起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識用戶畫像如何從搭建到應用實戰？
用戶畫像是指根據用戶的基本屬性、用戶偏好、生活習慣、用戶行為等信息而抽象出來的標簽化用戶模型。那么，我們要怎么去應用這些用戶畫像呢？
一、用戶畫像是什么？
用戶畫像是指根據用戶的基本屬性、用戶偏好、生活習慣、用戶行為等信息而抽象出來的標簽化用戶模型。每一個標簽及標簽權重即為用戶的一個向量，一個用戶可以理解為超維空間的多個向量（標簽）的和。即通過數據方式來描述用戶，最終將一個用戶表達為計算機可識別的用戶，以此為基礎實現用戶畫像應用。
二、用戶畫像應用
當一個用戶可以被計算機全面識別理解后，我們就可以用來做精準營銷、個性化推薦等基礎性工作，其作用總體包括：
- 精準營銷：根據用戶特征，針對特定群體，利用短信、郵件、AppPush、App彈窗、微信公眾號、微信群等方式進行營銷。
- 用戶統計：根據用戶的屬性、行為特征對用戶進行分類后，統計不同特征下的用戶數量、分布；分析不同用戶畫像群體的分布特征。
- 個性推薦：以用戶畫像為基礎構建推薦系統、搜索引擎、廣告投放系統，提升轉化率。
- 行業研究：通過用戶畫像分析可以了解行業動態，比如人群消費習慣、消費偏好分析、不同地域品類消費差異分析。
三、用戶畫像如何提供以上能力
用戶畫像有以上應用，到底是怎么應用的呢？我們一個一個解釋一遍。
1. 精準營銷
根據用戶特征，針對特定群體，利用短信、郵件、AppPush、App彈窗、微信群、h5等方式進行營銷。如果沒有用戶畫像，也能完成 短信、郵件、App push、App彈窗的運營，但是不能保證資源有效利用。
為什么這么說呢？在平臺用戶量低的時候，我們很容易做運營，我們將運營內容全量推送，發現召回率、轉化率并不會很低。這是因為初期我們的用戶都很精準，所以召回率轉化率不會很低。但隨著用戶基數的逐漸增加，這種運營效果越來越差轉化率越來越低。
因為隨著用戶量的增加，推送的內容只能打動那一小撮人，為了提升轉化效率，運營位資源的有效利用，我們需要借助用戶畫像的能力。
（1）分群運營
分群運營是此問題很好的解決方案，通過用戶畫像的標簽篩選，篩選出不同的用戶群，篩選出的用戶群每個用戶群都有一個唯一id。通過push或彈窗配置平臺，輸入用戶群id實現精細化運營。
（2）自動化運營
我們讓用戶群的粒度無限小，最后會小到一個個體。我們針對每個個體去做push或者彈屏，運營效率還是太低了?；谟脩舢嬒竦淖詣踊\營就發揮了作用。我們一起看一下如何實現自動化運營。
- 粗略定向（城市：北京；屬性：新用戶）此類設置為滿足業務需求，比如暑假低價課的廣告彈屏只針對沒有購買過長期班的用戶。這是通過事實標簽來實現。
- 精細定向：設置偏好標簽及標簽值來確定精細用戶群。原理很簡單，給一個策略設定好偏好標簽及標簽權重后，相當于在空間中繪制出一個用戶向量，我們用真實用戶向量與此向量進行空間向量的余弦相似計算，或歐幾里得距離計算相似性，最相似的則優先顯示。如果相同相似則按創建時間倒敘展示。這樣設定權重好處：可以很好的避免不同業務部門App內流量的爭搶。只有設置的標簽才參與計算，不是全部標簽進行相似計算。
- 設定push文案
- push落地頁
- 設定開始結束機制（時間控件）
舉個例子：
背景：
- 暑期結束場景下的收心課；
- 針對沒有報名暑假長期班的學員；
- 目標100w。
配置：
- 設置人群；沒有購買2019暑期長期班的學員；
- 設置權重：數學：0.8，短期班：0.7，暑假：0.6，開學：0.5；
- 設置文案：親愛的斑馬家長你好，暑假愉快，學而思網校為您準備9.9元 10節暑假數學收心課；
- 設置落地頁：www.banma.com；
- 時間設置：2019/08/23-2019/08/24。
圖示：
2. 用戶統計
根據用戶的屬性、行為特征對用戶進行分類后，統計不同特征下的用戶數量、分布、走勢等。
這里不做多闡述，參考神策。截圖大家參考下，數據已脫敏。
北京的-完成加入購物車操作的用戶數的趨勢
3. 用戶組成
4. 個性推薦
個性推薦：以用戶畫像為基礎構建推薦系統、搜索引擎、廣告投放系統，提升轉化率。
這里重點介紹一下推薦系統，其他與推薦邏輯大同小異。
推薦系統一般都分為召回和排序兩個階段。因為全量物品（Item）通常數量非常大，無法為一個用戶（User）逐一計算每一個物品（Item）的評分，這時候就需要一個召回階段，其實就是預先篩選一部分物品（Item），從而降低計算量。
海量 Item——召回（粗排）——候選集合——排序（精排）——排序列表——規則（多樣化推薦）——推薦結果。用戶畫像除了用于最終匹配評分，還要用于在召回。
那用戶畫像是如何做召回？
我們先看一下用戶畫像的用戶偏好表存儲（用戶畫像有好多個表，文章畫像構建部分會 具體講解）：
當我們購買完成一個帶有標簽id1，標簽id2，標簽id3的課程后，一般在購買完成頁會有交叉銷售場景，我們通過用戶偏好表的標簽及權重，基于用戶相似，或Item相似的協同過濾算法，召回一部分課程。這就是粗排的過程。簡單理解就是找到用戶喜歡的其他課程。
協同過濾：基于用戶相似推薦：歐幾里得距離公式 userid1 與 userid2 =√ [（標簽id1-標簽id1）^2+（標簽id2-標簽id2）^2+···（標簽idn-標簽idn）^2]
5. 行業研究
行業研究就很好理解了，我們經常聽到馬爸爸拿一些標簽，說明這個地方人喜歡買什么？為什么喜歡買？那個地方人喜歡買什么？為什么喜歡？
最經典的就是每年的年終總結H5，這里不多贅述此內容。
四、用戶畫像的搭建
1. 標簽管理系統搭建
（1）什么是標簽管理系統？
標簽與用戶畫像的關系，在介紹什么是用戶畫像時候就已經說過。
我們說一下什么是標簽管理系統：
一般來說，將能關聯到具體用戶數據的標簽，稱為葉子標簽。對葉子標簽進行分類匯總的標簽，稱為父標簽。父標簽和葉子標簽共同構成標簽體系，但兩者是相對概念。
用戶畫像的本質就是使用不同的標簽來描述表達用戶，那這些標簽是需要我們事先準備好的。每個用戶都有成千上萬的標簽，我們維護這么大量級的標簽，我們事先一定要構建健康的標簽體系。
所以標簽管理系統要支持對所有標簽查詢、修改、刪除、新增等功能，主要包括兩個模塊：標簽樹和標簽查詢。
- 標簽樹：以樹形結構呈現標簽之間的層級和邏輯關系，并且可以對任意層級的標簽名進行修改、新增和刪除；
- 標簽查詢：對某一時間段內的標簽進行查詢，可以實現自定義查詢及條件查詢，并實現標簽下的用戶數的統計功能。
（2）標簽管理系統功能列表
（3）標簽管理系統頁面
（4）標簽體系構建
1）偏好標簽
偏好標簽簡單理解就是用戶對不同標簽的喜愛程度，通過用戶與標簽的行為類型、行為權重、行為次數、時間衰減來計算。后續具體講解如何進行計算，偏好標簽是做推薦及策略方向最重要的標簽。
2）標簽梳理
該類標簽梳理很簡單，在我們數據倉庫中有不同的內容表。
比如課程數據庫表結構：上課地點、上課時間、老師、價格、大綱、評價……
比如教師表結構：教師名稱、有無教師資格證、年齡、學校、性別、評價……
這里每一個字段就是一個偏好標簽，當然字段值也是標簽。因為用戶與這些內容發生關系，間接是與這些標簽放生關系。
偏好標簽是固定的，不可編輯修改，數據來源于平臺內全部內容的表字段及值。
3）事實標簽
- 信息標簽：用戶的基本信息標簽（城市、年級、年齡、性別……）
- 業務標簽：來自業務的標簽（在讀、非在讀、長期班、短期班、語文、數學、英語……）
- 規則標簽：自定義的規則（低潛、中潛、高潛、核心）
4）標簽梳理
用戶基本信息，用戶業務信息，工作人員定的規則，比如：低潛用戶，中潛用戶……
5）預測標簽
這種標簽是根據機器學習預測的標簽，比如：流失預測，虎躍預測，轉化預測等等。
6）標簽梳理
很簡單，就那么幾個想預測啥就添加啥。標簽之間具有層級的邏輯關系，1級是2級標簽的父級，2級是1級標簽的子級，以此類推。
偏好標簽不可編輯，數據來源于不同內容的表字段。事實標簽與預測標簽當子級有內容則父級不可刪除，但可編輯。只有下一級沒有任何子級的情況下可以進行刪除操作。
2. 標簽權重計算
這里的標簽權重計算特指偏好標簽。
畫像的用戶偏好標簽存儲結構：
這里的每一個用戶每一個標簽下的值就是標簽的權重，這節講解的重點。
這個標簽權重影響著對用戶屬性的歸類，屬性歸類不準確，接下來給予畫像對用戶進行推薦，精細化運營也就無從談起。
（1）基于TF-IDF算法計算
1）算法思想
用戶標簽權重，是由該標簽對用戶本身的重要性與該標簽在業務上，對用戶的重要性共同決定的。
標簽本身對用戶重要性是通過TF-IDF計算得到的，業務權重是通過用戶對標簽的行為來決定的，即：
- 用戶標簽權重 = 業務權重* TF-IDF權重
- 用戶標簽權重 = 行為類型權重 * 行為次數 * 時間衰減* TF-IDF權重
2）簡單理解
就是用戶對一個標簽，會有不同行為觸達，不同的行為有不同的難度，比如：購買行為大于搜索行為，搜索行為大于瀏覽行為。所以不同行為就會有不同的權重，行為越難代表越喜歡，權重越高同理行為次數越多也代表越喜歡。
標簽對這個用戶來說越稀有代表越喜歡，喜歡程度會隨著時間的增加而逐漸降低，通過這個公式計算標簽權重。
3）行為類型權重
用戶瀏覽、點擊、搜索、收藏、分享、下單、購買等不同行為對用戶而且有不同重要性，一般使用層次分析法定義一個基本行為權重。
4）行為次數
這里的行為次數表示每一種行為的次數。
5）時間衰減
時間衰減是指用戶的行為會隨著時間的流逝，用戶偏好會不斷減弱。在建立與時間衰減相關的函數時，我們可套用牛頓冷卻定律數學模型。
牛頓冷卻定律：
較熱物體的溫度F(t)是隨著時間t的增長而呈現指數型衰減，其溫度衰減公式為：F(t)=T×exp(-α×t)。
- T：初始溫度
- α：衰減常數即冷卻系數，是自己定義的數值，一般通過回歸可計算得出
- t：時間間隔
冷卻系數如何計算呢？
冷卻系數是自己定義的數值，一般通過回歸可計算得出。例如：初始溫度100攝氏度，1小時后的溫度為85攝氏度，即 85=100×exp(-α×1)，求得α=0.16。
在這里我們用R語言來模擬一下這個冷卻曲線：
wendu<-100*exp(-0.16*t) t<-c(1:100) plot(x)
t<-c(1:100)
plot(x)
6） TF-IDF
TF-IDF = TF*IDF
TF：
這里我們用 N（P，T）表示一個標簽T被用于標簽用戶P的次數。
TF（P，T）表示這個標記次數在用戶P所有標簽標記次數中所占的比例。
TF（P，T）= N（P，T）/Σ N（P，Ti）
N（P，T）：打在某用戶身上某個標簽的個數
Σ N（P，Ti）：該用戶身上全部標簽的個數
Ti 該用戶全部標簽個數
IDF：
IDF（P，T）：表示標簽T在全部標簽中的稀缺程度
如果一個標簽出現的幾率很小，同時被用戶標記某個用戶，這就使得該用戶與該標簽T之間的關系更加緊密。
IDF（P，T）=Σ Σ N（Pi，Ti）/ΣN（Pi，T）
Σ Σ N（Pi，Ti）：全部用戶的全部標簽之和
ΣN（Pi，T） ：所有打T標簽的用戶之和
7）計算方式
舉例子：
用戶“斑馬”，對于標簽“語文”的標簽權重計算：假設我們之前定義 冷卻系數α=0.16。
行為表：
2019-08-22
2019-08-23
2019-08-24
用戶“斑馬”對標簽“語文”的權重：
2019-08-22：語文=2*0.1+2*0.2+3*0.6+1*0.5+1*0.9=3.8
2010-08-23：語文=3.8 *exp（-α*1）+1*0.1+1*0.2+2*0.6+1*0.5+0=5.067718
2010-08-23：語文= 5.067718*exp（-α*1）= 4.318424
3. 標簽存儲
（1）事實標簽
1）基礎信息表
2）事實標簽-在讀信息表
3）事實標簽-報名信息表
4）事實標簽-規則信息表
（2）偏好標簽&預測標簽
本文由 @斑馬 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
F(t)=T×exp(-α×t)這個公式里的“×”是乘號嗎？還是未知變量“x”??？
學習了
想知道怎么找到合適的時間衰減系數
學習了，感謝分享！
vx：13126701193