用户研究 --- 用户画像

相关精彩专题链接： 数据成就更好的你

一、什么是用户画像？

用户画像就是根据用户属性、业务场景和用户行为等数据将用户信息标签化（即给用户贴“标签”）。

二、用户画像的应用？

活动营销、用户统计、个性化推荐、广告系统、内容推荐、兴趣偏好都是基于用户画像的应用。

三、如何构建用户画像？

1.需求调研，输出对应的需求文档

一般而言，用户画像的服务对象包括运营人员、客服、数据分析人员等。不同业务方对用户画像的需求有不同的侧重点。

对于运营人员来说，他们需要分析用户的特征、定位用户行为偏好，做商品或内容的个性化推送以提高转化率，所以画像的侧重点落在用户个人行为偏好；

对于数据分析人员来说，他们需要分析用户行为特征，做好用户的流失预警工作，还可根据用户的消费偏好做更有针对性的精准营销。

2.建立标签体系

根据调研的需求，建立对应的标签体系、并对方案的可行性进行沟通与确认，输出对应的文档。在方案中应该明确画像应用场景、最终开发出的标签内容、与各业务场景相关的数据口径、涉及到的数据库与表，应用实施流程等。

梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。

123.jpg

3.数据的ETL处理

数据处理人员从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。

相关的案例可参考：HIVE大数据实战项目---用户行为分析

4.数据建模

数据建模是指通过对用户属性、业务场景、用户行为等数据进行统计、分析和预测，为用户打上对应的标签。

标签的分类：事实标签、模型标签、预测标签

事实标签。从原始数据中提取，基于统计得到。
例如：性别、年龄、城市、新增用户、活跃次数等字段可以从用户注册数据、用户访问数据中统计得到。

模型标签。没有对应数据，需要定义规则，建立模型来计算得出标签实例。
例如：对平台上“消费活跃”用户这一口径的定义为近30天交易次数>=2。规则类标签的规则确定由运营人员和数据人员共同协商确定。

预测标签。参考已有事实数据，来预测用户的行为或偏好，该类标签通过数据挖掘产生。
例如：根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。

建模涉及的算法：相似度计算；分类、聚类计算；文本挖掘算法；预测算法；推荐算法等

相关的建模案例可参考：K-means聚类分析案例---电信客户细分

5.画像模型的发布和效果跟踪

用户画像建立是一个持续优化的过程,需不断调整模型及相关权重配置。用户画像从原始数据输入到模型应用等一系列的流程可用下图进行概述：

image.png

• 数据经ETL处理后，集中存储在数据仓库中；
• 经过对数据的建模、挖掘、分析建立用户画像模型；
• 最终将建好用户画像的数据接口调用到BI报表、经营分析、精准营销、个性化推荐等各系统模块