懶癌嚴(yán)重發(fā)作，兩個(gè)月木有寫文章，靈感枯竭的我決定寫一篇很干的干貨（壓箱底的工作日常），就談?wù)劥蠹医?jīng)常聽(tīng)到卻又一肚子懵逼的“用戶畫像”。
What 基礎(chǔ)概念掃盲
用戶畫像（User Profile）：也稱人物角色，是根據(jù)用戶社會(huì)屬性、生活習(xí)慣和消費(fèi)行為等信息而抽象出的一個(gè)標(biāo)簽化的用戶模型。構(gòu)建用戶畫像的核心工作即是給用戶貼“標(biāo)簽”。
標(biāo)簽（tag）：也稱數(shù)據(jù)點(diǎn)，對(duì)用戶信息高度精煉的特征標(biāo)識(shí)，一般標(biāo)簽越精準(zhǔn)，對(duì)應(yīng)覆蓋的人數(shù)則越少。所謂千人千面，不同人群有不同的特征和標(biāo)簽，就像指紋。
用戶畫像多采取層級(jí)概念，條理分明地呈現(xiàn)了人群數(shù)據(jù)的特征分布。用戶畫像層級(jí)自頂向下包含畫像體系（User Profile）、維度（Dimension）、數(shù)據(jù)點(diǎn)（Tag）。畫像體系這一層可理解為標(biāo)記畫像類別的文件夾，常見(jiàn)的有基礎(chǔ)信息，地理位置，興趣愛(ài)好，設(shè)備信息，消費(fèi)信息等。
當(dāng)當(dāng)當(dāng)當(dāng)，筆者的畫像強(qiáng)勢(shì)入鏡，嗯純粹為了加強(qiáng)大家的理解?？磮D說(shuō)話，以下包含畫像體系有：基本信息，地理位置，興趣愛(ài)好，設(shè)備信息等，而基本信息下的維度包括性別，年齡，學(xué)歷，職業(yè)等，地理位置下的維度包括當(dāng)前位置、原籍等，設(shè)備信息下的維度包括手機(jī)品牌、機(jī)型、系統(tǒng)等····而每個(gè)維度下的取值即可稱作標(biāo)簽（數(shù)據(jù)點(diǎn)），如職業(yè)下的標(biāo)簽可以有醫(yī)生、老師、產(chǎn)品經(jīng)理、作家等。這里注意的是，有些地方的標(biāo)簽定義有所不同，包含多個(gè)維度的取值，如：喜歡購(gòu)買護(hù)膚品的一線城市的白領(lǐng)。
Why?為什么要使用用戶畫像
用戶畫像是當(dāng)下很多企業(yè)都會(huì)提及的概念，多數(shù)情況下會(huì)和大數(shù)據(jù)以及營(yíng)銷掛鉤。
1，從公司戰(zhàn)略層面來(lái)說(shuō)，好的用戶畫像可以幫助企業(yè)進(jìn)行市場(chǎng)洞察、預(yù)估市場(chǎng)規(guī)模，從而輔助制定階段性目標(biāo)，指導(dǎo)重大決策，提升ROI；更有助于避免同質(zhì)化，進(jìn)行個(gè)性化營(yíng)銷。,
2，從產(chǎn)品本身角度來(lái)說(shuō)，用戶畫像可以圍繞產(chǎn)品進(jìn)行人群細(xì)分，確定產(chǎn)品的核心人群，從而有助于確定產(chǎn)品定位，優(yōu)化產(chǎn)品的功能點(diǎn)。例如美妝類app，則前期可大致鎖定畫像一二線城市，喜歡時(shí)尚，年齡段在18至35之間的女性；
3，從數(shù)據(jù)管理角度來(lái)說(shuō)，用戶畫像有助于建立數(shù)據(jù)資產(chǎn)，挖掘數(shù)據(jù)的價(jià)值，使數(shù)據(jù)分析更為精確，甚至可以進(jìn)行數(shù)據(jù)交易，促進(jìn)數(shù)據(jù)流通?；ヂ?lián)網(wǎng)營(yíng)銷行業(yè)中常用的DMP（Data Management Platform）就是用戶畫像使用的一個(gè)好例子。
How?構(gòu)建方法詳解
構(gòu)建用戶畫像的步驟如下圖所示，短腿的狗不打獵，以下6個(gè)步驟缺一不可。
采集數(shù)據(jù)：數(shù)據(jù)的來(lái)源有多種，很多公司有自己的CRM系統(tǒng)，或者有智能采集系統(tǒng)日志的工具，常用的采集方式包括API、SDK和傳感器采集等，可以通過(guò)想要挖掘什么標(biāo)簽來(lái)反推需要的數(shù)據(jù)源。
數(shù)據(jù)清洗：原始數(shù)據(jù)源存在“臟數(shù)據(jù)”，包括數(shù)據(jù)空缺和噪聲、不一致、重復(fù)、錯(cuò)誤等問(wèn)題，為了保證后期挖掘的準(zhǔn)確性，避免對(duì)決策造成影響，須對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。
數(shù)據(jù)標(biāo)準(zhǔn)化：用戶畫像的建立需要有整合多源數(shù)據(jù)（跨屏跨媒體）的能力，例如一個(gè)實(shí)體可能使用多個(gè)設(shè)備，擁有網(wǎng)絡(luò)世界的多個(gè)賬號(hào)，則須把多個(gè)身份ID組合，建立統(tǒng)一的標(biāo)準(zhǔn)，才能完整標(biāo)識(shí)實(shí)體的用戶畫像。
用戶建模：通過(guò)算法模型來(lái)定義人群的用戶畫像，常見(jiàn)為分類模型和聚類模型，例如SVM，神經(jīng)網(wǎng)絡(luò)，k-means。
標(biāo)簽挖掘：通過(guò)平臺(tái)來(lái)進(jìn)行標(biāo)簽的加工和計(jì)算，通常需要部署環(huán)境，如通過(guò)Hadoop平臺(tái)進(jìn)行訓(xùn)練和學(xué)習(xí)，大規(guī)模的并行計(jì)算。
標(biāo)簽驗(yàn)證：須通過(guò)真實(shí)case驗(yàn)證標(biāo)簽挖掘結(jié)果的正確性，保證標(biāo)簽對(duì)應(yīng)的處理結(jié)果跟預(yù)期大體相符。此步驟有時(shí)可以跟上個(gè)步驟（標(biāo)簽挖掘）對(duì)調(diào)，即可以先用小樣本數(shù)據(jù)驗(yàn)證模型的可靠性，再依照結(jié)果進(jìn)行調(diào)整，再進(jìn)行挖掘。
數(shù)據(jù)可視化：即視覺(jué)呈現(xiàn)群體或個(gè)人的用戶畫像，包括柱狀圖/餅狀圖/表格等，市面上也有一些數(shù)據(jù)可視化工具，此步驟可忽略。
?Case 案例探究
舉個(gè)栗子，假如我們現(xiàn)在要舉辦一場(chǎng)金融活動(dòng)，須挖掘用戶畫像為“深圳金融從業(yè)人群”，由于此類人群在辦公點(diǎn)活動(dòng)時(shí)間較長(zhǎng)，我們可以通過(guò)移動(dòng)設(shè)備的LBS信息篩選出深圳的金融辦公地點(diǎn)，由此簡(jiǎn)單篩選出經(jīng)常在此區(qū)域活動(dòng)的人群；另外，結(jié)合app使用的興趣行為信息，如時(shí)常瀏覽使用金融理財(cái)類應(yīng)用的人群篩選出目標(biāo)人群。當(dāng)然，還需通過(guò)消費(fèi)水平、年齡等信息排除掉無(wú)關(guān)人群。數(shù)據(jù)源和算法模型的準(zhǔn)確性都會(huì)影響到最終加工出來(lái)的畫像結(jié)果。
Attention 注意事項(xiàng)?
1，用戶畫像的制定須與具體業(yè)務(wù)場(chǎng)景或所屬行業(yè)相結(jié)合，避免太過(guò)抽象，不同場(chǎng)景下同個(gè)標(biāo)簽名稱可能表示不同意思，例如性別分為真實(shí)生理性別以及網(wǎng)絡(luò)虛擬性別，須區(qū)別對(duì)待；
2，畫像的粒度不是越細(xì)越好，劃分的標(biāo)簽越多，對(duì)應(yīng)覆蓋人群會(huì)急速減少，表征能力弱，且可能是偽特征；
3，不能盲目使用用戶畫像，畫像多為靜態(tài)特征，用戶特征隨時(shí)間動(dòng)態(tài)變化，也可能隨場(chǎng)景空間而不同。當(dāng)然也有動(dòng)態(tài)的用戶畫像數(shù)據(jù)，如用戶的訪問(wèn)路徑、訪問(wèn)時(shí)長(zhǎng)等信息。
吶！2016的最后一篇文章，后續(xù)還會(huì)繼續(xù)更新這方面的文章，非常俗氣的說(shuō)一句： 2017請(qǐng)對(duì)我好一點(diǎn)。路過(guò)的盆友也對(duì)我好一點(diǎn)，點(diǎn)個(gè)喜歡唄(*?︶?*)*如需轉(zhuǎn)載，請(qǐng)私信溝通~
