一. 用户画像与精准营销前言
- 大数据并不是一种全新的技术，它更多的是一种借助真实数据汇聚、数据分析及其可视化、分布式计算的，利用数据分析问题的思维方式和工作方法。面对大数据这新业态，政府、企业更关心的是如何让大数据落地、产生实际的商业价值，增加销售额、获得利润突破。用户画像、广告推荐和互联网金融是大数据的3个典型商业应用。
二. 用户画像概述
-
人在网络世界中的行为集合代表了其在网络世界中的“性格”，这个集合就描述了其网络个性和用户特征(User Profile)。 从数据拥有者，也就是企业的角度来看，他们掌握了所有用户在网络世界中“某方面"的行为习惯，如用户浏览了哪些网页、搜索了哪些关键词、购买了哪些商品、留下了哪些评价等，企业都会收集汇总。如何将如此庞杂的数据转换为商业价值，成为现在企业越来越关注的问题。面对高质量、多维度的海量数据，如何建立精准的用户模型就显得尤为重要，用户画像的概念也就应运而生。
-
用户画像，即用户信息的标签化，是企业通过收集、分析用户数据后，抽象出的一个虚拟用户，可以认为是真实用户的虚拟代表。用户画像的核心工作就是为用户匹配相符的标签，通常一个标签被认为是人为规定的高度精练的特征标识。
-
用户画像从多维度对用户特征进行构造和刻画，包括用户的社会属性、生活习惯、消费行为等，进而可以揭示用户的性格特征。有了用户画像，企业就能真正了解了用户的所需所想，尽可能做到以用户为中心，为用户提供舒适快捷的服务。
-
用户画像技术通过对用户的分析，让企业对用户的精准定位成为了可能。在这个基础上，依靠现代信息技术手段建立个性化的顾客沟通服务体系，将产品或营销信息推送到特定的用户群里中，既节省营销成本，又能起到最大化的营销效果。
三. 用户画像的价值
-
用户画像的作用大体体现在以下几个方面:
-
(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等。
-
(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等。
-
(4)进行效果评估，完善产品运营，提升服务质量，其实这就相当于市场调研、用户调研，迅速定位服务群体，提供高服务的水平。
-
(5)指导产品研发以及优化用户体验，在以用户需求为导向的产品研发中，企业通过获取的大量目标用户数据，进行分析、处理、组合，初步搭建用户画像，做出用户喜好、功能需求统计，从而设计制造更加符合核心需求的新产品，为用户提供更好的体验和服务。
四. 用户画像构建流程
- 不同的平台和产品，其用户画像也不相同，但构建的思路却是一样的， 如下图所示，我们可以通过下面的3个阶段来构建用户画像。
1. 数据收集与分析
-
构建用户画像是为了将用户信息还原，构建个用户数据模型。 因此，这些数据是基于真实的用户数据。
-
用户数据可以大致分为网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据这4类。
-
网络行为数据:活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等。
-
服务内行为数据：浏览路径、页面停留时间、访问深度、页面浏览次数等。
-
用户内容偏好数据：浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等。
-
用户交易数据(交易类服务)：贡献率、客单价、连带率、回头率、流失率等。
-
当然，收集到的数据不会是100%准确的， 都具有不确定性，这就需要在后面的阶段建模进行再判断，比如某用户在性别一栏填的“男”，但通过其行为偏好可判断其性别为“女”的概率为80%。
-
值得一提的是，储存用户行为数据时，最好同时储存下发生该行为的场景，以便更好地进行数据分析。
2. 数据建模
-
该阶段是对上阶段收集到的数据的处理，进行行为建模，以抽象出用户的标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。
-
这时也要用到机器学习，对用户的行为、偏好进行猜测，好比一个y=lx+b的算法，x代表已知信息，y是用户偏好，通过不断的精确k和b来精确y。
-
在这个阶段，需要通过定性与定量相结合的研究方法来建立很多模型，为每个用户打上标签以及对应标签的权重。
-
定性化研究方法就是确定事物的性质，是描述性的:定量化研究方法就是确定对象数量特征、数量关系和数量变化，是可量化的。
-
一般来说， 定性的方法，在用户画像中，表现为对产品、行为、用户个体的性质和特征做出概括，形成对应的产品标签、行为标签、用户标签。
-
定量的方法，则是在定性的基础上，给每个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。
-
这里的标签表现了用户特征，即用户对此内容的兴趣、偏好和需求等。而权重表现了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，可以简单地理解为可信度、概率。
3. 构建用户画像
-
该阶段可以说是第二阶段的深入，要把用户的基本属性(年龄、性别、地域)、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致地标签化。
-
当一切数据标签化并赋予权重后，即可根据构建用户画像的目的来搭建用户画像基本模型了。为什么说是基本模型?因为用户画像永远也无法100%地描述一个人，只能做到不断地去逼近-一个人，因此，用户画像既应根据变化的基础数据不断修正，又要根据已知数据抽象出新的标签，使用户画像越来越立体。
-
关于“标签化”，一般采用多级标签、多级分类，比如第级标签是基本信 息(姓名、性别)，第二级是消费习惯、用户行为;第一级分类有人口属性，人口属性又有基本信息、地理位置等二级分类，地理位置又分为工作地址和家庭地址的三级分类。在下一节中我们将介绍如何建立用户标签体系。
4. 数据可视化分析
- 如下图所示，这是把用户画像真正利用起来的一步，在此步骤中一般是针对群体的分析，比如可以根据用户价值来细分出核心用户、评估某一群体的潜 在价值空间，以做出有针对性的运营。
五. 用户标签体系
-
从技术层面看，用户画像的过程比较乏味。但如何设计用户画像的标签体系却是一个看起来最简单却最难以把握精髓的环节。
-
什么是标签体系?简单来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。
-
一般来说， 设计一个标签体系有以下3种思路。
1. 结构化标签体系
-
简单地说，就是将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，在面向品牌广告主交流时比较好用。性别、年龄这类人口属性标签，是最典型的结构化体系图9.3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，因为这些标签从原理上就是无法监测的。
2. 半结构化标签体系
-
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。
-
当然，标签体系太过混乱的话，投放运营就比较困难。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)。
3. 非结构化标签体系
-
非结构化，就是各个标签就事论事，各自反映各自的用户兴趣，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。产品经理们碰到的难点，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、旅游等框架里去，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又有什么意义呢?