推荐策略（2）——用户画像

一、用户画像的作用

· 精准营销。我们知道用户对什么感兴趣，就可以利用短信、邮件、产品内广告等途径，进行精准推荐。

· 用户统计。比如我们想知道中国大学购买书籍人数top10，可以从京东对京东的用户画像进行筛选，再通过统计得到。

· 优化产品效率。基于用户画像来构建推荐系统，增加用户留存时间，可以提升产品效率，降低成本。

· 构建推荐系统。通过用户画像构建，我们可以得到不同物品的关联度，比如高消费人群，喜欢红酒，也喜欢某运动品牌。

· 进行效果评估。比如产品上线某功能之后，需要运营同学针对不同层级用户做运营推广，需要清晰的用户画像。

· 对服务或产品进行个性化定制，这也是未来的消费主流。

· 有利于进行业务分析，制定下一步发展战略。只有知道了用户是什么样的特点，才能针对用户做某些功能。以即刻为例，最开始的save time型内容订阅产品，用户主要为高知人群，希望高效利用时间，到如今向下沉人群转移，有了更多的UGC输出。

二、用户画像的构建

1 新用户

登录前（已经下载了app）：

（1）硬件设备：型号、厂商、是否是重装、位置、同一wifi用户

（2）读取权限：通讯录、已安装软件信息（美柚，女性用户可能大）、获客渠道（如邀请码）

登录中：

第三方方式登录，减少用户操作成本，又可以获取第三方应用信息

登录后：

（1）用户主动选择感兴趣领域，如36氪。问题在于用户可能并不了解自己，所以选择的并不一定代表自己真正感兴趣的，愿意花时间去阅读的。

（2）内容冷启动，推送热点内容，根据用户反馈，不断更新用户画像。

（3）补贴。如“发财中国年”活动，集卡拉新，提现需要完善个人信息（性别、昵称、个性签名等都可以给出用户画像标签的概率）；如今日头条极速版，完善个人信息可以拿红包，调整提现金额。

（4）游戏。如网易经常会有类似的运营活动，测测你的性格类别，需要填写用户信息。

（5）活动报名。如微博校园红人，需要填写擅长领域，那么这部分会是用户感兴趣的。

2 老用户

（1）用户行为。主要包括显性行为（点赞、关注、评论、转发等正向反馈，不感兴趣等负向反馈）和隐性行为（阅读时长），还可以定义一些数据维度，比如：内容跳出率=完整阅读文章数目/点开此类型文章数目。

（2）不断丰富内容。找到感兴趣的新用户，也可以挖掘出老用户的新兴趣。在具体操作的时候，对大品牌通过增加权重的方式，扩大投放量，用规模换效果，而小品牌采取内容针对特定人群展示的方法。

最终，通过用户的基本数据，给相应的特征词附上权重，构建出包括基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络方面的用户画像。

总结

用户画像构建主要有四个流程：

（1）原始数据-用户信息、行为数据、消费明细

（2）事实标签-阅读内容类型、活跃度、用户价值、退换次数

（3）模型标签-性别预测、工作预测、兴趣偏好、流失预测

（4）策略标签-潜在用户（拉新）、待维护用户（激活、留存）、待发展用户（消费）、待挽回用户（流失预警）

说一个case。

用户１看了文章ａ，题目是“看看湖人队的科比当年都做了什么？”，在文章下面评论：科比好样的！又看了文章ｂ，题目是“湖人队主场负尼克斯，帮对手终结８连败”，阅读之后，就关闭了文章。

自然语言处理模块分析“科比好样的”，得知用户1对科比的反馈是正向的；评论的行为使得用户1与科比标签强相关；那么我们可以粗略得知：用户1对科比兴趣强烈，对湖人队兴趣一般。这个时候，如果推送广告，那“科比球衣”比“湖人队周边”的效果要好得多。