教你如何做好用户画像

用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理。比如可以做分类统计：喜欢购物的用户有多少？喜欢理财的人群中，男、女比例是多少？也可以做数据挖掘工作：利用关联规则计算，喜欢理财的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢购物的人地区分布情况是怎么样的？

大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解”人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。

如何构建用户画像？

一个标签通常是人为规定的高度精炼的特征标识，如：性别标签”男、女”、地域标签“北京”，等等。标签呈现出两个重要特征：一是语义化，即人能很方便地理解每个标签的含义。这也使得用户画像模型具备实际意义，能够较好地满足业务需求。如：判断用户偏好。二是短文本，每个标签通常只表示一种含义，标签本身无需再做过多的文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。

我们制定的标签规则，必须要确保所做的标签具备两个基本特性：人能够通过标签快速读出其中的信息，机器方便做标签提取、聚合分析。所以，用户画像，即用户标签，向我们展示了一种用于描述用户信息的朴素而简洁的方法。数据源分析

构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。

关于用户相关数据的分类，这里介绍一种重要的分类思想：封闭性的分类方式。

这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。

本文将用户数据划分为静态信息数据、动态信息数据两大类。静态信息数据——

用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面的数据。这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据运营清洗工作，因此这方面信息的数据建模不是本篇文章重点。动态信息数据——

用户不断变化的行为信息，如果存在上帝，每一个人的行为都在时刻被上帝那双无形的眼睛监控着。从广义上讲，一个用户打开网页，买了一个杯子，与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等一样，都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦很多。

本篇文章以互联网电商用户为主要分析对象，暂不考虑线下用户行为数据（分析方法类同，只是数据获取途径、用户识别方式有些差异）。

在互联网上，用户行为可以看作用户动态信息的唯一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。目标分析

用户画像的目标是通过分析用户行为，最终为每个用户打上标签，以及该标签的权重。如：男、网购、自拍。

标签，表征了内容，用户对该内容有兴趣、偏好、需求，等等。

权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。数据建模方法

下面内容将详细介绍如何根据用户行为，构建模型产出标签、权重。一个事件模型包括时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间、什么地点，做了什么事。

四、总结：

本文并未涉及具体算法，更多的是阐述了一种分析思想。

来源：http://zhugeio.com/news/?p=99

人人都是产品经理（woshipm.com）中国最大最活跃的产品经理学习、交流、分享平台