全面闡述用戶畫像數(shù)據(jù)建模方法

從1991年Tim Berners-Lee發(fā)明了萬維網(wǎng)（World Wide Web）開始，到20年后2011年，互聯(lián)網(wǎng)真正走向了一個新的里程碑，進入了“大數(shù)據(jù)時代”。經(jīng)歷了12、13兩年熱炒之后，人們逐漸冷靜下來，更加聚焦于如何利用大數(shù)據(jù)挖掘潛在的商業(yè)價值，如何在企業(yè)中實實在在的應用大數(shù)據(jù)技術。伴隨著大數(shù)據(jù)應用的討論、創(chuàng)新，個性化技術成為了一個重要落地點。相比傳統(tǒng)的線下會員管理、問卷調查、購物籃分析，大數(shù)據(jù)"數(shù)據(jù)分析師"第一次使得企業(yè)能夠通過互聯(lián)網(wǎng)便利地獲取用戶更為廣泛的反饋信息，為進一步精準、快速地分析用戶行為習慣、消費習慣等重要商業(yè)信息，提供了足夠的數(shù)據(jù)基礎。伴隨著對人的了解逐步深入，一個概念悄然而生：用戶畫像（UserProfile），完美地抽象出一個用戶的信息全貌，可以看作企業(yè)應用大數(shù)據(jù)的根基。

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)分析或數(shù)據(jù)挖掘工作：利用關聯(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、廣告投放等各種應用領域，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：所有用戶相關的數(shù)據(jù)。

對于用戶相關數(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)應用場景，業(yè)務需求的不同，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)表關于鞋品質的微博、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)構建數(shù)據(jù)模型，分析出用戶標簽，將是本文著重介紹的內容。

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，以及該標簽的權重。如，紅酒 0.8、李寧 0.6。

標簽，表征了內容，用戶對該內容有興趣、偏好、需求等等。

權重，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

下面內容將詳細介紹，如何根據(jù)用戶行為，構建模型產出標簽、權重。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。數(shù)據(jù)分析師培訓

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，或者某個產品的特定頁面?？梢允?span>PC上某電商網(wǎng)站的頁面url，也可以是手機上的微博，微信等應用某個功能頁面，某款產品應用的特定畫面。如，長城紅酒單品頁，微信訂閱號頁面，某游戲的過關頁。

內容：每個url網(wǎng)址（頁面/屏幕）中的內容?？梢允菃纹返南嚓P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)址決定了權重；內容決定了標簽。

注：接觸點可以是網(wǎng)址，也可以是某個產品的特定功能界面。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)出了權重差異。這里的權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。這里的關注點是不同的網(wǎng)址，存在權重差異，權重模型的構建，需要根據(jù)各自的業(yè)務需求構建。

所以，網(wǎng)址本身表征了用戶的標簽偏好權重。網(wǎng)址對應的內容體現(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，對于接觸點的內容產生的標簽信息，具有不同的權重。如，購買權重計為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)址決定了權重，內容決定了標簽，進一步轉換為公式：

標簽權重=衰減因子×行為權重×網(wǎng)址子權重

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，假設衰減因子為：r=0.95

?      行為類型：瀏覽行為記為權重1

?      地點：品尚紅酒單品頁的網(wǎng)址子權重記為 0.9（相比京東紅酒單品頁的0.7）

假設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。

上述模型權重值的選取只是舉例參考，具體的權重值需要根據(jù)業(yè)務需求二次建模，這里強調的是如何從整體思考，去構建用戶畫像模型，進而能夠逐步細化模型。

四、總結：

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，接觸點內容直接決定了標簽信息。內容地址、行為類型、時間衰減，決定了權重模型是關鍵，權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)產品的不同，重新定義接觸點。

比如影視產品，我看了一部電影《英雄本色》，可能產生的標簽是：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。

比如游戲產品，典型接觸點可能會是，關鍵任務，關鍵指數(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。

百分點現(xiàn)已全面應用用戶畫像技術于推薦引擎中，在對某電商客戶，針對活動頁新訪客的應用中，依靠用戶畫像產生的個性化效果，對比熱銷榜，推薦效果有顯著提升：推薦欄點擊率提升27%， 訂單轉化率提升34%。數(shù)據(jù)分析師培訓