用户画像相关理论基础 -- 看这一篇就够啦（总结篇）

标签的用户画像的核心，只有真正有效的用户画像标签，才能提升运营效果

什么是用户画像

• 通过数据建立描绘用户的标签
• 个性化推荐、广告系统、活动营销、都是基于用户画像的研究

如何正确理解用户画像

1. 不能把典型用户当做用户画像：典型用户是虚构的，每个真实用户都有自己的用户画像
2. 用户画像不是用户标签的简单组合：用户画像的标签要和业务相结合
3. 用户画像的有效性：用户画像具有时效性，用户的爱好会随着时间发生变化

用户画像如何生成

1. 统一用户唯一标签（核心）：手机号、用户名、设备号等
2. 给用户打标签：属性维度（性别、年龄、学历。。。）、消费维度（消费习惯、购买意向。。。）、行为维度（行为的时间段、行为的频次、行为的访问路径。。。）、内容分析维度（对用户浏览时间长，次数多的内容进行分析）
3. 将用户画像与业务关联：获客、粘客，留客

用户画像的标签维度（分类）

标签类型 – 从标签主题的角度

• 用户属性
• 用户行为
• 用户消费
• 风险控制
• 内容分析

标签类型 – 从标签生成的角度

• 统计类型：需要使用聚合函数计算后得到的标签（总消费金额）
• 规则匹配类型（人口属性，用户生命周期）
• 挖掘类型（用户偏好）

标签类型 – 从数据提取的角度

• 事实标签：从生产系统获得数据
• 模型标签：对用户属性和行为进行聚类
• 预测标签：基于用户属性和行为，挖掘用户潜在需求

标签类型 – 从数据时效的角度

• 静态属性标签：长期甚至永久都不会发生变化（性别）
• 动态属性标签：存在有效性，需要定期的更新（用户活跃度）

人群的标签组合

举个例子，如下

• 性别：两个标签
• 年龄段维度：18-，20-30，30-40，40-50，50-60，60-70（7个标签）
• 月均消费维度：100-，100-500，500-1000.。。。（7个维度）

那么人群标签的数量就为$2\ast 7\ast 7=98$

如何构建高质量的用户画像

• 人口属性 ！= 用户画像
• 用户的行为是构成用户与用户之间差异化的核心
• 观察用户行为不是观察他做了什么事情，而是观察他做这件事情的动机是什么

如何确定用户购物的决策动机

首先明确一个概念：考量度 $⟶$ 用户在做一个决策之前，所需要思考的程度
高考量度的产品：用户经过了深入的自我剖析，60%的决策都在见到真正的产品之前，可以明确地说自己决策的依据是什么（房子、车子）。
低考量度的产品：是一种用户在无意识的情况下做出的决策，用户很难说出来明确地决策依据，例如点外卖，所以对这种产品，用户偏好会随时改变
中考量度的产品：用户在看到产品之前可能并不知道自己具体想要一个什么东西，但当看到产品之后，就会有那么一个产品特性触动用户，让用户做出了购买决策，并且在事后用户也可以说出是什么因素导致了购买的行为。

• 中高考量度产品：适合使用访谈的方式确定用户的画像
• 低考量度产品：适合通过大数据标签统计来进行建模分析，分析用户偏好，确定用户的画像

注意以下几点：

• 有些产品用户与用户之间考量度会有很大差异
• 即使同一个用户群，也会因为价格、用途等因素使得考量度出现很大的差异

高质量的用户群体画像

• 用户群体应该根据考量度来归类，用户的考量度不同，应该归入不同的用户群
• 如果用户的考量要素绝大多数相同，只有小部分考量要素不同，则可以合并为同一个的用户群

用户画像与特征工程的关系

什么是特征工程

• 特征工程是打开数据密码的钥匙
• 特征工程就是将数据转化为特征的过程：高质量的特征能够提高模型的准确性
  

用户画像的流程

TGI指数

$$TGI=\frac{目标群体中具有某一特征的群体所占比例}{总体中具有相同特征的群体所占比例}\ast 100$$

• TGI指数是比较目标人群和普通人群在不同特征上的差异大小
• TGI的作用是研究特征和目标人群的关联度：TGI的值和100差距越大，则特征越明显，人群区分度越大
• 通过TGI可以清晰看到某种特征人群的喜好
• 使用DMP的画像功能，必须要细分，才有价值
• 细分就是为了对比，两个人群的对比，才会有TGI
• looklike找到与种子用户（最忠实的那批用户）相似的人，从而找到最有价值的群体