用戶畫像系列——用戶畫像數據建模方法

伴隨着對人的瞭解逐步深刻，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，能夠看做企業應用大數據的根基。

1、什麼是用戶畫像？

男，31歲，已婚，收入1萬以上，愛漂亮食，團購達人，喜歡紅酒配香菸。

這樣一串描述即爲用戶畫像的典型案例。若是用一句話來描述，即：用戶信息標籤化。

若是用一幅圖來展示，即：

2、爲何須要用戶畫像

用戶畫像的核心工做是爲用戶打標籤，打標籤的重要目的之一是爲了讓人可以理解而且方便計算機處理，如，能夠作分類統計：喜歡紅酒的用戶有多少？喜歡紅酒的人羣中，男、女比例是多少？

也能夠作數據挖掘工做：利用關聯規則計算，喜歡紅酒的人一般喜歡什麼運動品牌？利用聚類算法分析，喜歡紅酒的人年齡段分佈狀況？

大數據處理，離不開計算機的運算，標籤提供了一種便捷的方式，使得計算機可以程序化處理與人相關的信息，甚至經過算法、模型可以「理解」 人。當計算機具有這樣的能力後，不管是搜索引擎、推薦引擎、廣告投放等各類應用領域，都將能進一步提高精準度，提升信息獲取的效率。

3、如何構建用戶畫像

一個標籤一般是人爲規定的高度精煉的特徵標識，如年齡段標籤：25~35歲，地域標籤：北京，標籤呈現出兩個重要特徵：語義化，人能很方便地理解每一個標籤含義。這也使得用戶畫像模型具有實際意義。可以較好的知足業務需求。如，判斷用戶偏好。短文本，每一個標籤一般只表示一種含義，標籤自己無需再作過多文本分析等預處理工做，這爲利用機器提取標準化信息提供了便利。

人制定標籤規則，並可以經過標籤快速讀出其中的信息，機器方便作標籤提取、聚合分析。因此，用戶畫像，即：用戶標籤，向咱們展現了一種樸素、簡潔的方法用於描述用戶信息。

3.1 數據源分析

構建用戶畫像是爲了還原用戶信息，所以數據來源於：全部用戶相關的數據。

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，世界上分爲兩種人，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；產品生命週期分爲，投入期、成長期、成熟期、衰退期…全部的子分類將構成了類目空間的所有集合。

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。沒必要擔憂架構上對每一層分類沒有考慮完整，形成維度遺漏留下擴展性隱患。另外，不一樣的分類方式根據應用場景，業務需求的不一樣，也許各有道理，按需劃分便可。

本文將用戶數據劃分爲靜態信息數據、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、商業屬性等方面數據。這類信息，自成標籤，若是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做，所以這方面信息的數據建模不是本篇文章重點。

動態信息數據

用戶不斷變化的行爲信息，若是存在上帝，每個人的行爲都在時刻被上帝那雙無形的眼睛監控着，廣義上講，一個用戶打開網頁，買了一個杯子；與該用戶傍晚溜了趟狗，白天取了一次錢，打了一個哈欠等等同樣都是上帝眼中的用戶行爲。當行爲集中到互聯網，乃至電商，用戶行爲就會聚焦不少，如上圖所示：瀏覽凡客首頁、瀏覽休閒鞋單品頁、搜索帆布鞋、發表關於鞋品質的微博、贊「雙十一大促給力」的微博消息。等等都可看做互聯網用戶行爲。

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

在互聯網上，用戶行爲，能夠看做用戶動態信息的惟一數據來源。如何對用戶行爲數據構建數據模型，分析出用戶標籤，將是本文着重介紹的內容。

3.2 目標分析

用戶畫像的目標是經過分析用戶行爲，最終爲每一個用戶打上標籤，以及該標籤的權重。如，紅酒 0.八、李寧 0.6。

標籤，表徵了內容，用戶對該內容有興趣、偏好、需求等等。

權重，表徵了指數，用戶的興趣、偏好指數，也可能表徵用戶的需求度，能夠簡單的理解爲可信度，機率。

3.3 數據建模方法

下面內容將詳細介紹，如何根據用戶行爲，構建模型產出標籤、權重。一個事件模型包括：時間、地點、人物三個要素。每一次用戶行爲本質上是一次隨機事件，能夠詳細描述爲：什麼用戶，在什麼時間，什麼地點，作了什麼事。

什麼用戶：關鍵在於對用戶的標識，用戶標識的目的是爲了區分用戶、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，能夠獲取的標識信息有所差別。

什麼時間：時間包括兩個重要信息，時間戳+時間長度。時間戳，爲了標識用戶行爲的時間點，如，1395121950（精度到秒），1395121950.083612（精度到微秒），一般採用精度到秒的時間戳便可。由於微秒的時間戳精度並不可靠。瀏覽器時間精度，準確度最多也只能到毫秒。時間長度，爲了標識用戶在某一頁面的停留時間。

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

內容：每一個url網址（頁面/屏幕）中的內容。能夠是單品的相關信息：類別、品牌、描述、屬性、網站信息等等。如，紅酒，長城，乾紅，對於每一個互聯網接觸點，其中網址決定了權重；內容決定了標籤。

注：接觸點能夠是網址，也能夠是某個產品的特定功能界面。如，一樣一瓶礦泉水，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。標籤均是礦泉水，但接觸點的不一樣體現出了權重差別。這裏的權重能夠理解爲用戶對於礦泉水的需求程度不一樣。即，願意支付的價值不一樣。

標籤 權重

礦泉水 1 // 超市

礦泉水 3 // 火車

礦泉水 5 // 景區

相似的，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，表現出對紅酒喜愛度也是有差別的。這裏的關注點是不一樣的網址，存在權重差別，權重模型的構建，須要根據各自的業務需求構建。

因此，網址自己表徵了用戶的標籤偏好權重。網址對應的內容體現了標籤信息。

什麼事：用戶行爲類型，對於電商有以下典型行爲：瀏覽、添加購物車、搜索、評論、購買、點擊贊、收藏 等等。

不一樣的行爲類型，對於接觸點的內容產生的標籤信息，具備不一樣的權重。如，購買權重計爲5，瀏覽計爲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，能夠歸納爲下面的公式：用戶標識 + 時間 + 行爲類型 + 接觸點（網址+內容），某用戶由於在什麼時間、地點、作了什麼事。因此會打上**標籤。

用戶標籤的權重可能隨時間的增長而衰減，所以定義時間爲衰減因子r，行爲類型、網址決定了權重，內容決定了標籤，進一步轉換爲公式：

標籤權重=衰減因子×行爲權重×網址子權重

如：用戶A，昨天在品尚紅酒網瀏覽一瓶價值238元的長城乾紅葡萄酒信息。

標籤：紅酒，長城
時間：由於是昨天的行爲，假設衰減因子爲：r=0.95
行爲類型：瀏覽行爲記爲權重1
地點：品尚紅酒單品頁的網址子權重記爲 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，纔會去專業的紅酒網選購，而再也不綜合商城選購。

則用戶偏好標籤是：紅酒，權重是0.95*0.7 * 1=0.665，即，用戶Ａ：紅酒 0.66五、長城 0.665。

上述模型權重值的選取只是舉例參考，具體的權重值須要根據業務需求二次建模，這裏強調的是如何從總體思考，去構建用戶畫像模型，進而可以逐步細化模型。

4、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，可以給您提供一個系統性、框架性的思惟指導。

核心在於對用戶接觸點的理解，接觸點內容直接決定了標籤信息。內容地址、行爲類型、時間衰減，決定了權重模型是關鍵，權重值自己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，能夠根據產品的不一樣，從新定義接觸點。

好比影視產品，我看了一部電影《英雄本色》，可能產生的標籤是：周潤發 0.六、槍戰 0.五、港臺 0.3。

最後，接觸點自己並不必定有內容，也能夠泛化理解爲某種閾值，某個行爲超過多少次，達到多長時間等。

好比遊戲產品，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，則標記爲鑽石級用戶。鑽石用戶 1.0。