編輯導語：如今在這個大數(shù)據(jù)時代，“用戶畫像”這個詞經(jīng)常出現(xiàn)，它跟精準營銷掛鉤，可以根據(jù)一個人的興趣、地理位置等進行精確的推送，達到良好的營銷效果；本文作者分享了關于用戶畫像規(guī)劃的流程和方法，我們一起來看一下。

互聯(lián)網(wǎng)行業(yè)飛速的發(fā)展，帶動行業(yè)業(yè)務量激增，同時伴隨數(shù)據(jù)量的增加，互聯(lián)網(wǎng)各行各業(yè)慢慢形成頭部企業(yè)，2/8原則下長尾企業(yè)也越來越多；因此，在大數(shù)據(jù)量和激烈競爭下，如何更好的對產(chǎn)品進行營銷，如何制定價格策略，越來越重要。

那么，如何制定準確的營銷和價格，就需要我們針對不同人群，不同個體的特點進行精細化推薦，所要本章介紹了如何進行用戶畫像。

文章結構：

一、什么是用戶畫像

用戶畫像就是對用戶按照一定的規(guī)則進行統(tǒng)計，劃分，從而能夠指導用戶推薦，客戶分層運營，達到營銷效果。

昨天：手機APP大爆發(fā)是隨著手機硬件的發(fā)展而發(fā)展起來的，發(fā)展前期大量APP為搶占市場紛紛上線；用戶畫像只是為了指導產(chǎn)品設計，主要用于產(chǎn)品設計前夕的用戶訪談、用戶調(diào)研的前期工作，而且一般覆蓋的人群比較狹隘，精準度差，產(chǎn)品經(jīng)理設計產(chǎn)品全靠感覺。

今天：行業(yè)競爭越來越大，行業(yè)產(chǎn)生的數(shù)據(jù)量也越來越大，各大公司開始建造自己的數(shù)據(jù)倉庫；那么如何應用數(shù)據(jù)倉庫中的數(shù)據(jù)，如何進行精細化運營，用戶畫像越來越受到重視。

明天：隨著大數(shù)據(jù)技術的成熟應用，用戶畫像標簽將越來越多，目前互聯(lián)網(wǎng)行業(yè)中比較成功的標簽系統(tǒng)是淘寶的千人千面，技術創(chuàng)新必將推動用戶畫像的精準度。

二、用戶畫像常用場景

用戶畫像概況可應用于一下三個場景：

• 產(chǎn)品設計：開發(fā)前期的產(chǎn)品定位設計；
• 產(chǎn)品營銷：指導運營對特定用戶進行推送活動信息，推廣信息，個性化推薦等。
• 產(chǎn)品決策：分析用戶畫像統(tǒng)計對產(chǎn)品的發(fā)展現(xiàn)狀和發(fā)展趨勢進行預測，及時調(diào)整產(chǎn)品發(fā)展路線。

按照用戶標簽的生產(chǎn)方式可分為：

統(tǒng)計標簽：現(xiàn)有的可以直接從數(shù)據(jù)中提取出來的標簽；包括用戶自然屬性，用戶行為統(tǒng)計等信息。

規(guī)則標簽：自定義規(guī)則進行標簽建模；根據(jù)業(yè)務流程提取需要統(tǒng)計的標簽。

算法模型標簽：根據(jù)機器學習等算法進行用戶行為預測分類；具有不確定性、開發(fā)周期長、成本高，因此系統(tǒng)中此類標簽數(shù)量較少。

三、用戶畫像系統(tǒng)搭建流程

1. 數(shù)據(jù)采集

對用戶數(shù)據(jù)進行采集，數(shù)據(jù)預處理，數(shù)據(jù)挖掘和過濾等手段得出期望的數(shù)據(jù)集。

用戶數(shù)據(jù)一般分為埋點數(shù)據(jù)和業(yè)務數(shù)據(jù)：

• 埋點數(shù)據(jù)：根據(jù)用戶的行為特征進行埋點，將得到的數(shù)據(jù)進行處理存儲；
• 業(yè)務數(shù)據(jù)：用戶的姓名、年齡、地理位置等自然屬性，同時包括用戶購買、用戶評價、用戶評論等隱形數(shù)據(jù)。

具體采集方法可以使用如下算法模型：

文本挖掘模型（TF-IDF）：處理文本類型，提取數(shù)據(jù)信息。

TF是詞頻，IDF是逆向文件頻率，TF-IDF是詞頻和逆向文件頻率的乘積。

Nij就是詞i在j文章中出現(xiàn)的次數(shù)，分母就是文章的總詞數(shù)。

D就是語料庫中文件總數(shù)，下面分母就是詞i出現(xiàn)的文檔數(shù)，然后取對數(shù)。

該算法可以直接調(diào)用python庫Sklearn進行實現(xiàn)，但是該算法比較單一，不考慮詞條在文章中的位置，不能準確描述詞的重要程度，一般需要結合其他其他算法或者增加權重改進。

聚類算法：聚類算法較多，如ANN神經(jīng)網(wǎng)絡和貝葉斯等，聚類主要是針對冷啟動用戶、用戶分群營銷等目的；具體算法相對復雜，目前算法應用多使用python的各種庫如Sklearn，包括一些框架tensorflow、caffe等。

相似度模型：一般使用相似度模型進行輔助用戶分群，常用的有邏輯回歸、線性回歸、余弦相似度、皮爾森相似度等。

具體說下余弦相似度：

實例：

用戶1和用戶2通過公式計算相似度為0.945406，是不是可以解釋為兩個用戶可以劃分為同一類人，進行用戶分群（計算過程只是用于解釋算法，無其他意義）。

若已有數(shù)據(jù)倉庫，數(shù)據(jù)采集相對比較輕松，可參考文章“每日優(yōu)鮮如何搭建數(shù)據(jù)倉庫？”。

2. 用戶維度分析

用戶分析具有多維度，隨時間更新的特點，包括用戶年紀、學歷、興趣、消費水平等都容易變化。

因此維度信息應該隨著用戶偏好發(fā)生變化，因此，在標簽系統(tǒng)中需要有新增標簽功能。

3. 維度標簽化

用戶畫像最終的實現(xiàn)應該是對維度進行標簽化，常用MECE法則進行標簽化，防止標簽界限不清晰。

標簽需要根據(jù)需要進行逐級拆分，例如：

4. 標簽映射，接口封裝

用戶畫像數(shù)據(jù)導入服務器中，為后續(xù)推薦系統(tǒng)，營銷活動服務；封裝成API可以作為數(shù)據(jù)服務的內(nèi)容，對其他系統(tǒng)提供數(shù)據(jù)支持。

5. 用戶畫像評估

對畫像進行評估：

用戶覆蓋率：用戶畫像具體能夠覆蓋到多少用戶，有些用戶畫像可能覆蓋總用戶的50%或者80%；所以覆蓋率是用戶畫像應用的一個評價，覆蓋率越高，對后續(xù)精準營銷的策略選擇越準確。

準確率：模型的準確性，如上所述，使用算法模型導致的用戶分群錯誤或者對用戶的購買意向預測錯誤，將直接影響購買率，影響GMV。

可拓展：用戶畫像在維度刻畫應該是可擴展的。

及時性：如果用戶畫像服務到實時推薦系統(tǒng)中還需要用戶畫像的及時。

四、總結

用戶畫像結合大數(shù)據(jù)技術使用戶刻畫更加細致、及時，對日趨競爭激烈的互聯(lián)網(wǎng)浪潮起到越來越重要應用。

本文由@汪仔2296 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉載。

題圖來自Unsplash, 基于CC0協(xié)議