用户画像的方法、实践与行业应用

来源：百分点首席架构师刘译璟博士分享

基于大数据的用户画像构建(理论篇)

基于大数据的用户画像构建（理论篇） ◎什么是用户画像？简而言之，用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。举例来说，如果你经常购买一些玩偶玩具，那么电商网站即可根据玩具购买的情况替你打上标签“有孩子”，甚至还可以判断出你孩子大概的年龄，贴上“有5-10岁的孩子”这样更为具体的标签，而这些所有给你贴的标签统在一次，就成了你的用户画像，因此，也可以说用户画像就是判断一个人是什么样的人。

除去“标签化”，用户画像还具有的特点是“低交叉率”，当两组画像除了权重较小的标签外其余标签几乎一致，那就可以将二者合并，弱化低权重标签的差异。 ◎用户画像的作用罗振宇在《时间的朋友》跨年演讲上举了这样一个例子：当一个坏商家掌握了你的购买数据，他就可以根据你平常购买商品的偏好来决定是给你发正品还是假货以提高利润。且不说是否存在这情况，但这也说明了利用用户画像可以做到“精准销售”，当然了，这是极其错误的用法。其作用大体不离以下几个方面： 1.精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销； 2.用户统计，比如中国大学购买书籍人数TOP10，全国分城市奶爸指数； 3.数据挖掘，构建智能推荐系统，利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌，利用聚类算法分析，喜欢红酒的人年龄段分布情况； 4.进行效果评估，完善产品运营，提升服务质量，其实这也就相当于市场调研、用户调研，迅速下定位服务群体，提供高水平的服务； 5.对服务或产品进行私人定制，即个性化的服务某类群体甚至每一位用户（个人认为这是目前的发展趋势，未来的消费主流）。比如，某公司想推出一款面向5－10岁儿童的玩具，通过用户画像进行分析，发现形象＝“喜羊羊”、价格区间＝“中等”的偏好比重最大，那么就给新产品提供类非常客观有效的决策依据。 6.业务经营分析以及竞争分析，影响企业发展战略

快速构建用户画像

思路+步骤+方法，三步教你如何快速构建用户画像如果你走在大街上，看到迎面走来了一个前凸后翘、长发飘飘、五官精致、皮肤白皙、大腿修长的人，你内心肯定会一阵惊喜：“哇，美女！”。假如你对这个美女产生了兴（性）趣，你想追求这个美女，那么你会想办法去了解这个美女，比如约她吃饭，出去玩以了解她的性格特征，从她闺蜜那打听她的兴趣、爱好等。当你对这个美女的外在和内在都做了详细的了解之后，你觉得的实时机差不多了，就开始了对美女的表白。其实在你向美女表白前的一些列过程就是在对这个美女进行画像。你在表白前你肯定会对这个美女有了以下判断：外在，她是一个美女。判断依据：前凸后翘，长发飘飘，五官精致，皮肤白皙，大腿修长内在，她很温柔、贤惠、知书达理，她喜欢……判断依据：声音好听、细腻，举止优雅，会做饭，能持家，善解人意等其实我们在做产品或者运营过程中的用户画像也是同样的道理和思路，前面是对单个人的特征描述。在做产品运营过程中的用户画像唯一不同的就是：我们需要对一群人做特征描述，是对一个群体的共性特征的提炼，说白了就是给用户群体打标签。所以用一句话概括：用户画像就是给用户打标签！当然给用户画像不是随随便便的给用户打几个标签就完事，就像你追美女之前的了解工作一样，你需要对美女的外表进行判断，你需要通过跟美女的交往和沟通，或者从闺蜜那进行打听来了解美女的性格，爱好和需求。所以我们在构建用户画像的时候需要遵循一定的思路、步骤和方法。用户画像的思路前面在用美女举例的时候，对美女从内在和外在两个方面进行了判断，用户画像的构建思路其实也是从这两个方面进行展开。在这里我们称之为：显性画像和隐性画像两个方面，具体的思路都是围绕这两个方面进行展开。

大数据挖掘的用户画像应用方案

在大数据时代，机器要学会从比特流中解读用户，构建用户画像就变得尤其重要。本文介绍了用户画像的理论和实践，以及在实际中的应用。如何根据用户画像进行精准营销？将用户画像应用于个性化推荐？一起来寻找答案吧~ 首先看一下大数据与应用画像的关系，现在大数据是炙手可热，相信大家对大数据的四个V都非常了解，大数据应该说是信息技术的自然延伸，意味着无所不在的数据。我们先看下数据地位发生转变的历史，在传统的IT时代，TI系统围绕业务服务，在这个服务的过程中沉淀了很多数据，再在数据的基础上做一些分析。但是到了DT时代不一样了，数据是现实世界的虚拟化表现，数据本身构成了一个虚拟世界，IT系统构建在虚拟系统上，变得更加智能。

大数据无处不在体现在几个方面第一个就是说我们社会信息化的建设越来越发达。第二个是随着可穿戴设备的发展，人产生了越来越多的数据，接入网络当中，同时人和人之间沟通的方式也不仅仅是传统的面对面，传统理解人、与人沟通的方式发生了根本的变革，因此我们要学会从比特流中去认识人类，因此构建用户画像这件事就变得更加重要。而且现在机器也变得很智能了，所以我们还要教会机器来认识人类，这样才能在画像的基础上构建应用，譬如个性化推荐、精准广告、金融征信等等。之前我一直是在从事这方面的应用开发，因此知道用户画像对于这些应用的重要性。如果大家是来自互联网公司的话，我们经常会提到这些词：用户画像、标签、360度用户视图等等，有不少人甚至就是做这面的研发工作，但是这些概念让你感觉有一点似是而非，我以前也有这样的感觉，就是说没有从根本上把这些概念弄清楚，因此有必要把这些概念从根本上弄清楚。首先看一下我们生活中的用户画像

用户画像数据建模方法

用户画像数据建模方法从1991年Tim Berners-Lee发明了万维网（World Wide Web）开始，到20年后2011年，互联网真正走向了一个新的里程碑，进入了“大数据时代”。经历了12、13两年热炒之后，人们逐渐冷静下来，更加聚焦于如何利用大数据挖掘潜在的商业价值，如何在企业中实实在在的应用大数据技术。伴随着大数据应用的讨论、创新，个性化技术成为了一个重要落地点。相比传统的线下会员管理、问卷调查、购物篮分析，大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。伴随着对人的了解逐步深入，一个概念悄然而生：用户画像（UserProfile），完美地抽象出一个用户的信息全貌，可以看作企业应用大数据的根基。一、什么是用户画像？男，31岁，已婚，收入1万以上，爱美食，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。如果用一句话来描述，即：用户信息标签化。如果用一幅图来展现，即：二、为什么需要用户画像用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：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？也可以做数据挖掘工作：利用关联规则计算，喜欢红酒的人通常喜欢什么运动品牌？利用聚类算法分析，喜欢红酒的人年龄段分布情况？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，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解” 人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。三、如何构建用户画像

基于大数据的校园就业用户画像的构建与应用

2019年9月10日第3卷第17期现代信息科技 Modern Information Technology Sep.2019 Vol.3 No.17 1102019.9 基于大数据的校园就业用户画像的构建与应用刘艳（湖南科技职业学院软件学院，湖南长沙 410118）摘要：随着时代的发展和进步，大数据理念已经逐渐为人们所熟知，并无时无刻不在影响着人们的生活和工作。通过利用大数据能够有效促进校园管理和建设的开展，能够对校园就业情况进行用户画像建设，一方面实现校园就业用户的更好管理，另一方面也能够促进校园就业工作的更好开展。关键词：大数据；校园就业；用户画像；数据收集中图分类号：TP311.13；TP391.1 文献标识码：A 文章编号：2096-4706（2019）17-0110-03 Construction and Application of Campus Employment User Portrait Based on Big Data LIU Yan （Software College of Hunan Vocational College of Science and Technology ，Changsha 410118，China ） Abstract ：With the development and progress of the times ，the concept of big data has gradually become known to people ，and has always been affecting people ’s lives and work. The use of big data can effectively promote the development of campus management and construction ，and can build user portraits of campus employment. On the one hand ，it can achieve better management of campus employment users ，on the other hand ，it can also promote better development of campus employment work. Keywords ：big data ；campus employment ；user portrait ；data collection 收稿日期：2019-07-08 0 引言伴随着大数据时代的到来，社交网络与互联网的应用范围处于持续扩大之中。在整个互联网中，社交发挥着重要的基础作用。对于各个重大网站而言，其重要课题之一就是采集用户数据，并对其开展科学推荐工作。在开展个性化推荐工作的过程中，其包括许多步骤，用户画像提取过程发挥着关键作用。 1 画像的定义和用途 1.1 画像的定义画像与profile 为同一概念，均是通过不同的维度，来对一个人进行描述，这些维度可以是事实的，亦可以是抽象的；可以是性别、年龄等自然属性，亦可以为职业、社交特征等社会属性；可以为是否高收入人群、是否有固定资产等财富情况，亦可以为是否已婚、是否有子女等家庭情况；可以是喜欢网购、喜欢逛商场等购物习惯，亦可以是位于在城市生活等位置特征；也可以是其他行为习惯。总而言之，在画像的范围中，将各个大家能够想象到的表达一个人特征的都包括进来，实际上，画像就是利用各种方法，通过数据来对人的特征进行描述。 1.2 画像的用途（1）能够精确开展相关营销工作，对产品潜在用户进行科学分析。通过短信邮件等形式，针对特定群体，开展相关营销工作。（2）针对对用户进行相关统计，例如：全国就业高等院校有哪些、中国大学购买书籍人数TOP10等。（3）进一步挖掘相关数据，建设智能推荐系统，通过关联规则，开展相关计算工作，比如，就业岗位更喜欢什么样的学生。通过聚类算法，开展相关分析工作，了解就业学生的特点以及行业分布状况等。（4）开展效果评估工作，健全产品运营情况，以此来实现服务质量的提升。换而言之，就是开展市场与用户调研活动，在短时间内对服务群体做出定位，并提供具备较高水平的服务，（5）针对特殊用户开展私人定制工作，换而言之，对某类群体，甚至每位用户提供个性化服务。（6）可以科学分析业务经营情况，亦可以合理分析竞争情况，上述分析结果会对企业发展战略的制定与实施，造成一定的影响。 2 大数据的校园就业用户画像的构建和应用 2.1 数据收集通常情况下，在数据收集方面，可以分为四种类型，即：基本用户数据、就业行为数据、就业行业数据以及未来发展数据。（1）基本用户数据。其主要内容包括就业学生的姓名、性别、年龄、年级、学习的专业等。（2）就业行为数据。其主要包含：就业中的表现、就业的情绪、就业过程中的经历、面试的单位、参与面试的心

建立用户画像的标签体系

建立用户画像的标签体系王建军前一篇粗略的介绍了建立用户画像的过程，连载二更进一步，以时尚杂志全媒体为业务原型，把抽象的文字描述实例化，从战略目的分析、如何建立用户画像体系、怎么对标签进行分类分层级三个不同角度来说说用户画像建立的过程。梳理标签体系是实现用户画像过程中最基础、也是最核心的工作，后续的建模、数据仓库搭建都会依赖于标签体系。可以获取到的数据分两类，一类是业务系统数据，一类是用户访问网站、APP产生的行为数据。不同的企业做用户画像有不同的战略目的，广告公司做用户画像是为精准广告服务，电商做用户画像是为用户购买更多商品，内容平台做用户画像是推荐用户更感兴趣的内容提升流量再变现。战略理清楚后，首先要画出描述用户画像的框架，建立用户画像体系框架的目的是进一步明确用户画像的用途、把标签限定在合理的范围内。具体要结合战略目标、数据情况、应用场景来规划标签系统，选取和战略目标一致的标签维度，把标签按照应用场景进行分门别类。同时注意聚焦和收敛，不要把没用标签装进来，以降低系统的复杂性，避免无用信息干扰分析过程。用户画像体系和标签分类从两个不同角度来梳理标签，用户画像体系偏战略和应用，标签分类偏管理和技术实现侧。把标签分成不同的层级和类别，一是方便管理数千个标签，让散乱的标签体系化；二是维度并不孤立，标签之间互有关联；三可以为标签建模提供标签子集，例如计算美妆总体偏好度，主要使用美妆分类的标签集合。

梳理某类别的子分类时，尽可能的遵循MECE原则（相互独立、完全穷尽），尤其是一些有关用户分类的，要能覆盖所有用户，但又不交叉。比如：用户活跃度的划分为核心用户、活跃用户、新用户、老用户、流失用户，用户消费能力分为超强、强、中、弱，这样按照给定的规则每个用户都有分到不同的组里。标签还可以按照处理过程、标签获取的方式进行划分，分为事实标签、模型标签、预测标签。不同类别的处理方式不一样。事实标签：直接从原始数据中提取，例如性别、年龄、住址、上网时段等等模型标签：需要建立模型进行计算，例如美妆总体偏好度预测标签：通过预测算法挖掘，例如试用了某产品后是否想买正品但是有些事实标签，如果用户没有填写的话，就需要建立模型来预测。例如数据库中的年龄字段为空，建立依据用户行为来建立特征工程，然后做预测。参考文档《如何构建用户画像》《你确定你真的懂用户画像？》