用户画像分享

一、用户画像概述

1.1 什么是用户画像

用户画像分析是通过挖掘用户的自然属性、社会属性和行为属性，识别用户兴趣点并分析群体特征的过程。它是刻画用户个体或群体全方位特征的重要手段，为运营分析人员提供用户偏好和行为信息，从而优化运营策略，并为产品设计提供准确的用户角色信息。
目前业界常使用的用户画像概念有2种，一种是 User persona，一种 User portrait，也有翻译为User profile。

1.1.1 用户角色（User persona）

根据Alan Cooper的《About Face》，用户角色是基于产品对真实世界的观察，抽象出来的具有代表性的虚拟用户模型，有时也被称为综合的用户原型（Composite User Archetype）。

主要特征如下：
●包含角色描述和用户目标
用户角色不仅涵盖了诸如姓名、年龄、地理位置、收入水平和职业背景等基本信息，以构建一个更加立体、贴近真实的用户形象，更重要的是揭示了该角色背后的驱动力——即用户的真正目的或愿望。这些目标反映了用户为何会使用某一产品或服务，并且是驱动他们行动的关键因素。
●可以代表相似的用户群体或类型，也可以代表个体
尽管用户角色本质上是一个虚构的概念，但它能够有效地概括一群具有共同特性和需求的人群。同时，它也可能聚焦于某个具体的“典型”个体，尽管这并不意味着存在一个完全匹配的实际人物。每个用户角色都是通过对多个真实案例的研究分析后构建而成的。
●强调在特定场景下对特定产品的使用
用户角色研究的是用户在具体情境下对产品的使用，关注其在一定范围内的行为、态度、能力、动机等。即使同一个角色，在不同产品下的动机也是有差异的，一般来说不轻易在不同产品间复用，需要考虑不同类产品的切入场景。

1.1.2 用户画像（User profile/User portrait）

指用户信息标签化，通过收集用户多维度的信息数据（如人口统计属性、社会属性、行为偏好、消费习惯等），并对其进行统计、分析，从而抽象出的用户信息全貌，相比user persona，它更侧重于数据挖掘、标签体系搭建。

这类画像主要特征如下：

• 真实性
  • 集合了每个个体的真实信息，如既有人口统计属性等静态信息，也有用户行为的动态信息。
• 时效性
  • 用户动态信息并非一层不变，可以实时追踪其变化。
• 覆盖度广
  • 既能监测到用户感兴趣的内容，也可以看到其不感兴趣的内容，维度众多，颗粒度粗细均有。

1.1.3 用户角色 对比 用户画像

1.1.4 用户标签

用户标签，即对用户某个维度属性的描述，具有相互独立、可枚举穷尽的特点；采集业务、日志、埋点等数据后，经过不同统计方式计算出用户属性、用户行为、用户消费、风险控制、社交等维度标签；例如：性别、年龄、近30日访问次数、购买水平、经常活跃时间段等，有关用户标签体系建设的详细描述，见下文。

1.2 为什么需要用户画像

在大数据背景下，用户数据的来源很多，大多都是非结构化数据，无法直接用于分析和模型训练，也难以从中直接提取有用信息。然而，通过对行为数据进行标签化处理，我们能够更直观地了解用户。这样，计算机也能理解用户行为，从而在个性化推荐、搜索、精准广告投放和智能营销等领域发挥作用。

建立完善的用户画像体系对互联网产品具有重要的战略意义。通过用户画像，可以构建分析平台，用于产品定位、竞品分析和营收分析，为产品方向和决策提供数据支持和事实依据。在产品运营和优化中，用户画像帮助深入了解用户需求，从而设计出更符合用户的产品，提升用户体验。

二、建设标签和标签体系

用户画像的核心工作就是给用户打“标签”，构建用户画像的第一步就是搞清楚需要构建什么样的标签，而构建什么样的标签是由业务需求和数据的实际情况决定的。下面介绍构建用户画像的整体流程和一些常用的标签体系。

2.1 标签分类

标签可以通过多种方式分类，从实现规则来看，主要分为以下三种类型：统计类标签、规则类标签和机器学习挖掘类标签。

1.统计类标签
这是最基础且常见的标签类型。例如，用户的性别、年龄、城市、星座，以及近7日的活跃时长、活跃天数、活跃次数等信息，可以通过用户注册数据和访问、消费数据统计得出。这类标签构成了用户画像的基础。

2.规则类标签
这些标签基于用户行为、属性和预设规则生成。例如，“消费活跃”用户可以定义为“近30天交易次数≥2”。在实际开发中，运营人员和数据人员需要合作制定这些规则，因为运营人员熟悉业务，而数据人员熟悉数据的结构和特征。

3.机器学习挖掘类标签
通过机器学习技术，这些标签用于预测和判断用户的某些属性或行为。例如，根据用户的消费习惯判断对某商品的偏好。这类标签通过算法挖掘生成。

在项目工程实践中，统计类和规则类标签通常能够满足大部分应用需求，因此在开发中占据较大比例。机器学习挖掘类标签则多用于预测场景，如判断用户性别、购买偏好、流失意向等。由于机器学习标签的开发周期较长且成本较高，其开发比例相对较小。
最终的标签体系需要从用户视角出发，并结合具体业务进行定义。例如，在电商业务中，可以包括用户属性维度标签、用户行为维度标签、用户消费维度标签、和社交属性维度标签。

2.2 标签建设流程

下面展示了标签建设流程，侧重于产品经理的视角，主要描述需求分析过程和文档产出，同时简要总结标签的开发原理。

2.2.1 需求收集与分析

业务流程还原：了解用户的决策流程和业务场景，比如用户是如何在你的App中购物的。
商业目的明确：确定你希望通过标签体系达到的商业目的，比如提高投递/用户活跃。
运营策略设计：根据商业目的设计运营策略，比如通过推送优惠券来吸引用户。

2.2.2 产出标签需求文档

标签体系文档：详细描述每个标签的规则、使用场景等。
埋点确定：确定需要采集哪些数据来支持标签的生成，比如为了生成“消费活跃”标签，需要采集用户的交易数据。
数据需求文档：详细描述需要采集的数据，包括数据的上报时机、形式等。

2.2.3 标签的开发

ETL作业：提取（Extract）、转换（Transform）、加载（Load）数据，将原始数据加工成适合分析的格式。
用户画像主题建模：基于加工后的数据，进行二次建模，生成用户标签。
标签结果数据存储：将计算出的标签结果存储起来，供后续使用。

2.2.4 标签发布与效果追踪

标签应用：将生成的标签应用到实际业务中，比如精准营销。
效果追踪：监控标签的应用效果，比如通过标签进行的营销活动转化率如何。
模型优化：根据效果反馈，不断调整和优化标签体系。

2.2.5 实践建议

从简单开始：先从基础的统计类标签开始，逐步引入更复杂的规则类和机器学习类标签。
持续迭代：标签体系不是一成不变的，需要根据业务发展和市场变化不断调整。
跨部门合作：标签体系的建设需要数据团队、产品团队、市场团队等多个部门的合作。

三、用户画像产品化

用户画像产品化是指将用户画像的概念和数据转化为实际的、可操作的产品功能和应用场景，以实现商业增值。这一过程涵盖了数据的采集、处理、分析和应用等多个关键环节。以下是用户画像产品化的详细流程。

3.1 用户画像产品系统架构

用户画像产品化的系统架构通常包括四个主要层级，数据按照以下路径流动：

• 数据集成
  • 客户端/服务端SDK：利用专门的软件开发工具包，从多种客户端（例如iOS、Android、微信小程序、网页等）收集用户的行为数据和属性信息。
  • 导入：将已有数据导入系统，以便于进一步分析。
  • 对接第三方应用：通过API接口与外部应用集成，丰富用户数据源。
• 数据接入
  • Kafka：一种高效的分布式消息队列系统，用于接收海量数据流，并将其平稳地传输给下游处理系统。
• 数据整合/标签计算
  • 数据仓库：用于大规模数据的存储和处理，包含用户属性和行为记录。
  • ETL作业：执行数据的抽取、转换和加载任务，确保数据质量。
  • 用户画像主题建模：基于业务需求对用户数据进行深度加工。
  • 标签计算：根据预设规则计算用户标签，形成多维度的用户描述。
• 标签应用
  • 前端画像展示：在界面中直观展示用户画像，便于业务人员理解和使用。
  • API接入其他系统：通过开放API接口，将用户画像数据无缝集成至营销、推荐等系统中。

3.2 用户画像产品功能模块

• 系统看板：提供核心用户数据的概览，如总用户数、标签种类及数量等。
• 标签管理：支持业务团队对标签进行创建、删除、修改和查询等操作。
• 用户画像：展示特定用户的详细资料，涵盖属性和行为信息。
• 用户分群和用户群画像：通过组合多个标签定义目标用户群，并分析其特性。
• BI分析：与商业智能工具结合，实现更深入的数据洞察和比较。
• OpenAPI：确保用户画像数据与其他系统的同步更新，维持数据的一致性。

3.3 用户画像的应用场景

用户画像产品化后，可在以下领域发挥作用：

• 经营分析：运用用户画像数据评估流量、用户、商品、订单、渠道及产品表现。
• 精准营销：通过短信、电子邮件、推送通知等方式实施个性化营销活动。
• 个性化推荐与服务：基于用户画像提供定制化的内容推荐，增强用户满意度和忠诚度。

3.4 用户画像实践案例

以携程商旅用户画像为例，根据业务需求主要分为五大类标签，分别为基本属性、客户关系管理类标签、消费偏好类标签、风控类标签、实时类标签，下面列举一些常用标签。

• 基本属性
  主要包括：公司ID、公司名称、所在城市、所属行业、注册时间、注册渠道、公司规模、公司类型等。
• CRM类标签
  • 生命周期：活跃时长、沉默时长、是否新用户等。
  • 业绩服务：退票率、投诉量、订单量、成交额等。
  • 用户价值：会员等级、消费频率等。
• 偏好类标签
  • 产品偏好：机票酒店占比等。
  • 出行偏好：热门出发城市、到达城市、酒店星级偏好、飞机舱位偏好等。
  • 增值服务：保险偏好等。
• 实时类标签
  • 过去十分钟查询预订占比
  • 过去十分钟页面浏览量
• 风控类标签
  • 账户逾期金额
  • 酒店入住城市离散度
  • 历史逾期次数
  • 信用评分

对比如下：

携程toB用户画像：
每个企业客户可能有多个人使用携程商旅的服务，这些人可能是公司的员工、项目经理、行政人员等，他们代表公司进行预订、审批等操作。
这些代表人（用户）在携程商旅平台上的行为数据（如预订习惯、偏好、消费模式等）被收集和分析，以构建企业客户的整体用户画像。
携程商旅通过分析这些代表人（用户）的行为数据，可以更好地理解企业客户的需求和偏好，从而提供更个性化的服务和产品。
例如，携程商旅可以根据企业客户的预订数据，提供定制化的差旅政策建议、优化预订流程、提供专属优惠等。

携程商旅用户画像数据流转结构涉及数据收集、特征计算、标签建模、标签接口和数据监控等多个环节。以下是对携程商旅用户画像数据流转结构的总结：

1. 数据收集：
   ●携程商旅用户画像数据主要来源于离线数据和线上实时埋点数据。
   ●离线数据存储在Hive数据仓库，包括业务数据、日志数据和其他BU共享的三方数据。
   ●实时埋点数据推送到Kafka集群，例如用户点击数据和浏览数据。

2. 特征计算：
   ●特征计算是将数据仓库的数据清洗转换成特征的过程，为标签建模服务。
   ●数据清洗转换包括异常值处理、数据平滑归一、数据聚合统计、缺失值处理和数据校验等。
   ●离线数据处理借助Spark SQL完成，在线数据处理借助Flink完成。
   ●清洗转换后的数据流入特征库，供后续标签建模使用。

3. 标签建模：
   ●标签建模采用基于业务规则转换、基于统计学建模和基于机器学习算法建模三种方法。
   ●基于业务规则的标签需要运营人员或需求方根据专业经验定义。
   ●基于统计学建模的标签根据统计学原理对窗口周期内的数据建模。
   ●基于机器学习算法建模的标签通过机器学习算法挖掘产生，如信用等级判定和消费金额预测。

4. 标签接口：
   ●离线标签数据存储在Hive中，生产数据存储在MongoDB和Redis中以提高接口响应速度和服务可用性。

5. 数据监控：
   ●数据流程监控调度主要借助Zeus数据管理平台和Grafana监控系统完成。
   ●监控贯穿数据生产消费的整个生命周期，报警方式包括邮件通知和IM通知等。
   ●监控内容包括数据源生产情况、任务调度失败、特征统计值、模型指标和接口响应时长等。

整个数据流转结构的设计旨在确保用户画像数据的准确性、实时性和可用性，以支持携程商旅的精细化运营和精准营销服务。