如何構建能落地的用戶畫像？

說人話?。?！用戶畫像是基于你在互聯(lián)網(wǎng)上留下的種種數(shù)據(jù)，將這些數(shù)據(jù)在你知情或者不知情的時候，通過數(shù)據(jù)加工，產(chǎn)生的一個個刻畫你興趣偏好的標簽組，這就是用戶畫像。

那么接下來的問題就是：用戶畫像的使用場景有哪些？

分群運營是用戶畫像最常用的場景，通過用戶畫像的標簽篩選，篩選出不同的用戶群，通過push或彈窗配置平臺，對不同的用戶群實現(xiàn)精細化運營。

比如我們可以把過去30天購買金額大于500、活躍天數(shù)大于10天、最近一次活躍間隔在5天以內(nèi)的用戶定義為高付費潛力用戶群，進而對這部分高潛用戶進行精細化運營。

分層越來越精細，用戶群的粒度會越來越小，最后會小到一個個體。我們針對每個個體去做push或者彈屏，運營效率還是太低了?；谟脩舢嬒竦淖詣踊|達就發(fā)揮了作用。比如針對上一步我們創(chuàng)建的高付費潛力用戶群，我們通過App Push的方式發(fā)送一張滿200減40的優(yōu)惠券。

以用戶畫像為基礎構建推薦系統(tǒng)、搜索引擎、廣告投放系統(tǒng)，可以有效提升轉化率。我們先看一下用戶畫像的用戶偏好表存儲表（用戶畫像有很多這種標簽，下面我們會詳細展開具體講解）：

當我們購買完成一個帶有標簽1，標簽2，標簽3的商品后，一般在購買完成頁會有交叉銷售場景，我們通過用戶偏好表的標簽及權重，基于用戶相似或商品相似的協(xié)同過濾算法，推薦用戶可能喜歡的其他商品。

根據(jù)用戶的屬性、行為特征對用戶進行分類后，統(tǒng)計不同特征下的用量、分布，分析不同用戶畫像群體的分布特征和走勢等。

另外，還可以通過用戶畫像分析可以了解行業(yè)動態(tài)，比如人群消費習慣、消費偏好分析、不同地域品類消費差異分析。比如我們經(jīng)常聽到馬爸爸拿一些標簽，說這個地方人喜歡買什么？為什么喜歡買？那個地方人都是買什么型號？

大學剛畢業(yè)時，初到一家互聯(lián)網(wǎng)公司做數(shù)據(jù)運營，某天領導突然給我一個任務：做一個APP用戶畫像報告。當時我有點懵，一是我以前確實沒接觸過用戶畫像，概念不太清楚；二是接到領導的任務后我只知道要做一個用戶畫像，至于這個用戶畫像到底用來做什么我并不清楚。

在這個情況下，我查閱各種資料，問同學、問朋友，還找了一些高大上作圖工具，最后總算是完成了任務，得到了公司認可。但用戶畫像到底給公司帶來了什么價值，給運營決策起到了什么作用并不清楚，這其實就是典型的隨大流，為了做而做。

這種面子工程非常常見，大家可以看看自己公司的情況對號入座，因為大家都在談論用戶畫像，于是很多領導也開始要求做用戶畫像，別人有我們不能沒有，但用戶畫像到底為了解決什么問題并不清楚，自然而然就沒有落地的可能性，更不可能產(chǎn)生價值。

所以為了解決這個問題，在最開始的時候就要想清楚，我們是否真的需要用戶畫像？只要想清楚一下三個問題，就可以得到答案。

1、我們業(yè)務中是否有能用到用戶畫像的場景？比如用戶分層、智能觸達和個性化推薦。

2、如果有使用場景，是否一定要通過用戶畫像實現(xiàn)？用戶畫像本身是一個非常浩大的工程，十分耗時耗力，我們有沒有其他替代的方案？

3、如果必須要搞，那我們給用戶打了標簽進行分層后，我們有沒有對應的產(chǎn)品服務或運營方案？分層后沒有對應的action，用戶畫像還是難以落地閉環(huán)。

以上問題如果沒有想清楚，就盲目搞用戶畫像，結果很可能就是弄出來的用戶畫像遠離業(yè)務，沒有實用價值、無干貨，被業(yè)務部門譏諷為“大而無用”的雞肋產(chǎn)品。

所以，在規(guī)劃用戶畫像平臺時，一定要有目的性和場景感，不能只做表面文章，而不重視實際應用價值。

這里需要強調(diào)的一點是：不是因為我有了用戶畫像，才能驅(qū)動和提高業(yè)務。而是為了驅(qū)動和提高業(yè)務，才需要去建立用戶畫像。這是很容易犯的因果倒置的錯誤！

以上問題沒有想清楚，千萬不要動手開發(fā)，如果以上的問題想清楚后，還是要搞，那我們就要認真籌劃，用戶畫像怎么做才有價值。

已經(jīng)確定要搞用戶畫像，接下來就要思考：怎么搞才能業(yè)務落地？怎么搞才能產(chǎn)生價值？

剛開始做用戶畫像的時候，業(yè)務部門搖頭晃腦的說：“我們要基于用戶畫像，詳細深入的了解用戶，比如用戶性別，年齡，地域，喜好，消費習慣，……這樣我們就能精細化決策了”。然后數(shù)據(jù)部門夯吃夯吃搞了幾個月，打了30000個用戶標簽，還得意洋洋的跟領導匯報：“我們的用戶畫像大數(shù)據(jù)建設取得長足進步”。

然后項目第一期匯報會上，數(shù)據(jù)部門得意洋洋的講到：

業(yè)務部門一個白眼拋過來，

當然還有更慘的，

于是，項目徹底涼涼。問題到底出在哪里呢？你丫的根本沒有了解業(yè)務的需求啊，業(yè)務方想吃個簡單的酸辣土豆絲，你吭哧吭哧跟業(yè)務方扯佛跳的108道工藝，或者雖然你了解了業(yè)務方的需求，但是這個標簽你打的不準啊，我要的是酸辣土豆絲，不是青椒土豆絲……

所以要想用戶畫像能落地，以下幾個步驟尤為關鍵。

在規(guī)劃用戶畫像時，一定要有目的性和場景感，不能只做表面文章，而不重視實際應用價值。再次強調(diào)：不是因為我有了用戶畫像，才能驅(qū)動和提高業(yè)務。而是業(yè)務有需求，才需要去建立用戶畫像！

第一步也是最為關鍵的一步，一定要搞清楚業(yè)務方的需求是什么？要解決的問題是什么？

舉個栗子，一個內(nèi)容型社區(qū)近期準備上線一個知識付費模塊，通過該模式進行商業(yè)變現(xiàn)，想通過用戶畫像將精準的內(nèi)容推薦給精準的人，進而促進付費變現(xiàn)?；诖?，可以把業(yè)務目標和要解決的問題梳理如下：

需要選擇哪些標簽？為什么要選擇這些標簽？其他的標簽為什么不可以？選擇標簽有哪些誤區(qū)？

我們都知道有用戶基礎屬性的標簽，也有用戶的各種行為標簽，我們需要在這個大的框架下不斷細分完善標簽體系。但是為什么要選擇這些標簽，比如用戶的購買行為標簽中，為什么選擇新、老用戶這個標簽呢？因為我們的店鋪針對未消費的新用戶會有新人紅包進行引導消費，所以要區(qū)分新老。對于老用戶，我們?yōu)槭裁匆x擇最近一次購買時間，購買頻次和交易金額作為標簽呢？因為可以通過RFM對用戶價值進行分層，進而進行精細化運營。

具體的標簽體系搭建步驟我們會在第三部分中具體介紹，這里先不展開。

不同標簽將用戶劃分為不同的用戶群，但只有對不同的用戶群制定針對性的運營策略，用戶畫像才能落地有價值。

舉個栗子，在RFM模型中，有的同學不清楚用戶交易金額M如何確定閾值，進而劃分為高和低呢？是消費1000元算高還是10000元算高，有些同學因為這個糾結不已，為什么不反過來想呢？閾值設為1000或者2000我對應策略是什么？如果沒有對應的策略，我劃分了高低有何用處呢？這個時候不妨問問產(chǎn)品和運營的同學，你會發(fā)現(xiàn)運營上為了促進價格敏感的低客單價用戶有滿1000減200的滿減活動，對于購買能力較強的金主爸爸，有滿2000送獨家定制的鉆石會員卡，可以享受超級VIP待遇，以終為始，這個時候用戶畫像是不是更容易落地了？

已經(jīng)明確了業(yè)務需求以及不同畫像用戶的對應策略，下面就可以開始用戶畫像

的構建了，主要分為標簽體系搭建和標簽權重計算，簡單來說，就是用哪些標標簽表征用戶，用戶在各個標簽上的偏好程度如何。

理解用戶畫像，最直接的方式便是將畫像信息標簽化。信息標簽化是用戶畫像系統(tǒng)用信息化手段刻畫用戶全貌的手段，也是用戶畫像系統(tǒng)中最核心的環(huán)節(jié)之一。我們通過構建豐富的標簽，獲取相關的標簽數(shù)據(jù)，才能夠刻畫和洞察用戶的興趣和偏好。

1）標簽體系的構建方法

構建標簽體系的主要有兩種方法：

方法一：結構體系化構建（常用）。通過劃分標簽類別和維度，從刻畫用戶的完整維度出發(fā)構建維度體系。這樣的劃分方式結構清晰、邏輯性強，能夠比較全面的梳理出所有的信息維度，但受限于實際數(shù)據(jù)，落地較困難。

方法二：場景效果化構建。結合人群定向的實際需求，通過用戶在不同行業(yè)領域或平臺上的行為記錄，對用戶的心理需求和傾向性進行描述。這種方式目的性強，人群定向也較為精準，容易跟實際應用場景接軌，落地到具體的業(yè)務目標，跟實際數(shù)據(jù)結合較好，但標簽會跟隨消費趨勢、娛樂熱點等的變化波動。

2）標簽維度的設計思路

標簽維度設計上不僅需要清晰直觀，還需要考慮多個場景化使用需求，同時兼顧多種產(chǎn)品運營需求及商業(yè)化投放需求。

標簽設計上需要在了解業(yè)務方規(guī)劃前提下，對標簽的使用上有前瞻性的設計。

畫像數(shù)據(jù)的來源一般有：用戶調(diào)研、用戶行為數(shù)據(jù)獲取、客戶端/服務端數(shù)據(jù)內(nèi)容上報、第三方數(shù)據(jù)平臺、基礎數(shù)據(jù)及爬取第三方數(shù)據(jù)等。

ps：此處需要特別關注以下兩個方面：

標簽粒度：粒度過粗不利于運營使用推廣，很容易脫離業(yè)務本身，對行為數(shù)據(jù)進行過度提煉造成信息丟失；而粒度過細則會導致標簽覆蓋率過低、耦合運營業(yè)務推廣。

標簽數(shù)據(jù)：標簽數(shù)據(jù)的獲取直接關系到實際使用價值，需要在可獲取的數(shù)據(jù)范圍內(nèi)進行，擴寬數(shù)據(jù)源難度較大，通常需要優(yōu)先進行數(shù)據(jù)可行性的統(tǒng)計。

3）標簽體系的基礎框架

不同業(yè)務的畫像標簽體系并不相同，需要我們針對性的提煉出來。有一種比較簡易的方式是：我們可以先找出一些通用類畫像標簽，然后再根據(jù)實際場景和需求補充業(yè)務類畫像標簽。這樣得到的標簽體系會相對比較完整，也能夠隨業(yè)務變動及時調(diào)整優(yōu)化。

通用類畫像標簽體系（參考）：

業(yè)務類畫像標簽體系（以某電商公司為例，參考）：

按照以上的框架將用戶畫像信息標簽化，能更好的根據(jù)實際需求去獲取相關的用戶畫像數(shù)據(jù)。但是，需要注意的，產(chǎn)品用戶畫像的分析并不是要用到所有的標簽數(shù)據(jù)，并且越是完整的標簽體系，落地是越是困難。而且，更大的難度在于如何精準描述用戶特征。因為只有用戶特征描述越精準，我們得到的用戶畫像才會越清晰，在實際應用過程中的幫助越大。所以如何精確計算出用戶的標簽的權重就成為重中之重。

用戶在不同標簽上的偏好是通過權重來反映的，權重越高，說明用戶在該標簽上的偏好越強，反之亦然。而且，這個權重會隨著時間變化而變化，標簽權重的計算主要通過TF-IDF算法。

1）TF-IDF算法思想

用戶標簽權重，是由該標簽對用戶本身的重要性（TF-IDF權重）與該標簽在業(yè)務上對用戶的重要性（業(yè)務權重）兩者共同決定的，

TF-IDF權重是通過TF-IDF計算得到的，業(yè)務權重是通過用戶對標簽的行為來決定的，

2）簡單理解

就是用戶對一個標簽的重要程度，會用不同行為來表達，不同的行為有不同的難度，比如：對于電商用戶的行為難度來說，支付>收藏加購>分享>瀏覽>點擊。不同行為就會有不同的權重，行為越難代表越喜歡，權重越高，同理行為次數(shù)越多也代表越喜歡。

標簽對這個用戶來說越稀有代表越喜歡，喜歡程度會隨著時間的增加而逐漸降低，通過這個公式計算標簽權重。

3）行為類型權重

用戶瀏覽、點擊、搜索、收藏、分享、下單、購買等不同行為對用戶而且有不同重要性，一般根據(jù)業(yè)務經(jīng)驗或者使用層次分析法定義一個基本行為權重。

4）行為次數(shù)

這里的行為次數(shù)表示每一種行為的次數(shù)。

5）時間衰減

時間衰減是指用戶的行為會隨著時間的流逝，用戶偏好會不斷減弱。在建立與時間衰減相關的函數(shù)時，我們可套用牛頓冷卻定律數(shù)學模型。

牛頓冷卻定律：較熱物體的溫度F(t)是隨著時間t的增長而呈現(xiàn)指數(shù)型衰減，其溫度衰減公式為：

冷卻系數(shù)如何計算呢？

冷卻系數(shù)是自己定義的數(shù)值，一般通過回歸可計算得出。例如：初始偏好設置為1，1天后的偏好為0.85，即 0.85=1*exp(-α*1)，求得α=0.16，這個就是標簽的冷卻系數(shù)。

在這里我們用Python語言來模擬一下這個冷卻曲線：

6）舉個栗子

用戶“小美”，對于標簽“口紅”的權重計算：假設我們之前定義冷卻系數(shù)α=0.16，基于業(yè)務經(jīng)驗或通過層次分析法假設行為類型權重：點擊（0.1）、瀏覽（0.2）、分享（0.5）、收藏加購（0.6）、支付（0.9）。

小美的每日行為表：

2021-05-01：

2021-05-02：

2021-05-03：

用戶“小美”對標簽“口紅”每天的權重：

2021-05-01：2*0.1+2*0.2+3*0.6+1*0.5+1*0.9=3.8

2021-05-02：3.8 *exp(-α*1)+1*0.1+1*0.2+2*0.6+1*0.5+0=5.06

2021-05-03：5.067718*exp(-α*1)= 4.32

這樣算下來是不是就很清晰了。

在初步形成了用戶畫像后，并不能直接交給運營、業(yè)務人員直接使用，還需要評估用戶畫像的準確性，以及交付使用后不斷迭代用戶畫像，以獲得更加精準的用戶畫像。

評估方式主要分為3種：邏輯驗證、A/B test、用戶回訪。

邏輯驗證：也叫做交叉驗證，在完整的用戶畫像標簽體系中，一些標簽往往會存在一些相關性；比如用戶的累計在線時長越長，訂單量通常會越高；比如購買3C產(chǎn)品的用戶群中，男性用戶數(shù)通常大于女性用戶數(shù)；另外，如果公司購買了第三方機構的數(shù)據(jù)，也可用于交叉驗證。

A/B test：也叫做灰度測試，以上述的忠誠度為例，保證對照組、實驗組的流量相同；對實驗組的用戶，進行提升忠誠度的運營策略（促銷活動、積分獎勵等）；如果實驗組的用戶，忠誠度相比對照組用戶，有一定提升，則可以認為用戶畫像比較精確。

用戶回訪：最樸實的評估方法，比如用戶畫像系統(tǒng)，定義了10萬用戶為低忠誠度用戶；此時從中隨機抽取1000人，交給客服，進行回訪。根據(jù)回訪結果，判斷用戶畫像結果是否準確；甚至可以對回訪結果進行文本挖掘，形成詞云，查看消極詞的占比。

本文很長，所以最后還是要做個總結，區(qū)別于其他文章單純闡述如何構建用戶畫像，這篇文章系統(tǒng)而全面的分析了用戶畫像是什么？是否一定要搞？怎么搞？層層遞進地說明了：什么是用戶畫像？→ 什么場景會用到用戶畫像？→ 我們是不是真的需要用戶畫像？→ 用戶畫像怎么搞才能落地？→ 能落地的用戶畫像的構建步驟 → 用戶畫像的效果評估&迭代。

希望我們在做用戶畫像的時候都能多問幾個為什么？知道為什么要做遠比知道怎么做更重要，只有這樣，才能做出落地且有價值的用戶畫像。

以上就是數(shù)據(jù)分析思維—用戶畫像部分的內(nèi)容，更多數(shù)據(jù)分析思維的文章持續(xù)更新中，敬請期待，如果覺得不錯，也歡迎分享~