一、項目介紹

? ? 該項目數據來源于阿里天池——淘寶應用上的用戶行為數據：https://tianchi.aliyun.com/dataset/dataDetail?dataId=46

????代碼地址：https://github.com/LittleStarYing/taobao.git

????數據集由阿里巴巴集團提供，這里我只采用了其第一部分數據集D。

????其數據集詳細信息如下：

字段表信息

二、用戶畫像標簽體系介紹

? ??用戶畫像的核心在于給用戶“打標簽”，每一個標簽通常是人為規(guī)定的特征標識，用高度精煉的特征描述一類人，例如年齡、性別、興趣偏好等，不同的標簽通過結構化的數據體系整合，就可與組合出不同的用戶畫像。

????梳理標簽體系是實現用戶畫像過程中最基礎、也是最核心的工作，后續(xù)的建模、數據倉庫搭建都會依賴于標簽體系。

????為什么需要梳理標簽體系，因為不同的企業(yè)做用戶畫像有不同的戰(zhàn)略目的，廣告公司做用戶畫像是為精準廣告服務，電商做用戶畫像是為用戶購買更多商品，內容平臺做用戶畫像是推薦用戶更感興趣的內容提升流量再變現，金融行業(yè)做用戶畫像是為了尋找到目標客戶的同時做好風險的控制。

????所以第一步，我們要結合所在的行業(yè)，業(yè)務去分析我們用戶畫像的目的。這其實就是戰(zhàn)略，我們要通過戰(zhàn)略去指引我們最終的方向。

????對于電商企業(yè)來說，可能最重要的兩個問題就是：

????現有用戶- 我的現存用戶是誰？為什么買我的產品？他們有什么偏好？哪些用戶價值最高？

????潛在客戶- 我的潛在用戶在哪兒？他們喜歡什么？哪些渠道能找到他們？獲客成本是多少？

????而對于金融企業(yè)，還要加上一條：

????用戶風險—用戶的收入能力怎么樣？他們是否有過貸款或者信用卡的逾期？他們的征信有問題嗎？

????我們做用戶畫像的目的也就是根據我們指定的戰(zhàn)略方向最終去解決這些問題。

????在梳理標簽的過程還要緊密的結合我們的數據，不能脫離了數據去空想，當然如果是我們必須要的數據，我們可能需要想辦法去獲取這些數據，這就是數據采集的問題，我們之后會深入的討論。

????先展示兩種常見的標簽體系，隨后我們將按步驟建立我們的標簽體系。

電商類標簽體系

? ??

電商類標簽體系

????可以看到電商類的標簽體系，更關注用戶的屬性，行為等等信息。那么我們需要的數據也就來源于用戶可提供的基本信息，以及用戶的行為信息，這些我們可以通過埋點獲取，而用戶的訂單情況也是非常的重要的標簽。

?金融類標簽體系

? ??

金融類標簽體系

????對于金融行業(yè)，最明顯的區(qū)別是增加了用戶的價值和用戶風險的信息。這些信息在用戶申請貸款時一般都可以提供，還有很多信息需要通過征信獲取。

????最終，不管是電商還是金融或者其他領域，我們都可以通過數據對用戶進行畫像，最終建立標簽體系，影響我們的業(yè)務，最終實現戰(zhàn)略目的。

????下面我們來具體看一下如何一步步的分析建立整體標簽體系。

標簽的維度與類型

? ??在我們建立用戶標簽時，首先要明確基于哪種維度去建立標簽。

????一般除了基于用戶維度（userid）建立用戶標簽體系外，還有基于設備維度（cookieid）建立相應的標簽體系，當用戶沒有登錄設備時，就需要這個維度。當然這兩個維度還可以進行關聯。

????而兩者的關聯就是需要ID-Mapping算法來解決，這也是一個非常復雜的算法。更多的時候我們還是以用戶的唯一標識來建立用戶畫像。

????而標簽也分為很多種類型，這里參照常見的分類方式，

????從對用戶打標簽的方式來看，一般分為三種類型：1、基于統計類的標簽；2、基于規(guī)則類的標簽、3、基于挖掘類的標簽。下面我們介紹這三種類型標簽的區(qū)別：

????統計類標簽：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、近7日活躍次數等字段可以從用戶注冊數據、用戶訪問、消費類數據中統計得出。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>=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、而數據人員對數據的結構、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據人員共同協商確定；

????機器學習挖掘類標簽：該類標簽通過數據挖掘產生，應用在對用戶的某些屬性或某些行為進行預測判斷。例如根據一個用戶的行為習慣判斷該用戶是男性還是女性，根據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生。

????標簽的類型是對標簽的一個區(qū)分，方便我們了解標簽是在數據處理的哪個階段產生的，也更方便我們管理。

標簽分級分類

????標簽需要進行分級分類的管理，一方面使得標簽更加的清晰有條件，另一方面也方便我們對標簽進行存儲查詢，也就是管理標簽。

? ??

標簽分類級別

????用戶畫像體系和標簽分類從兩個不同角度來梳理標簽，用戶畫像體系偏戰(zhàn)略和應用，標簽分類偏管理和技術實現側。

????把標簽分成不同的層級和類別，一是方便管理數千個標簽，讓散亂的標簽體系化；二是維度并不孤立，標簽之間互有關聯；三可以為標簽建模提供標簽子集。

????梳理某類別的子分類時，盡可能的遵循MECE原則（相互獨立、完全窮盡），尤其是一些有關用戶分類的，要能覆蓋所有用戶，但又不交叉。比如：用戶活躍度的劃分為核心用戶、活躍用戶、新用戶、老用戶、流失用戶，用戶消費能力分為超強、強、中、弱，這樣按照給定的規(guī)則每個用戶都有分到不同的組里。

標簽命名

????標簽的命名也是為了我們可以對標簽進行統一的管理，也更好識別出是什么標簽。

????這是一種非常好的命名方式，解釋如下：

????標簽主題：用于刻畫屬于那種類型的標簽，如用戶屬性、用戶行為、用戶消費、風險控制等多種類型，可用A、B、C、D等字母表示各標簽主題；

????標簽類型：標簽類型可劃為分類型和統計型這兩種類型，其中分類型用于刻畫用戶屬于哪種類型，如是男是女、是否是會員、是否已流失等標簽，統計型標簽用于刻畫統計用戶的某些行為次數，如歷史購買金額、優(yōu)惠券使用次數、近30日登陸次數等標簽，這類標簽都需要對應一個用戶相應行為的權重次數；

????開發(fā)方式：開發(fā)方式可分為統計型開發(fā)和算法型開發(fā)兩大開發(fā)方式。其中統計型開發(fā)可直接從數據倉庫中各主題表建模加工而成，算法型開發(fā)需要對數據做機器學習的算法處理得到相應的標簽；

????是否互斥標簽：對應同一級類目下（如一級標簽、二級標簽），各標簽之間的關系是否為互斥，可將標簽劃分為互斥關系和非互斥關系。例如對于男、女標簽就是互斥關系，同一個用戶不是被打上男性標簽就是女性標簽，對于高活躍、中活躍、低活躍標簽也是互斥關系；

????用戶維度：用于刻畫該標簽是打在用戶唯一標識（userid）上，還是打在用戶使用的設備（cookieid）上?？捎肬、C等字母分別標識userid和cookieid維度。

三、指標構建

????主要從用戶行為、用戶屬性這2個維度為每個用戶構建標簽畫像：

? ??

用戶行為

用戶屬性

????搭建的用戶標簽如下表：

用戶標簽

四、代碼實現

????代碼實現流程如下圖：

流程

導入所需庫，讀取數據

1.數據預處理

①數據抽取

②缺失值處理

③日期與時間的處理

④制作用戶標簽

2.用戶行為標簽

這部分只做部分代碼思路講解，給出第一部分的示例。

①用戶時間段分布

用戶瀏覽活躍時間段

第一步：最用戶和時段分組，統計瀏覽次數。使用函數：groupby 、count、reset_index

第二步：列重命名。使用函數：rename

第三步：統計每個用戶瀏覽次數最多的時段。使用函數：groupby、max、reset_index

第四步：列重命名。使用函數：rename

第五步：拼接原表和計算表。使用函數：merge

第六步：選取各用戶瀏覽次數最多的時段，如有并列最多的時段，用逗號連接。使用函數：loc、groupby、aggreate、reset_index

time_browse_hour = time_browse.loc[time_browse['hour_counts']==time_browse['read_counts_max'],'hour'].groupby(time_browse['user_id']).aggregate(lambda x:','.join(x)).reset_index()