用户画像建模

用户画像是对现实用户的数据建模
标签是一个符号，并且与业务紧密相连才有意义

谨记
构建用户画像，确定标签要与业务部门和产品部门共同商量确定，因为用户画像与业务紧密相连，标签体系是搜集所有业务方面的需求。
验证

验证需要两方面考究。
第一，标签是否准确
第二，标签是否齐全
但是无法保证这两者100%符合，尤其是后者，因为业务不断变化，导致最多在一段时间内标签的齐全，抑或多数情况下标签是不齐全的。所以我们通常判断的是准确性。

准确性的判断有两类。
第一类，以实时为依据，比如用户的性别，通过数据是可查究的。
第二类，无事实为依据，比如用户的忠诚度，只有通过线上数据的A/B Test来对比验证。

根据数据流处理划分用户画像

image

• 数据层：
  用户消费行为里的标签。我们可以打上“事实标签”，作为数据客观的记录
• 算法层：
  透过这些行为算出的用户建模。我们可以打上“模型标签”，作为用户分类的模型标识
• 业务层：
  获客、粘客、留客的手段。打上“预测标签”，作为业务关联的结果。

美团外卖的用户画像该如何设计？

用户消费行为分析

• 用户标签：
  性别、年龄、家乡、居住地、收货地址、婚姻、宝宝信息、通过何种渠道注册信息
• 消费标签：
  餐饮口味、消费均价、团购等级、预定使用等级、排队使用等级、外卖等级
• 行为标签：
  点外卖时间段、使用频次、平均点餐用时、访问路径
• 内容分析：
  基于用户平时浏览的内容进行统计，包括餐饮口味、优惠敏感度等

一、什么是用户画像

用户画像，即用户信息标签化
用户画像是分析用户的人口属性、社会交往、行为偏好等数据，抽象出的多维度特征标签集合，可直观地描绘出用户的整体全貌。

二、标签体系建设

1、客户分群能力

基础标签，用户唯一标识：用户名，手机号，邮箱

• 用户标签：比如性别、年龄、收入、职业、学历、归属城市等；
• 行为标签：时间段、频次、时长、访问路径等
• 消费标签：消费习惯、购买意向、价格敏感等；

基于上述基础标签，可以形成用户画像标签，根据当前业务需求不断进行规则/模型的迭代：

• 用户的位置偏好特征
• 出行偏好特征
• 内容标签：浏览内容
• app使用偏好特征

基于画像标签和基础标签衍生出了营销标签：

• 口红购买推荐
• 奶粉需求推荐

用户生命周期标签：（业务价值）

• 获客：拉新、营销
• 粘客：个性化推荐、搜索排序、场景运营
• 留客：流失率预测

三、标签效果评估

1、基础标签、画像标签
这两个是供业务人员使用的，不参与营销，可以从使用的频次、收藏次数等使用者角度进行评估；

2、营销标签
因为营销标签是参与营销活动的，一个营销标签代表了一个营销用户群，那么可以从标签输出用户群数量，触达用户群的渠道、投放用户群的产品、用户群营销结果等各环节效果评价体系，实现各环节数据可视化呈现，助力营人员提升或改进运营策略，提高用户触达率和办理成功率。

四、标签生命周期管理

对于标签的上线，要经过评审，只做有意义的、正确的、口径合理的标签；
标签上线以后，监测标签的使用情况，避免标签沉没；
由于用户特征变化比较快，需要对于僵尸标签、过时标签或不合时宜的标签及时清理，节约维护成本和服务器内存。

标签主要有三个来源：

• 第一类：是在IT系统中可以取得的信息
  比如办会员卡时留下的信息（性别，年龄，生日），购买渠道，积分情况等；
• 第二类是可以通过计算或是统计所获得的
  比如用户对某类促销活动的参与程度，对某种颜色/款式商品的偏好程度，是否进行过跨品牌的购买等；
• 第三类则是通过推测所得
  比如送货地址中出现“宿舍”，“学校”，“大学”等字样，则用户身份可以推测为学生，出现“腾讯大厦”，“科技园”等信息时，则可判断是上班族，并有很大概率是技术从业者。

在标签的设计上也带有较强的行业性：

• 是否偏好购买当季爆款或是新品多于经典款（时尚度）；
• 是否更倾向购买低价或打折商品（价格敏感度）；
• 是否喜欢购买高价商品或限量版（反向价格敏感度）

什么是标签体系?

简单说就是你把用户分到多少个类里面去。当然，每个用户是可以分到多个类上的。这些类都是什么，彼此之间有何联系，就构成了标签体系。标签体系的设计有两个常见要求，一是便于检索，二是效果显著。在不同的场景下，对这两点的要求重点是不同的。笔者见过很多做用户画像的产品经理，往往醉心于设计一个伟大、 光荣、正确的标签体系，这往往是形式主义的调调儿。

一般来说，设计一个标签体系有三种思路：
从信息索取的角度

结构化标签体系

可以做成下拉选项
简单地说，就是标签组织成比较规整的树或森林，有明确的层级划分和父子关系。
结构化标签体系看起来整洁，又比较好解释，在面向品牌广告主开喷时比较好用。
性别、年龄这类人口属性标签，是最典型的结构化体系。下图就是Yahoo!受众定向广告平台采用的结构化标签体系。

不过，实践当中即使是面向品牌广告主，售卖非人口属性的受众也存在很大困难，原因又回到文章开头说的问题：这些标签从原理上就是无法监测的。

半结构化标签体系

行业内并列，但是随时可拓展
在用于效果广告时，标签设计的灵活性大大提高了。
标签体系是不是规整，就不那么重要了，只要有效果就行。
在这种思路下，用户标签往往是在行业上呈现出一定的并列体系，而各行业内的标签设计则以“逮住老鼠就是好猫”为最高指导原则，切不可拘泥于形式。下图是Bluekai聚合多家数据形成的半结构化标签体系：

当然，标签体系太过混乱的话，投放运营起来就比较困难。因此，实践中往往还需要对一定程度的结构化做妥协，除非整个投放逻辑是机器决策的(比如个性化重定向)。

非结构化标签体系

随机化的标签
非结构化，就是各个标签就事论事，各自反应各自的用户兴趣，彼此之间并无层级关系，也很难组织成规整的树状结构。非结构化标签的典型例子，是搜索广告里用的关键词。还有Facebook用的用户兴趣词，意思也一样。

半结构化标签操作上已经很困难了，非结构化的关键词为什么在市场上能够盛行呢?这主要是因为搜索广告的市场地位太重要了，围绕它的关键词选择和优化，已经形成了一套成熟的方法论。

面向品牌的结构化标签体系，设计的好坏似乎并不太重要;而彻底非结构化的标签，也没有太多设计的需求。产品狗们碰到的难点，往往是如果设计合理的半结构化标签体系以驱动广告的实效。这里面最关键的诀窍，是深入研究某个具体行业的用户决策过程。

站在上帝造万物的视角，以电视台分频道的方法将用户分到财经、体育、旅游……这样的框框里去，其实并不难，也没有太大意义。真正务实的思维，是不要关注那么多的行业，把目光聚焦在你目前服务的客户类型上。本来，你接的都是电商客户，关注教育行业用户分类有啥意义呢?