一、什么是用戶畫像？
男，31歲，已婚，收入1萬以上，愛美食，團購達人，喜歡紅酒配香煙。
這樣一串描述即為用戶畫像的典型案例。如果用一句話來描述，即：用戶信息標簽化。
如果用一幅圖來展現(xiàn)，即：
二、為什么需要用戶畫像
用戶畫像的核心工作是為用戶打標簽，打標簽的重要目的之一是為了讓人能夠理解并且方便計算機處理，如，可以做分類統(tǒng)計：喜歡紅酒的用戶有多少？喜歡紅酒的人群中，男、女比例是多少？
也可以做數(shù)據(jù)挖掘工作：利用關(guān)聯(lián)規(guī)則計算，喜歡紅酒的人通常喜歡什么運動品牌？利用聚類算法分析，喜歡紅酒的人年齡段分布情況？
大數(shù)據(jù)處理，離不開計算機的運算，標簽提供了一種便捷的方式，使得計算機能夠程序化處理與人相關(guān)的信息，甚至通過算法、模型能夠“理解” 人。當計算機具備這樣的能力后，無論是搜索引擎、推薦引擎、廣告投放等各種應(yīng)用領(lǐng)域，都將能進一步提升精準度，提高信息獲取的效率。
**三、如何構(gòu)建用戶畫像 **
一個標簽通常是人為規(guī)定的高度精煉的特征標識，如年齡段標簽：25~35歲，地域標簽：北京，標簽呈現(xiàn)出兩個重要特征：語義化，人能很方便地理解每個標簽含義。這也使得用戶畫像模型具備實際意義。能夠較好的滿足業(yè)務(wù)需求。如，判斷用戶偏好。短文本，每個標簽通常只表示一種含義，標簽本身無需再做過多文本分析等預處理工作，這為利用機器提取標準化信息提供了便利。
人制定標簽規(guī)則，并能夠通過標簽快速讀出其中的信息，機器方便做標簽提取、聚合分析。所以，用戶畫像，即：用戶標簽，向我們展示了一種樸素、簡潔的方法用于描述用戶信息。
3.1 數(shù)據(jù)源分析
構(gòu)建用戶畫像是為了還原用戶信息，因此數(shù)據(jù)來源于：所有用戶相關(guān)的數(shù)據(jù)。
對于用戶相關(guān)數(shù)據(jù)的分類，引入一種重要的分類思想：封閉性的分類方式。如，世界上分為兩種人，一種是學英語的人，一種是不學英語的人；客戶分三類，高價值客戶，中價值客戶，低價值客戶；產(chǎn)品生命周期分為，投入期、成長期、成熟期、衰退期…所有的子分類將構(gòu)成了類目空間的全部集合。
這樣的分類方式，有助于后續(xù)不斷枚舉并迭代補充遺漏的信息維度。不必擔心架構(gòu)上對每一層分類沒有考慮完整，造成維度遺漏留下擴展性隱患。另外，不同的分類方式根據(jù)應(yīng)用場景，業(yè)務(wù)需求的不同，也許各有道理，按需劃分即可。
本文將用戶數(shù)據(jù)劃分為靜態(tài)信息數(shù)據(jù)、動態(tài)信息數(shù)據(jù)兩大類。
靜態(tài)信息數(shù)據(jù)
用戶相對穩(wěn)定的信息，如圖所示，主要包括人口屬性、商業(yè)屬性等方面數(shù)據(jù)。這類信息，自成標簽，如果企業(yè)有真實信息則無需過多建模預測，更多的是數(shù)據(jù)清洗工作，因此這方面信息的數(shù)據(jù)建模不是本篇文章重點。
動態(tài)信息數(shù)據(jù)
用戶不斷變化的行為信息，如果存在上帝，每一個人的行為都在時刻被上帝那雙無形的眼睛監(jiān)控著，廣義上講，一個用戶打開網(wǎng)頁，買了一個杯子；與該用戶傍晚溜了趟狗，白天取了一次錢，打了一個哈欠等等一樣都是上帝眼中的用戶行為。當行為集中到互聯(lián)網(wǎng)，乃至電商，用戶行為就會聚焦很多，如上圖所示：瀏覽凡客首頁、瀏覽休閑鞋單品頁、搜索帆布鞋、發(fā)表關(guān)于鞋品質(zhì)的微博、贊“雙十一大促給力”的微博消息。等等均可看作互聯(lián)網(wǎng)用戶行為。
本篇文章以互聯(lián)網(wǎng)電商用戶，為主要分析對象，暫不考慮線下用戶行為數(shù)據(jù)（分析方法雷同，只是數(shù)據(jù)獲取途徑，用戶識別方式有些差異）。
在互聯(lián)網(wǎng)上，用戶行為，可以看作用戶動態(tài)信息的唯一數(shù)據(jù)來源。如何對用戶行為數(shù)據(jù)構(gòu)建數(shù)據(jù)模型，分析出用戶標簽，將是本文著重介紹的內(nèi)容。
3.2 目標分析
用戶畫像的目標是通過分析用戶行為，最終為每個用戶打上標簽，以及該標簽的權(quán)重。如，紅酒 0.8、李寧 0.6。
標簽，表征了內(nèi)容，用戶對該內(nèi)容有興趣、偏好、需求等等。
權(quán)重，表征了指數(shù)，用戶的興趣、偏好指數(shù)，也可能表征用戶的需求度，可以簡單的理解為可信度，概率。
3.3 數(shù)據(jù)建模方法
下面內(nèi)容將詳細介紹，如何根據(jù)用戶行為，構(gòu)建模型產(chǎn)出標簽、權(quán)重。一個事件模型包括：時間、地點、人物三個要素。每一次用戶行為本質(zhì)上是一次隨機事件，可以詳細描述為：什么用戶，在什么時間，什么地點，做了什么事。
什么用戶 ：關(guān)鍵在于對用戶的標識，用戶標識的目的是為了區(qū)分用戶、單點定位。
以上列舉了互聯(lián)網(wǎng)主要的用戶標識方法，獲取方式由易到難。視企業(yè)的用戶粘性，可以獲取的標識信息有所差異。
什么時間 ：時間包括兩個重要信息，時間戳+時間長度。時間戳，為了標識用戶行為的時間點，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的時間戳即可。因為微秒的時間戳精度并不可靠。瀏覽器時間精度，準確度最多也只能到毫秒。時間長度，為了標識用戶在某一頁面的停留時間。
什么地點 ：用戶接觸點，Touch Point。對于每個用戶接觸點。潛在包含了兩層信息：網(wǎng)址 + 內(nèi)容。網(wǎng)址：每一個url鏈接（頁面/屏幕），即定位了一個互聯(lián)網(wǎng)頁面地址，或者某個產(chǎn)品的特定頁面。可以是PC上某電商網(wǎng)站的頁面url，也可以是手機上的微博，微信等應(yīng)用某個功能頁面，某款產(chǎn)品應(yīng)用的特定畫面。如，長城紅酒單品頁，微信訂閱號頁面，某游戲的過關(guān)頁。
內(nèi)容 ：每個url網(wǎng)址（頁面/屏幕）中的內(nèi)容。可以是單品的相關(guān)信息：類別、品牌、描述、屬性、網(wǎng)站信息等等。如，紅酒，長城，干紅，對于每個互聯(lián)網(wǎng)接觸點，其中網(wǎng)址決定了權(quán)重；內(nèi)容決定了標簽。
注：接觸點可以是網(wǎng)址，也可以是某個產(chǎn)品的特定功能界面。如，同樣一瓶礦泉水，超市賣1元，火車上賣3元，景區(qū)賣5元。商品的售賣價值，不在于成本，更在于售賣地點。標簽均是礦泉水，但接觸點的不同體現(xiàn)出了權(quán)重差異。這里的權(quán)重可以理解為用戶對于礦泉水的需求程度不同。即，愿意支付的價值不同。
標簽 權(quán)重
礦泉水 1 // 超市
礦泉水 3 // 火車
礦泉水 5 // 景區(qū)
類似的，用戶在京東商城瀏覽紅酒信息，與在品尚紅酒網(wǎng)瀏覽紅酒信息，表現(xiàn)出對紅酒喜好度也是有差異的。這里的關(guān)注點是不同的網(wǎng)址，存在權(quán)重差異，權(quán)重模型的構(gòu)建，需要根據(jù)各自的業(yè)務(wù)需求構(gòu)建。
所以，網(wǎng)址本身表征了用戶的標簽偏好權(quán)重。網(wǎng)址對應(yīng)的內(nèi)容體現(xiàn)了標簽信息。
什么事 ：用戶行為類型，對于電商有如下典型行為：瀏覽、添加購物車、搜索、評論、購買、點擊贊、收藏 等等。
不同的行為類型，對于接觸點的內(nèi)容產(chǎn)生的標簽信息，具有不同的權(quán)重。如，購買權(quán)重計為5，瀏覽計為1
紅酒 1 // 瀏覽紅酒
紅酒 5 // 購買紅酒
綜合上述分析，用戶畫像的數(shù)據(jù)模型，可以概括為下面的公式：用戶標識 + 時間 + 行為類型 + 接觸點（網(wǎng)址+內(nèi)容），某用戶因為在什么時間、地點、做了什么事。所以會打上**標簽。
用戶標簽的權(quán)重可能隨時間的增加而衰減，因此定義時間為衰減因子r，行為類型、網(wǎng)址決定了權(quán)重，內(nèi)容決定了標簽，進一步轉(zhuǎn)換為公式：
標簽權(quán)重=衰減因子×行為權(quán)重×網(wǎng)址子權(quán)重
如：用戶A，昨天在品尚紅酒網(wǎng)瀏覽一瓶價值238元的長城干紅葡萄酒信息。
標簽：紅酒，長城
時間：因為是昨天的行為，假設(shè)衰減因子為：r=0.95
行為類型：瀏覽行為記為權(quán)重1
地點：品尚紅酒單品頁的網(wǎng)址子權(quán)重記為 0.9（相比京東紅酒單品頁的0.7）
假設(shè)用戶對紅酒出于真的喜歡，才會去專業(yè)的紅酒網(wǎng)選購，而不再綜合商城選購。
則用戶偏好標簽是：紅酒，權(quán)重是0.95*0.7 * 1=0.665，即，用戶Ａ：紅酒 0.665、長城 0.665。
上述模型權(quán)重值的選取只是舉例參考，具體的權(quán)重值需要根據(jù)業(yè)務(wù)需求二次建模，這里強調(diào)的是如何從整體思考，去構(gòu)建用戶畫像模型，進而能夠逐步細化模型。
四、總結(jié) ：
本文并未涉及具體算法，更多的是闡述了一種分析思想，在計劃構(gòu)建用戶畫像時，能夠給您提供一個系統(tǒng)性、框架性的思維指導。
核心在于對用戶接觸點的理解，接觸點內(nèi)容直接決定了標簽信息。內(nèi)容地址、行為類型、時間衰減，決定了權(quán)重模型是關(guān)鍵，權(quán)重值本身的二次建模則是水到渠成的進階。模型舉例偏重電商，但其實，可以根據(jù)產(chǎn)品的不同，重新定義接觸點。
比如影視產(chǎn)品，我看了一部電影《英雄本色》，可能產(chǎn)生的標簽是：周潤發(fā) 0.6、槍戰(zhàn) 0.5、港臺 0.3。
最后，接觸點本身并不一定有內(nèi)容，也可以泛化理解為某種閾值，某個行為超過多少次，達到多長時間等。
比如游戲產(chǎn)品，典型接觸點可能會是，關(guān)鍵任務(wù)，關(guān)鍵指數(shù)（分數(shù)）等等。如，積分超過1萬分，則標記為鉆石級用戶。鉆石用戶 1.0。
大數(shù)據(jù)時代下的用戶洞察
大數(shù)據(jù)是物理世界在網(wǎng)絡(luò)世界的映射，是一場人類空前的網(wǎng)絡(luò)畫像運動。網(wǎng)絡(luò)世界與物理世界不是孤立的，網(wǎng)絡(luò)世界是物理世界層次的反映。數(shù)據(jù)是無縫連接網(wǎng)絡(luò)世界與物理世界的DNA。發(fā)現(xiàn)數(shù)據(jù)DNA、重組數(shù)據(jù)DNA是人類不斷認識、探索、實踐大數(shù)據(jù)的持續(xù)過程。
網(wǎng)絡(luò)畫像分為行為畫像、健康畫像、企業(yè)信用畫像、個人信用畫像、靜態(tài)產(chǎn)品畫像、旋轉(zhuǎn)設(shè)備畫像、社會畫像和經(jīng)濟畫像等八類。
未來，人生的每個歷程無時無刻不由數(shù)據(jù)驅(qū)動。
未來，設(shè)備全生命周期也將由數(shù)據(jù)驅(qū)動。
四大引擎
場景引擎：個性化的核心，判斷用戶處于哪個購物環(huán)節(jié)，有什么樣的購物目標；
規(guī)則引擎：業(yè)務(wù)的核心，結(jié)合用戶、場景、算法輸出數(shù)據(jù)和業(yè)務(wù)KPI，決定為用戶推薦哪些內(nèi)容；
算法引擎：計算用戶之間的相似度、商品之間的相似度、用戶對商品的評分、用戶分群、熱門排行……
展示引擎：將推薦內(nèi)容以最佳的展示方式呈現(xiàn)在用戶面前。
推薦引擎的核心是將購物流程數(shù)據(jù)化，而其前提是將用戶數(shù)據(jù)化。如何將用戶數(shù)據(jù)化呢？就是用戶畫像。
用戶畫像的目標、方式、組織、標準和驗證等幾個特點。
用戶側(cè)寫可能更加準確的描述“用戶畫像”這個詞，因為我們是通過有限的信息來描述一個人，而非通過全息相機照相的模式來描述一個人。
從技術(shù)角度來看，人在網(wǎng)絡(luò)空間是一個比特流，人們認識人的方式發(fā)生重大改變，由物理空間的“相面”轉(zhuǎn)變?yōu)榫W(wǎng)絡(luò)空間比特流解析，更重要的是教會機器按照人類交給他的規(guī)則從這些比特流進行自動識別。能夠從千萬計的用戶中找出金融詐騙者、恐怖分子等。
如何實現(xiàn)這一過程？這就需要一種類似成像技術(shù)中的像素來對人的特征進行刻畫，這就是畫像中的標簽。
大數(shù)據(jù)用戶畫像其實就是對現(xiàn)實用戶做的一個數(shù)學模型，在整個數(shù)學模型中，其核心是，怎么描述業(yè)務(wù)知識體系，而這個業(yè)務(wù)知識體系就是本體論，本體論很復雜，我們找到了一個特別樸素的實現(xiàn)，就是標簽。建好模型以后，要在業(yè)務(wù)的實踐中去檢驗，并且不斷完善，不斷豐富這個模型，來達到利用比特流對人越來越精確的理解。用戶畫像不是一個數(shù)學游戲，不是一個技術(shù)問題，實際上是一個業(yè)務(wù)問題。因為最核心的是你去如何理解用戶，了解你的用戶。它是技術(shù)與業(yè)務(wù)最佳的結(jié)合點，也是一個現(xiàn)實跟數(shù)據(jù)的最佳實踐。
基于個人可以知道他所在的城市是在北京，男性，公司在百分點，喜歡的品類是男鞋、運動鞋，喜歡的品牌有耐克、阿迪達斯等等。每一個標簽都有一個權(quán)重值。可以看到，耐克的權(quán)重值比阿迪達斯更高一些。
這幅圖是通過云圖的方式對百分點創(chuàng)始人/董事長兼CEO蘇萌進行的特征畫像。
以手機商品屬性為例，包括品牌、品類、型號、上市時間、價格、顏色、網(wǎng)絡(luò)、操作系統(tǒng)、分辨率、屏幕尺寸等等。
標簽管理體系具有如下特性。
有多種標識方式對用戶進行識別，這就像社會生活中的身份證號碼一樣，只不過換成了網(wǎng)絡(luò)空間的手機號、Cookie、IMEI、Email、微博、微信賬號等，在處理過程中，這些信息都是加密的，機器知道但人不知道。
百分點用戶畫像邏輯架構(gòu)如下圖所示，通過對電商、社區(qū)、移動應(yīng)用、微博、微信等多種類別的數(shù)據(jù)源進行采集，然后對用戶進行畫像，最終在個性化推薦、用戶洞察、精準營銷等方面進行應(yīng)用。百分點的數(shù)據(jù)源多且龐大，服務(wù)的客戶超過了1500多家，覆蓋行業(yè)超過了40多個。舉例來說，一個網(wǎng)民，他在訪問一個電商A，同時又訪問了一個電商B，這兩個電商本身的知識體系是不一樣的。比如說這個用戶他訪問一雙鞋，他在電商A上的品類可能是鞋-男鞋-運動鞋，在網(wǎng)站B上可能是運動-戶外-男鞋，品類描述可能是不一樣的。所以百分點打造了這么一個系統(tǒng)，叫商品畫像系統(tǒng)。通過這個系統(tǒng)，所有的標簽就有了一個標簽規(guī)劃，之后就可以去構(gòu)建這個用戶在全網(wǎng)的用戶畫像標簽。用戶畫像只是一個起點，而不是一個結(jié)束。基于此，還可以打造一系列的服務(wù)，比如精準營銷、個性化推薦等。
下圖是用戶畫像的技術(shù)架構(gòu)圖。
我們可以看到總共分為五層：
第一是數(shù)據(jù)源；
第二層是數(shù)據(jù)采集服務(wù)，百分點有一堆數(shù)據(jù)采集服務(wù)，包括我們的數(shù)據(jù)探頭，能夠?qū)τ脩舻男袨檫M行一個實時采集；
第三層是數(shù)據(jù)預處理，主要是結(jié)構(gòu)化；
第四層是商品畫像，這一塊都是我們的用戶畫像服務(wù)。我們可以看到用戶畫像是分兩大塊，實時處理更偏重于預測用戶畫像的需求，離線處理更偏重于用戶的長期偏好；
第五是統(tǒng)一的數(shù)據(jù)接口，還有就是集群，上面可以接入各種各樣的應(yīng)用。
下圖是用戶標簽產(chǎn)出流程示例。
用戶在互聯(lián)網(wǎng)上的行為主要分為電商類、社交類和媒體類。每種行為差異很大，電商類行為包括瀏覽、搜索、添加購物車、收藏、支付等，而社交類則是點贊、轉(zhuǎn)發(fā)、評論等。
接著下一步需要對頁面標簽進行抽取，在做這件事情之前需要訓練模型，首先準備訓練數(shù)據(jù)，通過標注和規(guī)則生成，再就是對于序列集做一個序列化處理。首先會得到一個弱模型，最終得到一個強模型，然后把自己的參數(shù)都保留下來。這個時候我們會加一個決策，如果說效果不太好的話，我們會進行下一輪的優(yōu)化。當這個模型設(shè)置之后，我們就可以去做預測了。我們的預測總共分為四大塊，包括輸入、輸入預處理、預測和產(chǎn)出。也就是說用戶這個標簽已經(jīng)有了，這個標簽對用戶的信譽度是1還是0？這個時候就到了用戶行為建模。用戶行為建模的背后思想主要可以認為有兩大塊，成本越高行為權(quán)重越高，下單就比瀏覽更高一些，時間越近的行為權(quán)重越高，比如我今天看了一個手機，一定比我一周前看了一次電腦權(quán)重要高一些。我們可以按場景去分，首先是產(chǎn)生需求，再就是決策，然后是結(jié)束，百分點基于業(yè)務(wù)考慮，實行標簽權(quán)重積累的機制。
這是我們的客戶某航空公司的案例，項目目的是挖掘高價值旅客，希望通過分析旅客出行偏好優(yōu)化運力資源。最終百分點幫他構(gòu)建了5個標簽大類，75個標簽小類，數(shù)萬個小標簽，以下是當時的一些效果截圖。
剛才講的都是百分點已經(jīng)做的事情，但是百分點做得還遠遠不夠。接下來可能會在四大方面深入思考和實踐：一是不同的場景，也就是說用戶在家里和在辦公環(huán)境下代表的偏好是不一樣的；二是用戶心理學特征，比如當一個用戶看一件女裝的時候，她這個時候是無聊去逛還是有目的的逛，反映在標簽權(quán)重上是不一樣的；三是讓用戶主動反饋反感點，我們強調(diào)了許多，一般都是在強調(diào)用戶喜歡什么，但是用戶不喜歡什么，我們做得還不夠，我們應(yīng)該讓用戶主動告訴我們他不喜歡什么，比如他不喜歡吃蔥，他不喜歡吃羊肉串，這樣我們預測的時候會準得多；四是用戶的興趣轉(zhuǎn)移快速捕獲，一開始我們使用的是一個半衰期的，而且按頻率細分，我們是否可以按人去分？比如按訪次去分？比如針對品類手機這個標簽，對于手機發(fā)燒友，可能過了一年他依然會對手機比較感興趣，但是對于像我這種，只有想購買的時候才去看，可能我兩天不看，就表示這個興趣已經(jīng)衰減為零了。
