数据分析学习笔记-用户画像怎么做？

---

前言

本文记录的主要内容：

用户画像是什么？一般在什么场景中应用？是否真的需要用户画像，若真的需要，明确业务需求？如何搭建和开发标签体系？完成搭建和开发后，如何进一步迭代优化？

---

以下是本篇文章正文内容：

一、什么是用户画像？

基于用户在网络上留下的各种数据，如个人基本信息、用户偏好、用户行为等等，将这些数据结合加工，用来刻画用户的兴趣爱好，本质上是对用户贴标签，这就是用户画像。
个人理解：用户相关数据加工简化形成用户某特征标签

用户画像对于业务的价值体现：

1. 有概念：具体了解用户群体。
2. 定方向：基于平台目标，根据用户画像，进一步明确不同用户群体的需求，明确努力奋斗的方向。
3. 做优化：结合业务现状，明确需要迭代优化的业务方向。
4. 下决策：基于对目标用户的研究，可以更准确的做决策。

二、用户画像的应用场景

1.对于产品

产品人员可以通过用户画像，进行用户研究，了解用户喜好、挖掘用户需求，指导产品研发、功能改动，以此提升用户体验。例如滴滴老年版。

2.对于运营

对于具体目标的用户，运用用户画像方法科学精细的制定相应运营策略。
eg：用户分群运营，通过标签将用户分成不同群体，针对不同用户群特性实施精准营销策略。可以对某一类用户，规定在某时间点给其发某额度的券促进其消费。
eg：针对用户流失问题，分析流失用户具体画像，具有什么特征，针对其提出解决策略。

3.对于技术

依据用户画像标签体系，推荐算法对内容单元进行有效分发，以提高双边匹配度和精准度。
eg：某用户购买完成一个带有标签1，标签2，标签3的商品后，一般在购买完成页会有交叉销售场景，我们通过用户偏好表的标签及权重，基于用户相似或商品相似的协同过滤算法，推荐用户可能喜欢的其他商品。

4.对于商业化

为达到更高ROI，可以依靠用户画像来制定 “千人千面” 的广告投放策略，即圈定哪类人群的展示哪类广告。
eg：拼多多为吸引一二线城市的中高端年轻用户群体，会对B战、小红书不同圈子的博主投放不同品类的广告。

三、建立用户画像之前

考虑的问题：
1、业务中是否存在真正需要使用用户画像的场景，例如用户分层、智能触达和个性化推荐。
2、如果存在使用场景，一定需要建立用户画像吗？是否又替代方案？
3、用户画像建立之后，是否有对应的产品运营动作，使之落地闭环。
让用户画像落地的关键步骤：
1、明确业务需求，即业务目标和需要解决的问题。
2、选择合适的标签。
3、不同标签将用户划分为不同的用户群，对于不同的用户群制定针对性的运营策略。

四、构建用户画像

两大关键步骤：

• 标签体系构建，即表示用户特征。
• 标签权重计算，即用户在标签上的偏好程度。

1、构建标签体系
1）标签体系的构建方法
构建标签体系的主要有两种方法：
方法一：结构体系化构建（常用）。通过划分标签类别和维度，从刻画用户的完整维度出发构建维度体系。这样的划分方式结构清晰、逻辑性强，能够比较全面的梳理出所有的信息维度，但受限于实际数据，落地较困难。
方法二：场景效果化构建。结合人群定向的实际需求，通过用户在不同行业领域或平台上的行为记录，对用户的心理需求和倾向性进行描述。这种方式目的性强，人群定向也较为精准，容易跟实际应用场景接轨，落地到具体的业务目标，跟实际数据结合较好，但标签会跟随消费趋势、娱乐热点等的变化波动。
2）标签的加工与设计
标签维度设计上不仅需要清晰直观，还需要考虑多个场景化使用需求，同时兼顾多种产品运营需求及商业化投放需求。
设计要点：
标签粒度：粒度过粗不利于运营使用推广，很容易脱离业务本身，对行为数据进行过度提炼造成信息丢失；而粒度过细则会导致标签覆盖率过低、耦合运营业务推广。
标签数据：标签数据的获取直接关系到实际使用价值，需要在可获取的数据范围内进行，扩宽数据源难度较大，通常优先对数据加工构造标签。
加工的方式：
统计型：通常针对原始数据利用一些统计方法处理，例如用户的年龄通过区间、代际方式划分不同层次。
规则型：即依据业务经验判断并结合统计方法，制定相应规则，为数据赋予直观形象的标签定义，例如RFM模型就可以依据业务理解确定判断标准。
算法型：通常利用一些聚类、预测等算法，对相关数据进行挖掘处理，形成相应的总结概括性标签、预测类指数，例如用户的流失指数、忠诚度等。
3）标签的基本框架
参考常见的用户画像标签框架，根据实际场景和需求补充自身业务类画像标签。

• 基础类：
  包括性别、年龄等相关人口统计学基本信息
  包括注册渠道、时间、设备等相关注册信息
  包括公司、职业、家庭、社交等相关社会属性信息
• 行为类
  包括访问时间、浏览、点击等用户在平台的行为日志数据
• 兴趣类：
  包括浏览/收藏/关注/互动内容、品牌、价格带、类目等偏好
• 消费类：
  与消费相关的特征
  
  2、计算标签权重

标签权重是用来衡量用户偏好的程度，是精准描述用户特征的必要组成部分。其大小会随时间变化而变化，计算数值是由该标签对用户本身的重要性（TF-IDF权重）与该标签在业务上对用户的重要性（业务权重）两者共同决定的。

即，用户标签权重 = 业务权重* TF-IDF权重。

1）TF-IDF算法
TF-IDF权重是由TF-IDF算法方式而得，TF-IDF权重=TF*IDF。
TF指某标签在某一用户中出现的频率，IDF=log(所有用户数/具有上述标签的用户数+1)，防止分母为零。TF-IDF值越大，说明该标签对于用户越重要。
2）业务权重
业务权重基于用户行为得到的，业务权重=行为类型权重 * 行为次数 * 时间衰减。
行为类型权重：基于不同行为对于用户代表不同重要性，根据业务经验，对不同类型的行为赋予不同权重。例如支付>收藏加购>分享>浏览>点击。
行为次数：每一种行为的次数。
时间衰减：是指用户的行为会随着时间的流逝，用户偏好会不断减弱。在建立与时间衰减相关的函数时，我们可套用牛顿冷却定律数学模型。
牛顿冷却定律：较热物体的温度F(t)是随着时间t的增长而呈现指数型衰减，其温度衰减公式为：

F(t)=T*exp(-α*t)。
T：初始温度
α：衰减常数即冷却系数，是自己定义的数值，一般通过回归可计算得出
t：时间间隔

五、用户画像效果评估和迭代

完成构建用户画像后，需要评估用户画像的准确性，达到一定的准确率之后应用到业务，在使用中继续迭代优化，寻找更精准的画像。
评估有三种方式：逻辑验证、ABtest、用户回访
逻辑验证是指很多指标之间存在相关性，例如购买电子产品的男性多于女性人数。ABtest是通过实验组和对照组的指标对标，验证用户画像的效果。用户回访是最朴实的方式，直接客服电话回访深度用户。

---

总结

总体流程：什么是用户画像？→ 什么场景会用到用户画像？→ 我们是不是真的需要用户画像？→ 用户画像怎么搞才能落地？→ 能落地的用户画像的构建步骤 → 用户画像的效果评估&迭代。