用户画像数据建模方法

1、什么是用户画像？

男，31岁，已婚，收入1万以上，爱漂亮食，团购达人，喜欢红酒配香烟。

这样一串描述即为用户画像的典型案例。若是用一句话来描述，即：用户信息标签化。

若是用一幅图来展示，即：

 

 

2、为何须要用户画像

用户画像的核心工做是为用户打标签，打标签的重要目的之一是为了让人可以理解而且方便计算机处理，如，能够作分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？

 

也能够作数据挖掘工做：利用关联规则计算，喜欢红酒的人一般喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布状况？

 

大数据处理，离不开计算机的运算，标签提供了一种便捷的方式，使得计算机可以程序化处理与人相关的信息，甚至经过算法、模型可以“理解” 人。当计算机具有这样的能力后，不管是搜索引擎、推荐引擎、广告投放等各类应用领域，都将能进一步提高精准度，提升信息获取的效率。

 

3、如何构建用户画像

一个标签一般是人为规定的高度精炼的特征标识，如年龄段标签：25~35岁，地域标签：北京，标签呈现出两个重要特征：语义化，人能很方便地理解每一个标签含义。这也使得用户画像模型具有实际意义。可以较好的知足业务需求。如，判断用户偏好。短文本，每一个标签一般只表示一种含义，标签自己无需再作过多文本分析等预处理工做，这为利用机器提取标准化信息提供了便利。

 

人制定标签规则，并可以经过标签快速读出其中的信息，机器方便作标签提取、聚合分析。因此，用户画像，即：用户标签，向咱们展现了一种朴素、简洁的方法用于描述用户信息。

 

3.1 数据源分析

构建用户画像是为了还原用户信息，所以数据来源于：全部用户相关的数据。

 

对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如，世界上分为两种人，一种是学英语的人，一种是不学英语的人；客户分三类，高价值客户，中价值客户，低价值客户；产品生命周期分为，投入期、成长期、成熟期、衰退期…全部的子分类将构成了类目空间的所有集合。

 

这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。没必要担忧架构上对每一层分类没有考虑完整，形成维度遗漏留下扩展性隐患。另外，不一样的分类方式根据应用场景，业务需求的不一样，也许各有道理，按需划分便可。

 

本文将用户数据划分为静态信息数据、动态信息数据两大类。

 

 

静态信息数据

用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，若是企业有真实信息则无需过多建模预测，更多的是数据清洗工做，所以这方面信息的数据建模不是本篇文章重点。

 

动态信息数据

用户不断变化的行为信息，若是存在上帝，每个人的行为都在时刻被上帝那双无形的眼睛监控着，广义上讲，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等同样都是上帝眼中的用户行为。当行为集中到互联网，乃至电商，用户行为就会聚焦不少，如上图所示：浏览凡客首页、浏览休闲鞋单品页、搜索帆布鞋、发表关于鞋品质的微博、赞“双十一大促给力”的微博消息。等等都可看做互联网用户行为。

 

本篇文章以互联网电商用户，为主要分析对象，暂不考虑线下用户行为数据（分析方法雷同，只是数据获取途径，用户识别方式有些差别）。

 

在互联网上，用户行为，能够看做用户动态信息的惟一数据来源。如何对用户行为数据构建数据模型，分析出用户标签，将是本文着重介绍的内容。

 

3.2 目标分析

用户画像的目标是经过分析用户行为，最终为每一个用户打上标签，以及该标签的权重。如，红酒 0.八、李宁 0.6。

标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。

权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，能够简单的理解为可信度，几率。

 

3.3 数据建模方法

下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件，能够详细描述为：什么用户，在什么时间，什么地点，作了什么事。

 

什么用户：关键在于对用户的标识，用户标识的目的是为了区分用户、单点定位。

 

 

以上列举了互联网主要的用户标识方法，获取方式由易到难。视企业的用户粘性，能够获取的标识信息有所差别。

 

什么时间：时间包括两个重要信息，时间戳+时间长度。时间戳，为了标识用户行为的时间点，如，1395121950（精度到秒），1395121950.083612（精度到微秒），一般采用精度到秒的时间戳便可。由于微秒的时间戳精度并不可靠。浏览器时间精度，准确度最多也只能到毫秒。时间长度，为了标识用户在某一页面的停留时间。

 

什么地点：用户接触点，Touch Point。对于每一个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每个url连接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。能够是PC上某电商网站的页面url，也能够是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微信订阅号页面，某游戏的过关页。

 

内容：每一个url网址（页面/屏幕）中的内容。能够是单品的相关信息：类别、品牌、描述、属性、网站信息等等。如，红酒，长城，干红，对于每一个互联网接触点，其中网址决定了权重；内容决定了标签。

 

注：接触点能够是网址，也能够是某个产品的特定功能界面。如，一样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不一样体现出了权重差别。这里的权重能够理解为用户对于矿泉水的需求程度不一样。即，愿意支付的价值不一样。

 

标签 权重

矿泉水 1 // 超市

矿泉水 3 // 火车

矿泉水 5 // 景区

 

相似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜爱度也是有差别的。这里的关注点是不一样的网址，存在权重差别，权重模型的构建，须要根据各自的业务需求构建。

 

因此，网址自己表征了用户的标签偏好权重。网址对应的内容体现了标签信息。

 

什么事：用户行为类型，对于电商有以下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。

 

不一样的行为类型，对于接触点的内容产生的标签信息，具备不一样的权重。如，购买权重计为5，浏览计为1

红酒 1 // 浏览红酒

红酒 5 // 购买红酒

 

综合上述分析，用户画像的数据模型，能够归纳为下面的公式：用户标识 + 时间 + 行为类型 + 接触点（网址+内容），某用户由于在什么时间、地点、作了什么事。因此会打上**标签。

 

用户标签的权重可能随时间的增长而衰减，所以定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：

标签权重=衰减因子×行为权重×网址子权重

 

如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。

• 标签：红酒，长城

• 时间：由于是昨天的行为，假设衰减因子为：r=0.95

• 行为类型：浏览行为记为权重1

• 地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）

   

假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而再也不综合商城选购。

 

则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户Ａ：红酒 0.66五、长城 0.665。

 

上述模型权重值的选取只是举例参考，具体的权重值须要根据业务需求二次建模，这里强调的是如何从总体思考，去构建用户画像模型，进而可以逐步细化模型。

 

4、总结：

本文并未涉及具体算法，更多的是阐述了一种分析思想，在计划构建用户画像时，可以给您提供一个系统性、框架性的思惟指导。

 

核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值自己的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，能够根据产品的不一样，从新定义接触点。

 

好比影视产品，我看了一部电影《英雄本色》，可能产生的标签是：周润发 0.六、枪战 0.五、港台 0.3。

 

最后，接触点自己并不必定有内容，也能够泛化理解为某种阈值，某个行为超过多少次，达到多长时间等。

 

好比游戏产品，典型接触点可能会是，关键任务，关键指数（分数）等等。如，积分超过1万分，则标记为钻石级用户。钻石用户 1.0。

 

百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提高：推荐栏点击率提高27%， 订单转化率提高34%。