摸鱼大数据——用户画像——基本介绍

1、用户画像基本介绍

1.1 什么是用户画像

用户画像, 主要是针对用户的基础信息数据和用户关联信息数据, 给用户打上具体属性标签的过程 (给用户打标签)

简单理解: 给用户打标签,帮助我们认识我们的用户

例如:

 男，28岁，已婚，收入2万以上，爱旅行，爱美食，喜欢淘宝，喜欢红酒配香烟。
 女，80后，白领，喜欢美剧，爱打扮，常去星巴克，常住中高端宾馆，关注时尚等。

这就是用户信息标签化

用户画像是一种能将定性与定量方法很好结合在一起的载体。

 定性化的方法: 通过对用户的生活情境、使用场景、用户心智进行分析对来用户的性质和特征做出抽象与概括；
 ​
 定性化也可以通俗的叫做维度，就是我们去描述一个用户的角度，维度是我们设计人员定的，用什么维度来描述用户，最开始可能是我们的经验、理性分析、直觉等因素让我们决定了用什么维度，用多少维度来描述用户，来构建用户画像，把用户画像交给计算机，让计算机通过用户画像读懂用户并利用来解决一些业务问题，在来通过结果来迭代我们的设计，我们设计人员在过程中起到的很大的作用。
 ​
 ​
 定量化的方法: 可以对特征做精细的统计分析与计算，获得对于用户较为精准的认识，便于在数值排序的基础上实现核心用户的发掘与突发。
 ​
 在确定了维度的基础上，我们可以对特征做精细的统计分析与计算，这样的工作就叫给计算机做了，要以使用效果为导向，来指导量化。

1.2 用户画像应用方向

用户画像目前在各个领域中都有着很好的应用方向, 包括推荐系统、搜索引擎、广告投放、其他业务定制等

推荐系统:

 推荐系统是用户画像主要的应用领域. 最早的亚马逊和豆瓣应该是这方面的鼻祖
 ​
 例如亚马逊通过记录用户的站点行为, 包括浏览商品、购买商品、加入收藏等,同时提供评分等各种用户反馈的方式, 构建了早期用户画像的数据来源: 主要可以在今日推荐、新品推荐、关联推荐、他人购买/浏览商品
 ​
 例如豆瓣以图片、音乐、电影为核心形成一个多元化的社交网络, 分析用户 "看过" 和 "想看"列表获取用户的偏好信息, 最终的推荐结果也更加关注用户的品味

搜索引擎:

 根据用户输入的搜索关键词以及已构建的用户画像, 猜测用户可能更想要得到的信息, 从而将该用户最可能的信息展示在最前面
 ​
 例如google有一个 Kaltix算法: 思路就是将类似的兴趣爱好归为一组, 为属于不同组的用户给出不同的结果排序

其他业务定制

 比如: 个性化阅读领域
 新闻客户端根据用户画像, 根据读者行为习惯和阅读经历为其定制内容, 为不同的用户展示不同的新闻, 该机制还允许根据用户的实际行动来进行反馈调整, 从而根据用户兴趣变化动态更新内容
 ​
 比如: 个人征信
 用户画像可以提供丰富的用户标签体系, 为个人信用评级提供详细的数据参考. 如: 用户年龄、文化程度、职业、家庭状态、购买习惯等等, 例如京东白条其实就是基于在京东的信用体系评级系统来匹配额度

风控:

总结说明:

 用户画像的作用：
     从公司角度: 给用户打上具体的标签，后期进行精准营销，减少广告推广费用
     从用户角度: 从海量数据中给用户推荐最匹配的内容

最终, 我们需要通过一个系统, 来记录这些用户特征:

用户 ID	标签
1001	男, 北京, 宅男, 高消费能力
1002	女, 河北, 程序媛, 高消费能力
1003	男, 天津, 富二代, 高消费能力

这样对于精准营销, 数据化运营以及推荐使用, 就会方便很多了, 例如精准营销就可以基于地区 性别精确划分客群

1.3 用户画像的数据来源

• 业务系统:

  • 用户基本信息(人口统计学属性信息)

    • 商品信息:

    • 订单信息

• 用户动态行为信息: Flume数据采集

  • 用户点击, 浏览, 收藏, 加购等

  • 无界数据集(数据有开始没有结束) 和 有界数据集(有开始 有结束)