用户画像构建实践

    目前聚焦于金融行业的用户画像构建，已经有两家券商应用在精准营销、个性化产品推荐场景中，客户反馈很好，达成了客户期望的营销效果。构建用户画像的背景、目标，平台已经有很多文章提到，本文从细节着手，由点到面的方式，阐述如何构建标签体系来勾勒用户画像，进行实际场景中运用用。

    构建用户画像体系，有三个步骤：目标分析、体系构建、画像建立。    

    此处，我们需要搞清楚一个概念，什么是标签？在前面用户画像的定义中，用户画像是用户信息的标签化，用户的画像是由一个个标签组成的。

    标签一般是一个短语，是高度精炼的特征标识；

    标签是数据和业务的连接，例如：性别sex在数据库中以0和1存储，为0这个特征打标签“男”就具有了业务含义。

    从标签的含义中，可以看到标签有两个特点：1）语义化，能被理解；2）短文本，每个标签只有一种含义，方便机器提取标准化信息。

目标分析

所谓目标分析，关注点在具体的应用场景中，要构建怎样的用户画像。

如：在挽回流失客户场景中，通过流失客户模型勾勒出流失用户画像，具有哪些标签，针对性采取运营策略。

体系构建

体系构建的关键在数据、数据处理技术、和标签体系的梳理。

1.数据

数据要包含所有用户相关的数据，这些数据分散在各个系统中，比如crm、my、评论、用户设备、外部认证信息等。

从数据的动态更新上来划分，将数据分为静态信息数据、动态信息数据，目的是根据数据的更新情况，设定标签的更新频率。

什么是用户画像

普遍认可的有两类定义，即User Persona 和User Profile，用户画像体系中的画像更偏重后者。

User Persona：是产品设计、运营人员从用户群体中抽象出来的典型用户。

比如，用户调研阶段，产品经理经过调查问卷、用户访谈等方式，了解用户的共性与差异，将这些不同的特征汇总成为一个虚拟用户；

UserProfile：则是由每个用户在产品中留存的属性数据及行为数据，产出描述改用户的标签的集合，简单来说用户信息的标签化。

如：何某某，男，中年（35岁），已婚，收入较高（2万），吃货，偏好理财，喜欢投资稳健型产品。

构建用户画像目的

在日趋激烈的竞争环境中，企业试图通过用户画像来实现精准营销，提升营销的效果，降低营销成本。

用户画像的应用场景

个性化推荐、行为预测、智能营销

2.标签体系梳理

标签体系具有层次化的特征：

1）一级标签为人口属性、兴趣类标签、行为类标签、设备类标签、理财偏好、交易行为等，根据行业分类不尽相同；

2）二级标签是一级标签的细化，比如性别、年龄、学历；

3）三级标签为具体的标签，具有实际的含义，如性别下：男、女、未知；

一级和二级标签没有具体含义，只有统计学意义。一级、二级、三级标签在创建前，要规划并定义好各个标签属性：标签名称、标签性质（事实标签|衍生标签|模型标签）、标签分类、标签更新频率、标签使用范围、标签数据范围、标签计算口径等。

1）事实标签

基于原始数据，通过sql方式或简单的数理统计直接计算标签口径；特点：标签较容易构建，一般由公司的技术人员处理；

2）衍生标签

经由事实标签组合生成的标签，比如“女青年”要对女性标签、青年标签做交集运算获得。

3）模型标签

事实标签通过机器学习、自然语言处理技术建模得到模型标签；模型标签是用户标签的核心，模型标签的构建与实际业务指标紧密联系。在模型标签这里，着重要看标签的准确度和泛化能力。

最后，标签构建的优先级，要综合考虑业务需求、构建的难易程度等。

3.数据处理技术

常用的数据处理技术有数据etl、数据统计、机器学习、NLP(自然语言处理技术)。

1）数据ETL，即数据清洗，将各上游系统的结构化、半结构化、非结构化数据，采集、清洗、转化为结构化数据。

2）数据统计，常用求和、中位数、众数、平均数、平方差等方式进行标签探索，确定标签计算口径。3）机器学习，主要的算法有聚类算法、分类算法、决策树、自然语言处理等，主要用于预测及标签扩散的场景。

标签体系功能

标签体系功能包括：数据处理、标签管理、标签定义、标签计算、标签探索、标签输出、标签效果评估。

这里重点提下标签的效果评估，其他功能都在上文中有提到。从以下几个方面进行效果评估：

1）准确率；标签的准确率是指被打上正确标签的用户比例，可以借助混淆矩阵计算；

2）覆盖率：标签的覆盖率指的是被打上标签的用户占全量用户的比例

3）时效性：有些标签实效性很强：如兴趣偏好、交易行为；有些标签没有时效性，比如性别（金星姐姐除外，其实我也是爱她的）、星座，需要对标签计算频次的定义。

常见的画像体系，即DMP（data managerment system）数据管理平台，用户画像体系在DMP系统中基于用户分析和应用的一个场景，DMP整合了公司所有的数据包括用户数据、产品数据、工作人员数据等，那么DMP可以基于任意的维度进行分析和应用，目前主要的场景是以用户为中心的分析和应用。

市场上比较成熟的DMP产品有：腾讯广告、阿里达摩盘、神策数据等。

用户画像的建立

标签构建和评估后，通过审核，那么就给对应客户打上相应标签。用户画像的展现，其实是标签在用户的集中展示，通常采用数据可视化的方式展现。

用户画像一般分为单客户画像和群体画像。在某些公司，用户画像是DMP的一个子模块，也有将用户画像单独提出来的情形。