什么是用户画像应该怎样做

01 用户画像是什么用户画像,即用户信息标签化,通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据,进而对用户或者产品特征属性进行刻画,并对这些特征进行分析、统计,挖掘潜在价值信息,从而抽象出用户的信息全貌,如图1所示 。
▲图1 某用户标签化
用户画像可看作企业应用大数据的根基,是定向广告投放与个性化推荐的前置条件,为数据驱动运营奠定了基础 。由此看来,如何从海量数据中挖掘出有价值的信息越发重要 。
大数据已经兴起多年,其对于互联网公司的应用来说已经如水、电、空气对于人们的生活一样,成为不可或缺的重要组成部分 。从基础设施建设到应用层面,主要有数据平台搭建及运维管理、数据仓库开发、上层应用的统计分析、报表生成及可视化、用户画像建模、个性化推荐与精准营销等应用方向 。
很多公司在大数据基础建设上投入很多,也做了不少报表,但业务部门觉得大数据和传统报表没什么区别,也没能体会大数据对业务有什么帮助和价值,究其原因,其实是“数据静止在数据仓库,是死的” 。
而用户画像可以帮助大数据“走出”数据仓库,针对用户进行个性化推荐、精准营销、个性化服务等多样化服务,是大数据落地应用的一个重要方向 。数据应用体系的层级划分如图2所示 。
▲图2 数据应用体系的层级划分
02 用户画像的3种标签类型用户画像建模其实就是对用户“打标签”,从对用户打标签的方式来看,一般分为3种类型:①统计类标签;②规则类标签;③机器学习挖掘类标签 。
下面我们介绍这3种类型的标签的区别:
1. 统计类标签
这类标签是最为基础也最为常见的标签类型,例如,对于某个用户来说,其性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费数据中统计得出 。该类标签构成了用户画像的基础 。
2. 规则类标签
该类标签基于用户行为及确定的规则产生 。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” 。在实际开发画像的过程中,由于运营人员对业务更为熟悉,而数据人员对数据的结构、分布、特征更为熟悉,因此规则类标签的规则由运营人员和数据人员共同协商确定;
3. 机器学习挖掘类标签
该类标签通过机器学习挖掘产生,用于对用户的某些属性或某些行为进行预测判断 。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 。该类标签需要通过算法挖掘产生 。
在项目工程实践中,一般统计类和规则类的标签即可以满足应用需求,在开发中占有较大比例 。机器学习挖掘类标签多用于预测场景,如判断用户性别、用户购买商品偏好、用户流失意向等 。一般地,机器学习标签开发周期较长,开发成本较高,因此其开发所占比例较小 。
03 用户画像8大系统模块及解决方案搭建一套用户画像方案整体来说需要考虑8个模块的建设,如图3所示 。
▲图3 用户画像主要覆盖模块

  1. 用户画像基础:需要了解、明确用户画像是什么,包含哪些模块,数据仓库架构是什么样子,开发流程,表结构设计,ETL设计等 。这些都是框架,大方向的规划,只有明确了方向后续才能做好项目的排期和人员投入预算 。这对于评估每个开发阶段重要指标和关键产出非常重要 。
  2. 数据指标体系:根据业务线梳理,包括用户属性、用户行为、用户消费、风险控制等维度的指标体系 。
  3. 标签数据存储:标签相关数据可存储在Hive、MySQL、HBase、Elasticsearch等数据库中,不同存储方式适用于不同的应用场景 。
  4. 标签数据开发:用户画像工程化的重点模块,包含统计类、规则类、挖掘类、流式计算类标签的开发,以及人群计算功能的开发,打通画像数据和各业务系统之间的通路,提供接口服务等开发内容 。
  5. 开发性能调优:标签加工、人群计算等脚本上线调度后,为了缩短调度时间、保障数据的稳定性等,需要对开发的脚本进行迭代重构、调优 。
  6. 作业流程调度:标签加工、人群计算、同步数据到业务系统、数据监控预警等脚本开发完成后,需要调度工具把整套流程调度起来 。
  7. 用户画像产品化:为了能让用户数据更好地服务于业务方,需要以产品化的形态应用在业务上 。产品化的模块主要包括标签视图、用户标签查询、用户分群、透视分析等 。

    推荐阅读