的信息转换，信息增益。

第三步：信息标签转换

我们可以通过一些规则，将信息转化为标签。举个例子，当我看到这信息（用户名叫王二妮）的时候，我们就可以判断，大概率90%以上，这个用户是一位女性，就可以给用户一个性别标签，这是一种预测性的标签，所以这个标签是带有权重的，比如90%。

第四步：标签指导决策

根据标签如何产生决策电商场景，用户购买了一款婴儿奶粉产品，接下来该如何去跟他互动们结合性别女的标签，去判断，用户大概率是一个妈妈，就应该是适用妈妈型的沟通方式和称呼。这个当然也有可能会有错，比如用户是帮别人买的，送人的。因此可能会要结合多种标签应用，帮助我们决策用什么方式去和用户进行沟通。在这个环节中，并不要求决策百分之百正确。因为大多数业务只是需要一个可以尝试的推荐。接下来每一条数据都是这样的，比如通过数据在线，获得了收货地址，东城区特别贵小区302，通过信息增益补充了房价信息，然后再结合收入和房价模型，就能大概推断出用户的大概收入水平，生成收入水平标签。有了收入水平标签后，能进一步指导决策：对于收入水平比较高的用户，推荐更高端的产品系列。这就是一个典型的，通过数据转化为标签，最终指导决策的过程。

03

如何构建用户画像

明略在用户画像构建，标签体系构建，标签生成方面，不仅有成熟的产品，例如CDP、DMP，也有非常专业的实施服务团队和方法论。下面，结合明略自有的方法论和通用的方法论，和大家聊一聊如何构建用户画像。

1. 数据在线

画像构建流程的第一步是数据在线，也就是数字化转型，应用系统打通，终端埋点建设等等，技术层面内容这里就不一一展开了。

这里说一下我们比较关注的两类数据，一开始在定义阶段就提到过的属性和行为，具体包括静态数据和动态数据。

(1) 静态数据

动态数据是用户不断变化的行为信息。我们可能会更多地聚焦在用户在互联网上的行为，比如在浏览了某品牌的网页，浏览了某一个品类的一个单品页，或是发了一条微博等等这些信息，这种就是动态数据。

这两类数据对构建标签非常重要，也非常有用。

2. 标签体系建设

数据有了之后，在构建标签之前，我们先聊一聊标签体系的建设。

以这两个标签为例：李宁0.8，小米0.6。标签的部分，表征用户对哪些内容有兴趣、爱好或者需求，权重则表征了爱好或者需求的指数，也可能是需求度、可信度、概率等。

4. 标签建模方法

举例说明：某用户，前天在天猫李宁官网上浏览了一双鞋，昨天在天猫超市买了一个杯子，我们可以比较轻松地提取出来几个标签，李宁运动鞋、杯子，以及相关时间，昨天发生，前天发生。我们再做一个简单的假设，重要性每天可能会有百分之十的衰减，就是前一天可能是今天的0.9。

对于行为类型的标签，不同行为权重不同，比如购买行为权重是1，浏览权重只是0.5，也可能引入地点的权重，例如品牌官网的权重可能会重一些，天猫超市可能稍微低一些。

所以计算标签的时候，需要把以上所有内容都考虑进去，时间衰减、行为类型、地点等等，计算出标签以及权重值。

上面讲的这些方法和例子仅供参考，当我们真正去设计标签的时候，首先需要根据业务需求进行建模，然后才能明确标签、权重的值到底应该是怎样设定，并且要不断的迭代和优化。

5. 标签分类

下面我们从另外一个角度去看一下标签的分类，如图所示，分成了四层：

讨论了数据在线、标签体系设计、标签生成之后，我们来说一说构建画像过程中另外一个比较精彩的部分，通过Super ID的构建来实现ID的打通。这里暂且不讨论具体的技术，重点分享为什么需要实现打通。我们前面讨论的构建画像的过程其实是简化了的：假设来自不同场景的数据都可以直接和用户产生关联。而在实际场景中，企业可能构建了多种渠道触达用户，可能是直接提供服务的渠道，也可能是广告营销的渠道，渠道的多样化就导致了用户行为的碎片化。如何将复杂的碎片归一化，认知用户特征，最后形成用户画像，挖掘用户需求，这一系列的解决方案是很重要的需求，也是大多数企业今天面临的挑战。

在明略的解决方案中，我们围绕用户构建了一个SuperID，通过一些确定性的绑定关系和一些不确定性的匹配关系，将这些多种渠道获得的ID围绕Super ID形成连接，最终实现多个渠道多个ID的打通，这样就可以将多个渠道获得的用户行为数据进行连接，来支撑模型标签和预测标签的计算。

7. 用户画像示例

文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11171 人正在系统学习中

来源：浪尖聊大数据-浪尖