用户画像

概述

用户画像是建立在一系列真实数据之上的目标群体的用户模型，即根据用户的属性及行为特征，抽象出相应的标签，拟合而成的虚拟的形象。用户画像的核心工作就是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、兴趣等，这些标签集合就能抽象出一个用户的信息全貌。如下图所示是某个用户的标签集合，每个标签分别描述了该用户的一个维度，各个维度之间相互联系，共同构成对用户的一个整体描述。

用户画像构建

一般流程

用户画像的一般构建流程：目标分析、体系构建、画像建立

标签体系

目前主流的标签体系都是层次化的。几个大类，每个大类下进行逐层细分。在构建标签时，我们只需要构建最下层的标签，就能够映射到上面两级标签。上层标签都是抽象的标签集合，一般没有实用意义，只有统计意义。

• 事实标签：可以从数据库直接获取（如注册信息），或通过简单的统计得到。这类标签构建难度低、实际含义明确，且部分标签可用作后续标签挖掘的基础特征。事实标签的构造过程，也是对数据加深理解的过程。对数据进行统计的同时，不仅完成了数据的处理与加工，也对数据的分布有了一定的了解，为高级标签的构造做好了准备。
• 模型标签：是标签体系的核心，也是用户画像工作量最大的部分，模型标签的构造大多需要用到机器学习和自然语言处理技术。
• 高级标签：是基于事实标签和模型标签进行统计建模得出的，它的构造多与实际的业务指标紧密联系。只有完成基础标签的构建，才能够构造高级标签。构建高级标签使用的模型，可以是简单的数据统计，也可以是复杂的机器学习模型。

示例：

自下而上的标签体系的搭建

• 事实标签的搭建：用户的属性、用户的行为指标这些归类为事实标签，在事实标签中，只会描述「什么时间」「做了几次」这类真实反映事实的情况。事实标签主要的作用，就是用来做行为的概括和描述，并且为更加上层的标签打下数据基础（元标签）。由于事实标签只描述事实，所以他们的稳定性极高，不会随业务指标的改变而变化。
• 模型标签的搭建：模型标签是基于自己的业务判断，或者大数据分析，综合多个维度产生的标签。举个业内最通用的例子，应该就是 RFM 模型的标签了。最近一次消费时间 Recency，消费频率Frequency，消费金额 Monetary，这三个指标都可以使用事实标签进行描述。

• 用户群体标签的搭建：有了事实标签和模型标签后，其实已经可以开始进行精细化运营了。但是对于某些特定的场景，我们可以固化下来一些有特征的用户群，比如：高价值流失客群（使用「消费能力」「最近一次访问时间」「消费意愿」……构成）。这类标签更加贴合业务，甚至还有一定的时效性和周期性，有些甚至直接和活动挂钩。用户群标签更加贴合业务场景，基本是不稳定的，会随着业务的变化、运营策略的调整而新增或修改。

  额外注意

• 灵活的更新：数据的更新机制，可以提供不仅仅只有调度器调度一种，还可以使用触发型的数据更新，用以满足更多的业务场景

• 多视角的分析模型：从分析的体量划分，分为群体和单体；从分析的状态划分，分为静态和动态；从分析的路径划分，分为探索分析和目标倒推

展示形式

1. 信息列表展示

1. 用户画像标签分析图

1. 折线图

1. 柱状图

1. 操作记录