用户画像搭建

第一建模：

1）获取原始数据（用户访问的行为日志，用户基本属性），得到用户行为信息

2）数据预处理，挖掘出事实标签。对用户数据进行过滤，清洗，简化。例如：得到用户第一次登陆时间，名称等事实标签

3）分析用户的行为，构建用户画像的核心标签。通过用户行为分析，得到用户访问页面的规路，构建用户行为模型

4）通过模型进行预测，完善用户画像，预测用户的操作行为

模型：

1）文本挖掘模型：（TF-IDF）；处理清洗数据，匹配标识用户数据；提取事实数据

2）分类/聚类（KNN,贝叶斯）：预测新用户，分析有相同特征的群体信息，对用户进行划分

3）机器学习：挖掘出标签（特征提取）

4）相似度模型（EM,回归，决策）：（余弦，皮尔森相似度）辅助分类，聚类

5）辅助算法：Aprior:根据用户访问情况推测出兴趣标签，完善用户画像

6）预测算法：回归  用户兴趣程度，流失预测，实现个性化推荐

第二：多维度用户画像

1）自然属性：例如：姓名，年龄

2）兴趣属性：行为偏好，随着时间变化而变化，对应的标签也是变化（TF-IDF模型）

3）地理位置信息（LBS）:用户的移动轨迹，配置不同的服务

4）IP：不同IP查出不同区域，不同数据

5）隐含属性：打开频率，体现出用户的活跃的情况，系统是否有属性

第三：标签（MECE法则：相互独立，完全穷尽）

1）用户需求和用户场景不断更新，所以标签体系在不断的完善

2）不同的用户需求和业务场景思考，用户标签系统不同，业务标准体系不同

3）标签体系结构框（一级标签，二级标签，三级标签...N级）

第四： 映射用户画像

数据------映射成标签

a.分析原始数据

b.处理  挖掘统计

C.生成映射 标签表

d.跟用户交互

第五：评估用户画像

评估用户画像

1）用户覆盖率

2）准确性

3）及时性

4）可解释性

5）可扩展性

画像应用拓展：业务分析，精准营销，推广告，站内信，千人千面

画像产品架构