罗振宇在《时间的朋友》演讲里举了这样的一个例子，当一个坏商家掌握了你的购买数据，他就可以根据你平常购买商品的偏好来决定是给你发正品还是发假货，从而来提高利润。当然这个做法是非常错误的，但从中我们可以感知到利用用户画像可以做到“精准营销”， 很多人都在聊用户画像，听起来很高大上那么什么是用户画像呢？
一、用户画像的含义和应用
用户画像（英文名称User Profile），它是根据用户人口学特征（基本属性）、网络浏览内容（行为特征）、网络社交活动（社交属性和兴趣偏好）和消费行为（消费信息）等信息而抽象出的一个标签化的用户模型，也是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。
用户画像（User Profile）与用户角色（UserPersona）区别
用户角色（User Persona）：更多描绘抽象一个自然人的属性
用户画像主要有4方面的应用
帮助产品的定位：用户很多 用户进行细分把握住核心用户（二八定律：百分之80%GMV往往来源于20%的核心用户）
帮助产品设计：用户需求场景、场景梳理针对性的分类
帮助精准营销：个性化推荐、策略推送、内容营销、广告系统
帮助活动评估：完善产品运营，提升服务质量，其实这也相当于市场调研、用户调研；
二、如何构建用户画像（六步法）
第一步：建模
（1）获取原始数据（用户访问的行为日志、用户基本属性）得到用户行为信息；
（2）数据预处理，挖掘出事实标签，对用户数据进行过滤、清晰、简化表示；例如得到用户登陆时间、名称，事实标签·
（3）分析用户行为，构建用户画像的模型标签，通过用户行为分析，得到用户访问页面的规律，构建用户行为模型。
（4）通过模型进行预测，完善用户画像，预测用户的操作行为。
模型类型：大多数是非结构和半结构数据，需要算法
你公司用户画像大概有哪些模型啊？你要知道用什么来优化和完善用户画像体系
1、文本挖掘模型 （算法主要有：TF-IDF）处理与清晰数据，匹配标识用户数据，提取事实数据信息；
2、分类/聚类模型（贝叶斯、KNN）：预测新用户、分析有相同特征的群体信息，用户进行划分
3、机器学习 挖掘出标签（提取特征）
4、相似度模型（EM、决策树、回归）：（余弦相似度、皮尔逊相似度）：作用就是辅助分类、聚类的作用；
5、推荐算法（APRIORL算法）：根据用户访问情况推荐出兴趣标签、完善用户画像的作用；
6、预测算法 回归（指数） 监督 ：用户兴趣程度、流失预测实现个性化服务
第二步：思考多维度刻画用户画像
1、自然属性：年龄、性别、邮箱、电话、职业等等（稳定）
2、兴趣属性：行为偏好，随着时间变化而变化，对应的标签也是变化（TF-IDF算法模型、BMBM25）
3、地理位置信息（LBS），用户移动轨迹配置不同
4、IP：不同IP查出来不同的区域，不同数据；
5、隐含属性：（例如：打开频率，体现出用户的活跃情况，对系统是否有粘性）
知识图谱：基本分行业 借助行业词典的构建 需要行业业务专家
第三步：标签
1、用户需求和用户场景不断更新，所以标签体系在不断的完善
2、不同的用户需求和业务场景思考，用户 标签系统不同，不同的业务标签体系不同
3、标签体系结构化（一级标签、二级标签、三级标签、四级标签、、、N级标签）
自然属性当作一级标签 用户信息就是二级标签 账号三级标签事实标签
兴趣属性 浏览习惯当作一级标签 修改 访问页面的路径就是二级标签 序列详情页
（每个用户都不一样）模型标签
地理位置 也是事实标签
第四步：映射用户画像（标签遵循MECE法则：相互独立，完全穷尽）
数据–映射成标签的过程
两个核心：1、标签化的映射主要靠算法2、标签能否多维度刻画
第五步：评估用户画像（怎么评估好坏呢？）
1、用户覆盖率（覆盖所有用户，全用户数据）
2、准确性
3、及时性
4、可解释性（定量、定性）
5、可扩展性
第六步：数据可视化
三、用户画像的开发实施（生成用户画像实施文档）
确定需求
开发跟进
开发团队排期➡️维度表➡️标签➡️Hadoop生态➡️ETL日常排查➡️界面、功能、标签优化➡️画像评估➡️迭代
后记：
这里只写了用户画像的构建流程，下次有时间与大家分享工作中画像实施文档
用户画像是一个复杂的系统，随着产品逐渐成熟，会根据不同的业务场景设计不同的标签，用户对产品使用的时间本身的标签也是随着时间不断进行变化的，用户画像也需要更齐全、更完善；（附上一张多维度视角用户画像）
本文来自投稿，不代表重蔚自留地立场，如若转载，请注明出处https://www.cwhello.com/300140.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除
