用户画像技术总览

阅读本文，您将获得以下收益：

1. 能够区分用户画像的不同意义

2. 全面了解用户画像的全流程

3. 理解用户画像被应用的原理

导读：本文主题为《用户画像漫谈》，主要从以下几个方面介绍：

1. 用户画像定义

2. 用户画像要素

3. 用户画像类型

4. 用户画像常用维度

5. 用户画像应用场景

6. 用户画像周期

7. 用户画像开发流程

8. 用户画像验收方式

分享嘉宾｜李凯东 某媒体公司 大数据总监

编辑整理｜杨康 南京大学

出品社区｜DataFun

在分享之前，先来展示 4 个应用广泛的 APP 给我推荐的个性化内容。第一个信息流里面能看到有一些提高工作效率的工具，还有 SEO；第二个是读书类 APP，可以看到产品、统计学、数据、私域流量管理；第三个 APP，可以看到很多吃的，海鲜、高端白酒；第四个还是吃的内容，同时还有唱歌的。所以综合下来，通过以上线索，是不是能得出一个结论？我来自互联网，对产品、运营、数据有一定的关注，在生活上对吃，特别是海鲜比较感兴趣，同时可能也会比较喜欢听歌。我想说的是，完全正确。

APP 是如何比你更懂你的？我们知道，现在的信息传递方式已经不是以前官方发布什么内容，我们就看什么内容，而是通过各种推荐机制来推送内容。推荐怎么精准找到我喜欢的这些内容？有一个基石，这个基石就是用户画像，也就是我们今天要介绍的重点内容。

--

首先我们来看一下用户画像的定义。

在产品领域有两个用户画像的概念，一个是面向用户的用户画像，一个是面向产品的用户画像。在数据领域还没发展之前，用户画像，其实指的是面向产品的用户画像，以用户角色作为一种勾画目标用户、联系用户诉求与设计方向的有效工具。而在数据领域发展之后，也就是互联网的今天，如果我们来谈论用户画像，更多的都是聊面向用户的用户画像，简单来说就是给每个用户身上打很多的标签。

--

面向产品的用户画像，它有 8 个要素，分别是代表基本性、代表同理性、代表真实性、代表独特性、代表目标性、代表数量性、代表应用性、代表长久性，面向产品的用户画像是产品经理为了产品设计，从经验、调研中获得的，并不是我们本次讨论的重点，这里不展开阐述。

--

我们说面向用户的用户画像。从用户画像来源主要分为 4 种类型，分别是：直采型、统计型、挖掘型和预测型。

直采型指直接从用户基础信息表里面取到的用户信息，不需要统计和加工。统计型利用用户日志数据，按照一定的规则进行简单统计形成标签；利用用户行为数据或者文本数据，结合业务规则和算法加工输出对应的属性值或分值，我们一般把它称为挖掘型；预测型是最后一种，它其实是算法标签的一种，原理与挖掘型标签相似。区别在于预测型的标签重点应用于典型的预测场景。比如电商要预测A用户明天是否会进行某一类商品的购买，这种得出的用户画像标签就是预测型。

--

用户标签一般可以从 9 个维度进行分类，当然随着行业的发展和业务的特殊性，也会有更多的维度，这里就简单地抛砖引玉。

这 9 个维度都包括什么？首先是基础属性，包括了我们一般的社会属性，比如性别、职业、地理位置等；第二个是平台属性，包括了平台本身的一些属性，以及相应的位置信息；行为属性包括了登录、注册、激活这些行为；产品偏好我们这里面主要讲的是竞品偏好和内部产品偏好；兴趣偏好是非常重要的，我们一般都会记住用户的品牌偏好、类目偏好、标签偏好等；敏感度也是一个在营销中非常重要的标签类型，包括活动敏感度、优惠券敏感度、热点敏感度等；消费属性包括消费能力、消费行为、消费意愿等；用户生命周期就包括我们比较熟悉的导入、成长、成熟、休眠、流失；用户价值包括用户的活跃价值以及他的VIP等级等。

--

用户画像会用在哪里？最开始其实已经说了，在推荐系统里面会用到用户画像，我们在用户分群的时候也会用到。什么是用户分群？比如用户在做运营的时候，希望给某一种特征类型的用户推一些内容，这种他就要用到用户分群，这属于精准营销的一部分。

我们在做一些产品分析的时候，也要看一下我们的用户都是什么样子，其实已经偏向于面向产品的用户画像概念了。我们想看看我们本身产品或某次活动，或某个产品线，它的用户到底是什么样子的，以更有效地指导我们后续的营销活动。当然在搜索和广告系统中也会用到，因为搜、广、推经常一起来说，当然在金融领域的风控和反欺诈过程中也应用得非常广泛。

用户画像可以在互联网目前最流行的匹配方式都要基于用户画像。营销系统也好，算法系统也罢，都是基于用户画像和信息画像通过算法或者匹配规则作为桥梁，构建起了目前互联网是主流的信息匹配方式，如果算法推动了用户对于信息获取方式的变革，用户画像这次变革的基石。

--

在用户画像构建的时候，用户的行为画像是尤为重要的，因为行为画像更能体现用户的兴趣，也是给用户带来最佳体验的原因。我们并不是只记录一种行为画像，我们通过时间不同的跨度构建出了实时画像、短期画像、中期画像和长期画像，因为它会捕捉用户不同周期内的对信息的偏好。这里我写的时间跨度是一般的建议跨度，但是不同的产品时间跨度可能会不同，大家如果去构建，还需要根据实际的情况来。

接下来我们来看一下用户画像构建的全流程。

--

一般来讲，用户画像在构建的流程中会经历画像标签体系设计、数据源确认、数据收集、数据验证、标签生产、标签落地和标签服务化 7 个步骤，每一个节点都很重要。如果你最开始设计得不够合理，你最后想提供服务化，对应到服务系统中的时候，可能不能达成最终的营销或者是推荐目标。如果你的数据源使用错误，你最终的标签可能就是错的。每一个节点都很关键，但是用户画像它也是逐步不断丰富的过程，所以这 7 个步骤也会在你生产的过程中，随着业务的不断丰富进行多次的重复执行。

--

好标签生产出来之后，我们如何验证标签？如何保证自己的标签是有效的，可以被用？一般有 4 种验证方式：算法指标验证、分布验证、交叉验证和抽样验证。应用的时候我们经常要验证大量的预测标签，虽然算法我们一般都会用一些指标进行相应的验证，但实际上很多标签都非常难验证，反而是要通过分布验证、交叉验证和抽样验证来进行。

举例来说，一个用户在我们的产品里面并没有填他的性别信息，你如何验证？客观来讲没办法验证，但如果我们有多款产品，恰好在其他产品中填写了性别信息，我们就可以进行相应的交叉验证了。

还有什么办法，可以打电话去咨询一下用户，当然这样的做法肯定是少量的，但是我们可以进行一定量的这种验证，就可以实现我们的算法运证是否准确。所以可以看到，虽然算法指标标签非常多，但是它的验收很多时候是没办法直接用算法指标进行验证的。

有些什么样的思路是更好的？其中一个就是生产数据和数仓数据的对比校验，这个是非常重要的，因为我们很多挖掘算法，预测型的指标签都是通过数仓来的，如果通过生产库，也可以去进行一定的加工、生产和校验，这是一个很好的方法。

另外一个是你对业务的感知，比如我们预测一些用户出来说女性标签的分值是多少，我们取多少。比如做美妆，它一定是大概率是女性，你可以进行这种业务判断，抽样出一些数据来看一看是不是预测为女性。这些用户都购买了偏女性的商品品类，如果你有比较好的业务敏感度，也是对你的验证有很大帮助的。​

今天的分享就到这里，谢谢大家。

第四届DataFunCon数据智能创新与实践大会将于⏰ 7月21-22日在北京召开，会议主题为新基建·新征程，聚焦数据智能四大体系：数据架构、数据效能、算法创新、智能应用。在这里，你将领略到数据智能技术实践最前沿的景观。

欢迎大家 点击下方链接获取大会门票～