本篇文章分步為大家詳細地介紹了用AI構(gòu)建動態(tài)用戶畫像的方法，供大家參考學習~

背景：雖然聽過很多用戶畫像的神奇功能和成功案例，但對用戶畫像的構(gòu)建實際是需要從技術(shù)和業(yè)務(wù)高度融合的角度來設(shè)計，否則建立的用戶畫像流于表面的形式而不能發(fā)揮作用。

用戶畫像構(gòu)建的流程和思路

1. 構(gòu)建用戶畫像的戰(zhàn)略目標

構(gòu)建用戶畫像之前，需要先明確用戶畫像構(gòu)建的戰(zhàn)略意義，設(shè)定用戶畫像使用的基本目標。

對于某寶而言，用戶畫像能夠比較準確地反映用戶在一段時間內(nèi)對商品和服務(wù)相對穩(wěn)定的興趣需求，結(jié)合用戶動機、場景、能力和環(huán)境要素的數(shù)據(jù)分析。

一方面能夠支持智能化、個性化的產(chǎn)品推薦和優(yōu)質(zhì)服務(wù)；另一方面能夠全面支持企業(yè)精細化運營，提高ROI,合理布局商品和服務(wù)。

下圖為某寶的用戶畫像產(chǎn)品的運用：

圖1

2. 構(gòu)建用戶畫像的方法和流程

“標簽體系”方法是構(gòu)建用戶畫像的核心方法論。標簽強調(diào)的是跟業(yè)務(wù)的緊密聯(lián)系。標簽是某一種用戶特征的符號表示，標簽體系兩個視角：

1. “化整為零”，每個標簽都規(guī)定了我們觀察、認識和描述用戶的一個角度；
2. “化零為整”，用戶畫像是一個整體，各個維度不孤立，標簽之間有聯(lián)系。

標簽知識圖譜化圖如下圖：

圖2

“標簽體系”方法的基礎(chǔ)是數(shù)據(jù)標簽化。

構(gòu)建用戶畫像的核心流程如下圖：

圖3

3. 用戶畫像基礎(chǔ)數(shù)據(jù)采集

基礎(chǔ)數(shù)據(jù)采集需要全面收集用戶在站內(nèi)和站外所有相關(guān)的靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)。

梳理基礎(chǔ)數(shù)據(jù)，需要明確目前都有哪些數(shù)據(jù)源，比如核心的系統(tǒng)線下場景門店、機器、小程序、電子數(shù)據(jù)渠道、營銷渠道和第三方數(shù)據(jù)。

梳理基礎(chǔ)數(shù)據(jù)，需要結(jié)合實際需求，梳理相關(guān)的數(shù)據(jù)實體和關(guān)聯(lián)關(guān)系；并且根據(jù)相關(guān)性原則，對某寶的用戶、商品和機器渠道三類數(shù)據(jù)實體進行數(shù)據(jù)分析維度的列舉。

針對每一類數(shù)據(jù)實體，進一步分解可落地的數(shù)據(jù)維度，形成字段集如下舉例。

用戶數(shù)據(jù)：

• 用戶自然特征：性別，年齡，地域，教育水平，出生日期，職業(yè)，星座；
• 用戶興趣特征：興趣愛好，使用某寶APP/網(wǎng)站【可爬】,瀏覽/收藏內(nèi)容，互動內(nèi)容，品牌偏好，產(chǎn)品偏好；
• 用戶社會特征:婚姻狀況，家庭情況，社交/信息渠道偏好；
• 用戶消費特征：收入狀況,購買力水平，已購商品，購買渠道偏好，最后購買時間，購買頻次。

商品數(shù)據(jù)(以消費電子類為例)：

• 手機：品牌，顏色，尺寸，電池容量，內(nèi)存，攝像頭，CPU，材質(zhì)，散熱，價格區(qū)間；
• 筆記本：品牌，屏幕尺寸，配置，顏色，風格，薄厚，價格區(qū)間；
• 智能手表：品牌，功能，材質(zhì)，電池容量，顏色，風格，價格區(qū)間。

渠道數(shù)據(jù)(以消費電子類為例)：

• 信息渠道：微信，微博，論壇，SNS，貼吧，新聞網(wǎng)站，咨詢App；
• 購買渠道:電商平臺，微店，官網(wǎng)，實體店，賣場。

圖4

4. 用戶畫像行為建模

完成基礎(chǔ)數(shù)據(jù)采集后，需要對這些數(shù)據(jù)進行清洗、拉通、整合以及分析建模，之后才能構(gòu)建用戶畫像。

首先用戶多渠道信息打通，多數(shù)據(jù)源的情況下，我們要將不同數(shù)據(jù)源的同一個用戶的信息打通。我們可以把用戶手機號、身份證等信息視為用戶的ID，如果用戶的信息在不同數(shù)據(jù)源，那么我們需要進行連接，從而構(gòu)建一張關(guān)聯(lián)圖：

?圖5

圖6

圖中連通的ID可以視為同一個用戶，從而實現(xiàn)用戶拉通，拉通可以基于圖的方法進行強拉通，也可以采用機器學習的方法進行模糊拉通，預(yù)測出拉通的概率。

另外，拉通的可信程度由業(yè)務(wù)的密度決定，密度越高，對可信度的要求越高，譬如推薦是低密度業(yè)務(wù)，即使識別錯誤，影響比較小，但對于 電商的 短信通知服務(wù)，如果識別錯誤，體驗就會非常差。

圖7

用戶畫像的底層是機器學習，那么無論是要做客戶分群還是精準營銷，都先要將用戶數(shù)據(jù)進行規(guī)整處理，轉(zhuǎn)化為相同維度的特征向量，諸多華麗的算法才可以有用武之地，像是聚類，回歸，關(guān)聯(lián)，各種分類器等等。

對于結(jié)構(gòu)化數(shù)據(jù)而言，特征提取工作往往都是從給數(shù)據(jù)打標簽開始的，比如購買渠道，消費頻率，年齡性別，家庭狀況等等。

好的特征標簽的選擇可以使對用戶刻畫變得更豐富，也能提升機器學習算法的效果（準確度，收斂速度等）。

?圖8

5. 用戶畫像可視化

（1）用戶個體畫像；

（2）用戶群體畫像。

圖9

6. 用戶畫像在業(yè)務(wù)上的應(yīng)用

圖10

7. 智能推薦

協(xié)同過濾和貝葉斯智能評分混合推薦。

小結(jié)

AI產(chǎn)品經(jīng)理以大數(shù)據(jù)為基礎(chǔ)通過：

第一步，設(shè)定用戶畫像的目標；

第二步，構(gòu)建以標簽知識圖譜化為系統(tǒng)的標簽體系；

第三步，采集數(shù)據(jù)；

第四步，通過對采集的用戶行為數(shù)據(jù)建模；

第五步，實現(xiàn)用戶畫像可視化；

第六步，講按照時間序列更新迭代并應(yīng)用；

第七步，在應(yīng)用用戶畫像知識圖譜過程中結(jié)合算法實現(xiàn)智能推薦。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進化論：AI+時代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議