用户画像的定义及构建方法

一.什么是用户画像

为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。伴随着对人的了解逐步深入，一个概念悄然而生：用户画像。

很多人都想知道，到底什么是用户画像？关于用户画像的定义，不得不提的就是 Alan Cooper 提出的 persona 概念：

建立在一系列真实数据之上的目标用户模型。通过用户调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述，就形成了一个人物原型。

二.如何构建用户画像

用户画像最核心的组成部分其实是其中所包含的用户标签，用户标签其实可以理解成用户特征的一系列符号表示，每个标签可以理解成认识用户的一个角度。用户画像其实是标签的集合，每个标签之间都有一定的联系，整体上看各个维度的标签组合到一起形成了一个完整的用户画像。所以说用户画像其实可以用标签的集合来表示。

一个标签通常是人为规定的高度精炼的特征标识，如年龄段标签：18~35岁，地域标签：上海，标签呈现出两个重要特征：第一，语义化，人能很方便地理解每个标签含义。这也使得用户画像模型具备实际意义。能够较好的满足业务需求；第二，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。

人制定标签规则，并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，向我们展示了一种朴素、简洁的方法用于描述用户信息。

1.数据源的准备与分析

对于现在的互联网产品来说，需要做的事情是将手中拥有的数据进行结构化和清洗，去除噪音和不规整的数据，为后续的建模做好准备。

那如果是产品未成型或者用户量特别少怎么办呢？这个没有特别好的办法，数据数量少的话，只能不断增加数据量。获取数据有两种方法，第一种为免费方法，有一些公开的数据，企业可以从统计局网站或者公开的网站进行搜集和下载；第二种为付费方法，企业可以付费获取行业用户数据，这样得来的数据一般比较准确。除此之外，企业也可以进行一些实际的用户调研（可以外包），获取用户调研的数据。

数据源可以划分为静态数据和动态数据。

静态数据是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，更多需要的是数据清洗工作。

动态信息是指用户不断变化的行为信息。当消费者行为反馈在互联网上，乃至电商，用户行为就会聚焦很多，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞"双十一大促给力"的微博消息。等等均可看作互联网用户行为。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。

2. 用户分类

通过对用户静态数据的分析，对用户可以进行基本的分类，比如根据性别，将用户分为男性、女性用户，根据常住城市，可以将用户分为一线城市、二三线城市等，另外，还可根据年龄段、用户来源、收入水平和职业来对用户进行划分。

静态数据获取后，需要对人群进行因子和聚类分析，不同的目的分类依据不同：如对于产品设计来说，按照使用动机或使用行为划分是最为常见的方式，而对于营销类媒体来说，依据消费形态来区分人群是最为直接的分类方式。

3. 用户标签的定义与权重

有了静态和动态的数据之后，我们就要为每个用户打上标签，以及该标签的权重。

权重如何来定义呢？有时候，权重的定义是由经验丰富的营销人员来定的，他们对用户或者行业大致情况比较了解，因此通过经验来进行定义仍然具有较高的可信度。

当然这个权重可能会随着时间的推移而改变，用户处在不同的生命周期中，他们的不同行为以及时长的变化都会对这个权重产生影响。在模型中，权重需要在后期不断优化。

根据特征值对群体进行定义，有助于一目了然掌握该群体的特性。特征值是指用一个特征很鲜明的词来描述一群人，如"时尚潮人"，"运动达人"，可以让人很快速清晰的知道这类人的特点是什么。

4.数据建模

数据建模要解决的事情是，如何根据用户行为，来自动为用户添加标签、设置权重，如何通过用户行为对不同用户进行相似性衡量，如何通过相似性度量进行针对性的推荐，这些可能是用户数据量达到一定规模之后需要考虑的事情。

目前比较常用的协同过滤的推荐思想，就是在对用户的行为数据进行定量化分析和相似性度量之后，自出的自动化决策。

当然并不是只有推荐系统，精准化的分析和决策、个性化的管理、甚至自动化的运营都是建立在这个基础之上。

End.

作者：易观方舟

来源：简书

本文均已和作者授权，如转载请与作者联系。