0-1搭建用户画像系统的设计思路

叁歲伎倆 2022-12-31 05:29 70阅读 0赞

# 一、需求目的 #

①、商城已上线2周年，已有10万+在售物品。数据仓库中积累着大量的业务数据、日志数据及埋点数据。如何充分挖掘沉淀在数据仓库中的数据的价值，有效的支持用户画像的建设，成为当前的重要工作。

②、在保证用户规模不断增长的目标下，运营方考虑建立用户流失预警机制，及时识别将要流失的用户群体，及时采取运营策略换回用户。

# 二、产品结构 #

![format_png][]

# 三、用户画像系统搭建流程 #

目前团队已经搭建了比较成熟的数据仓库。也就是说已经有结构化的、清晰的用户属性、用户行为相关数据。在此基础上，搭建用户画像系统，需要：

![format_png 1][]

# 四、数据建模 #

对人、货、场进行分析，对用户个体的性质和特征做出概括，形成相应的用户属性标签、用户行为标签后。才可以开始建模。建模需要分别从定性、定量，两个方面入手：

定性：在从已有数据中心，选择特征。假设这些特征与你要预测的值有一个关系。这个关系就是一个原始的模型。

定量：确定模型中涉及到的所有未知系数

模型计算完成后，需要计算模型的置信度。此时根据测试数据（可以是团队内部测试、灰度测试等方式），来判断模型计算的结果，与预期是否相符。如果相符，就可以用这个模型来预测用户喜欢什么。如果与预期不相符，那么久需要重复上述过程

【举例】

比如商城系统中，有以下数据项

![format_png 2][]

用户忠诚度指标（L），与用户活跃度、购物车商品数、收藏数、下单数、在线时长的用户行为指标有一定的关系。将这5项数据指标的熵权值，定义为用户忠诚度指标，可以用以下公式表示：

![format_png 3][]

其中a表示上表中A2-A6的归一化值，归一化计算公式如下

![format_png 4][]

w表示权重。权重系数计算公式如下

![format_png 5][]

其中，e为行为数据信息熵，计算公式如下

![format_png 6][]

最终计算所有的用户的指标L后。例如可以取前25%为高忠诚用户，25-50%为普通忠诚用户，剩余为低忠诚用户。取值范围可以根据业务实际情况调整。

另外，由于权重系数，有可能随时间的增加而衰减。所以如果需要，还需要定义衰减因子r。加入衰减因子后，标签权重=衰减因子\*行为权重

# 五、梳理用户画像维度 #

设计用户画像维度时，建议使用MECE（Mutually Exclusive Collectively Exhaustive）准则。也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。

比如初步搭建用户画像维度，可以参考下图

![format_png 7][]

上图为商城系统，初步的用户画像维度。图中的数据，按照获取的方式，可以分为：统计类标签、规则类标签、挖掘类标签。

统计类标签：这类标签是最为基础也最为常见的标签类型，例如对于某个用户来说，他的性别、年龄、城市、星座、近7日活跃时长、近7日活跃天数、近7日活跃次数等字段可以从用户注册数据、用户访问、消费类数据中统计得出。该类标签构成了用户画像的基础；

规则类标签：该类标签基于用户行为及确定的规则产生。例如对平台上“消费活跃”用户这一口径的定义为近30天交易次数>=2。在实际开发画像的过程中，由于运营人员对业务更为熟悉、而数据人员对数据的结构、分布、特征更为熟悉，因此规则类标签的规则确定由运营人员和数据人员共同协商确定；

挖掘类标签：该类标签通过数据挖掘产生，应用在对用户的某些属性或某些行为进行预测判断。例如根据一个用户的行为习惯判断该用户是男性还是女性，根据一个用户的消费习惯判断其对某商品的偏好程度。该类标签需要通过算法挖掘产生。

# 六、形成初步用户画像 #

基于用户画像数据，可以使运营人员、营销人员，有更好的用户认识，带来更佳的用户服务质量，实现精准运营、精准营销。

设计用户画像的可视化展现时，可以使用以下工具：

![format_png 8][]

其中tableau、powerbi等自助式数据分析工具，可以让没有编程经验的业务人员、运营人员等进行自我数据分析，不需要依赖IT人员

# 七、评估用户画像效果 #

在初步形成了用户画像后，并不能直接交给运营、业务人员实际使用。还需要评估用户画像的准确性。评估方式主要分为3种：逻辑验证、A/B test、用户回访。

逻辑验证：也叫做交叉验证。在完整的用户画像标签体系中，一些标签往往会存在一些相关性。比如用户的累计在线时长越长，订单量通常会越高。比如购买3C产品的用户群中，男性用户数通常大于女性用户数。另外，如果公司购买了第三方机构的数据，也可用于交叉验证

A/B test：也叫做灰度测试。以上述的忠诚度为例。保证对照组、实验组的流量相同。对实验组的用户，进行提升忠诚度的运营策略（促销活动、积分奖励等）。如果实验组的用户，忠诚度相比对照组用户，有一定提升，则可以认为用户画像比较精确。

![format_png 9][]

用户回访：最朴实的评估方法。比如用户画像系统，定义了10万用户为低忠诚度用户。此时从中随机抽取1000人，交给客服，进行回访。根据回访结果，判断用户画像结果是否准确。甚至可以对回访结果进行文本挖掘，形成词云，查看消极词的占比。

# 八、总结 #

当公司业务规模，用户体量上升到一定量级。业务、运营团队，往往会提出对用户精准运营的想法。此时就需要用户画像系统，在支持业务运营的同时，也可以帮助产品经理更好的了解用户。

0-1搭建用户画像系统。需要在已有比较成熟的数据仓库的前提下 进行：

1、数据建模：根据业务模式，设计相应的数据模型

2、梳理用户画像维度：不重叠、不遗漏的梳理用户标签体系

3、形成初步用户画像：可以使用tableau、powerBI、echarts等多种工具，生成可视化的用户画像

4、评估用户画像效果；通过逻辑验证、A/B测试、用户回访等方式，验证用户画像系统中的标签是否准确

5、根据评估效果，持续优化用户标签系统

作者：16哥  
链接：https://www.jianshu.com/p/053158e58d8b  
来源：简书  
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

[format_png]: /images/20221120/025552ce6406425687e324671ff73ac8.png
[format_png 1]: /images/20221120/560f77828c234e318ebd73a333dc1c5e.png
[format_png 2]: /images/20221120/fd28dacebee14503945ca6305c7c59e0.png
[format_png 3]: /images/20221120/a2c1443d6d844a11bd53d57723244583.png
[format_png 4]: /images/20221120/5cf6b3f344f14643bc9975b12b8e596d.png
[format_png 5]: /images/20221120/23b8ca5415fc42469fa7a9457106ce6e.png
[format_png 6]: /images/20221120/901e7db3b6a24a7081572dff0dd869ee.png
[format_png 7]: /images/20221120/a6b25020e45d416db23e2f04ad35e51a.png
[format_png 8]: /images/20221120/27278ae77d9b49c3905cf4e15b2c482e.png
[format_png 9]: /images/20221120/7c56e7309aa345bd9a76a2eefd94ffd5.png