712      gooseeker集搜客

絕對幹貨：用戶畫像數據建模方法

引言

從1991年Tim Berners-Lee發明了萬維網（World Wide Web）開始，到20年後2011年，互聯網真正走向了一個新的裏程碑，進入了“大數據時代”。經曆了12、13兩年熱炒之後，人們逐漸冷靜下來，更加聚焦於如何利用大數據挖掘潛在的商業價值，如何在企業中實實在在的應用大數據技術。伴隨著大數據應用的討論、創新，個性化技術成為了一個重要落地點。相比傳統的線下會員管理、問卷調查、購物籃分析，大數據第一次使得企業能夠通過互聯網便利地獲取用戶更為廣泛的反饋信息，為進一步精準、快速地分析用戶行為習慣、消費習慣等重要商業信息，提供了足夠的數據基礎。伴隨著對人的了解逐步深入，一個概念悄然而生：用戶畫像（UserProfile），完美地抽象出一個用戶的信息全貌，可以看作企業應用大數據的根基。

一.什麼是用戶畫像

男，31歲，已婚，收入1萬以上，愛美食，團購達人，喜歡紅酒配香煙。 這樣一串描述即為用戶畫像的典型案例。如果用一句話來描述，即：用戶信息標簽化。
如果用一幅圖來展現，即：

二.為什麼需要用戶畫像

用戶畫像的核心工作是為用戶打標簽，打標簽的重要目的之一是為了讓人能夠理解並且方便計算機處理，如，可以做分類統計：喜歡紅酒的用戶有多少？喜歡紅酒的人群中，男、女比例是多少？

也可以做數據挖掘工作：利用關聯規則計算，喜歡紅酒的人通常喜歡什麼運動品牌？利用聚類算法分析，喜歡紅酒的人年齡段分布情況？

大數據處理，離不開計算機的運算，標簽提供了一種便捷的方式，使得計算機能夠程序化處理與人相關的信息，甚至通過算法、模型能夠“理解” 人。當計算機具備這樣的能力後，無論是搜索引擎、推薦引擎、廣告投放等各種應用領域，都將能進一步提升精準度，提高信息獲取的效率。

三.如何構建用戶畫像

一個標簽通常是人為規定的高度精煉的特征標識，如年齡段標簽：25~35歲，地域標簽：北京，標簽呈現出兩個重要特征：語義化，人能很方便地理解每個標簽含義。這也使得用戶畫像模型具備實際意義。能夠較好的滿足業務需求。如，判斷用戶偏好。短文本，每個標簽通常隻表示一種含義，標簽本身無需再做過多文本分析等預處理工作，這為利用機器提取標準化信息提供了便利。

人製定標簽規則，並能夠通過標簽快速讀出其中的信息，機器方便做標簽提取、聚合分析。所以，用戶畫像，即：用戶標簽，向我們展示了一種樸素、簡潔的方法用於描述用戶信息。

3.1 數據源分析

構建用戶畫像是為了還原用戶信息，因此數據來源於：所有用戶相關的數據。

對於用戶相關數據的分類，引入一種重要的分類思想：封閉性的分類方式。如，世界上分為兩種人，一種是學英語的人，一種是不學英語的人；客戶分三類，高價值客戶，中價值客戶，低價值客戶；產品生命周期分為，投入期、成長期、成熟期、衰退期…所有的子分類將構成了類目空間的全部集合。

這樣的分類方式，有助於後續不斷枚舉並迭代補充遺漏的信息維度。不必擔心架構上對每一層分類沒有考慮完整，造成維度遺漏留下擴展性隱患。另外，不同的分類方式根據應用場景，業務需求的不同，也許各有道理，按需劃分即可。

本文將用戶數據劃分為靜態信息數據、動態信息數據兩大類。

• 靜態信息數據

用戶相對穩定的信息，如圖所示，主要包括人口屬性、商業屬性等方麵數據。這類信息，自成標簽，如果企業有真實信息則無需過多建模預測，更多的是數據清洗工作，因此這方麵信息的數據建模不是本篇文章重點。

• 動態信息數據

用戶不斷變化的行為信息，如果存在上帝，每一個人的行為都在時刻被上帝那雙無形的眼睛監控著，廣義上講，一個用戶打開網頁，買了一個杯子；與該用戶傍晚熘了趟狗，白天取了一次錢，打了一個哈欠等等一樣都是上帝眼中的用戶行為。當行為集中到互聯網，乃至電商，用戶行為就會聚焦很多，如上圖所示：瀏覽凡客首頁、瀏覽休閑鞋單品頁、搜索帆布鞋、發表關於鞋品質的微博、讚“雙十一大促給力”的微博消息。等等均可看作互聯網用戶行為。

本篇文章以互聯網電商用戶，為主要分析對象，暫不考慮線下用戶行為數據（分析方法雷同，隻是數據獲取途徑，用戶識別方式有些差異）。

在互聯網上，用戶行為，可以看作用戶動態信息的唯一數據來源。如何對用戶行為數據構建數據模型，分析出用戶標簽，將是本文著重介紹的內容。

3.2 目標分析

用戶畫像的目標是通過分析用戶行為，最終為每個用戶打上標簽，以及該標簽的權重。如，紅酒 0.8、李寧 0.6。
標簽，表征了內容，用戶對該內容有興趣、偏好、需求等等。
權重，表征了指數，用戶的興趣、偏好指數，也可能表征用戶的需求度，可以簡單的理解為可信度，概率。

3.3 數據建模方法

下麵內容將詳細介紹，如何根據用戶行為，構建模型產出標簽、權重。一個事件模型包括：時間、地點、人物三個要素。每一次用戶行為本質上是一次隨機事件，可以詳細描述為：什麼用戶，在什麼時間，什麼地點，做了什麼事。

什麼用戶：關鍵在於對用戶的標識，用戶標識的目的是為了區分用戶、單點定位。

以上列舉了互聯網主要的用戶標識方法，獲取方式由易到難。視企業的用戶粘性，可以獲取的標識信息有所差異。

什麼時間：時間包括兩個重要信息，時間戳+時間長度。時間戳，為了標識用戶行為的時間點，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常采用精度到秒的時間戳即可。因為微秒的時間戳精度並不可靠。瀏覽器時間精度，準確度最多也隻能到毫秒。時間長度，為了標識用戶在某一頁麵的停留時間。

什麼地點：用戶接觸點，Touch Point。對於每個用戶接觸點。潛在包含了兩層信息：網址 + 內容。網址：每一個url鏈接（頁麵/屏幕），即定位了一個互聯網頁麵地址，或者某個產品的特定頁麵。可以是PC上某電商網站的頁麵url，也可以是手機上的微博，微信等應用某個功能頁麵，某款產品應用的特定畫麵。如，長城紅酒單品頁，微信訂閱號頁麵，某遊戲的過關頁。

內容：每個url網址（頁麵/屏幕）中的內容。可以是單品的相關信息：類別、品牌、描述、屬性、網站信息等等。如，紅酒，長城，幹紅，對於每個互聯網接觸點，其中網址決定了權重；內容決定了標簽。
注：接觸點可以是網址，也可以是某個產品的特定功能界麵。如，同樣一瓶礦泉水，超市賣1元，火車上賣3元，景區賣5元。商品的售賣價值，不在於成本，更在於售賣地點。標簽均是礦泉水，但接觸點的不同體現出了權重差異。這裏的權重可以理解為用戶對於礦泉水的需求程度不同。即，願意支付的價值不同。

標簽 權重
礦泉水 1 // 超市
礦泉水 3 // 火車
礦泉水 5 // 景區

類似的，用戶在京東商城瀏覽紅酒信息，與在品尚紅酒網瀏覽紅酒信息，表現出對紅酒喜好度也是有差異的。這裏的關注點是不同的網址，存在權重差異，權重模型的構建，需要根據各自的業務需求構建。

所以，網址本身表征了用戶的標簽偏好權重。網址對應的內容體現了標簽信息。

什麼事：用戶行為類型，對於電商有如下典型行為：瀏覽、添加購物車、搜索、評論、購買、點擊讚、收藏 等等。

不同的行為類型，對於接觸點的內容產生的標簽信息，具有不同的權重。如，購買權重計為5，瀏覽計為1
紅酒 1 // 瀏覽紅酒
紅酒 5 // 購買紅酒

綜合上述分析，用戶畫像的數據模型，可以概括為下麵的公式：用戶標識 + 時間 + 行為類型 + 接觸點（網址+內容），某用戶因為在什麼時間、地點、做了什麼事。所以會打上**標簽。

用戶標簽的權重可能隨時間的增加而衰減，因此定義時間為衰減因子r，行為類型、網址決定了權重，內容決定了標簽，進一步轉換為公式： 標簽權重=衰減因子×行為權重×網址子權重

如：用戶A，昨天在品尚紅酒網瀏覽一瓶價值238元的長城幹紅葡萄酒信息。
標簽：紅酒，長城
時間：因為是昨天的行為，假設衰減因子為：r=0.95
行為類型：瀏覽行為記為權重1
地點：品尚紅酒單品頁的網址子權重記為 0.9（相比京東紅酒單品頁的0.7）

假設用戶對紅酒出於真的喜歡，才會去專業的紅酒網選購，而不再綜合商城選購。則用戶偏好標簽是：紅酒，權重是0.95*0.7 * 1=0.665，即，用戶Ａ：紅酒 0.665、長城 0.665。

上述模型權重值的選取隻是舉例參考，具體的權重值需要根據業務需求二次建模，這裏強調的是如何從整體思考，去構建用戶畫像模型，進而能夠逐步細化模型。

四.總結

本文並未涉及具體算法，更多的是闡述了一種分析思想，在計劃構建用戶畫像時，能夠給您提供一個係統性、框架性的思維指導。

核心在於對用戶接觸點的理解，接觸點內容直接決定了標簽信息。內容地址、行為類型、時間衰減，決定了權重模型是關鍵，權重值本身的二次建模則是水到渠成的進階。模型舉例偏重電商，但其實，可以根據產品的不同，重新定義接觸點。比如影視產品，我看了一部電影《英雄本色》，可能產生的標簽是：周潤發 0.6、槍戰 0.5、港台 0.3。

最後，接觸點本身並不一定有內容，也可以泛化理解為某種閾值，某個行為超過多少次，達到多長時間等。比如遊戲產品，典型接觸點可能會是，關鍵任務，關鍵指數（分數）等等。如，積分超過1萬分，則標記為鑽石級用戶。鑽石用戶 1.0。

最後更新：2017-01-09 14:08:05

  上一篇： 誰知女人心，美妝數據告訴你

  下一篇： Uber要替代出租車了嗎