中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)語：如今在這個(gè)大數(shù)據(jù)時(shí)代，我們經(jīng)常會(huì)被“標(biāo)簽化”，最常見的就是你逛淘寶時(shí)，會(huì)根據(jù)你的興趣愛好等等特征進(jìn)行推薦；本文是作者分享的關(guān)于從0到1搭建用戶畫像系統(tǒng)的設(shè)計(jì)思路，我們一起來學(xué)習(xí)一下。

一、需求目的

1）商城已上線2周年，已有10萬+在售物品；數(shù)據(jù)倉庫中積累著大量的業(yè)務(wù)數(shù)據(jù)、日志數(shù)據(jù)及埋點(diǎn)數(shù)據(jù)；如何充分挖掘沉淀在數(shù)據(jù)倉庫中的數(shù)據(jù)的價(jià)值，有效的支持用戶畫像的建設(shè)，成為當(dāng)前的重要工作。

2）在保證用戶規(guī)模不斷增長的目標(biāo)下，運(yùn)營方考慮建立用戶流失預(yù)警機(jī)制，及時(shí)識(shí)別將要流失的用戶群體，及時(shí)采取運(yùn)營策略換回用戶。

二、產(chǎn)品結(jié)構(gòu)

三、用戶畫像系統(tǒng)搭建流程

目前團(tuán)隊(duì)已經(jīng)搭建了比較成熟的數(shù)據(jù)倉庫。也就是說已經(jīng)有結(jié)構(gòu)化的、清晰的用戶屬性、用戶行為相關(guān)數(shù)據(jù)。

在此基礎(chǔ)上，搭建用戶畫像系統(tǒng)，需要：

四、數(shù)據(jù)建模

對(duì)人、貨、場進(jìn)行分析，對(duì)用戶個(gè)體的性質(zhì)和特征做出概括，形成相應(yīng)的用戶屬性標(biāo)簽、用戶行為標(biāo)簽后。才可以開始建模。

建模需要分別從定性、定量，兩個(gè)方面入手：

• 定性：在從已有數(shù)據(jù)中心，選擇特征；假設(shè)這些特征與你要預(yù)測的值有一個(gè)關(guān)系，這個(gè)關(guān)系就是一個(gè)原始的模型。
• 定量：確定模型中涉及到的所有未知系數(shù)。

模型計(jì)算完成后，需要計(jì)算模型的置信度；此時(shí)根據(jù)測試數(shù)據(jù)（可以是團(tuán)隊(duì)內(nèi)部測試、灰度測試等方式），來判斷模型計(jì)算的結(jié)果，與預(yù)期是否相符。

如果相符，就可以用這個(gè)模型來預(yù)測用戶喜歡什么；如果與預(yù)期不相符，那么久需要重復(fù)上述過程。

比如商城系統(tǒng)中，有以下數(shù)據(jù)項(xiàng)：

用戶忠誠度指標(biāo)（L），與用戶活躍度、購物車商品數(shù)、收藏?cái)?shù)、下單數(shù)、在線時(shí)長的用戶行為指標(biāo)有一定的關(guān)系；將這5項(xiàng)數(shù)據(jù)指標(biāo)的熵權(quán)值，定義為用戶忠誠度指標(biāo)，可以用以下公式表示：

其中a表示上表中A2-A6的歸一化值，歸一化計(jì)算公式如下：

w表示權(quán)重。權(quán)重系數(shù)計(jì)算公式如下：

其中，e為行為數(shù)據(jù)信息熵，計(jì)算公式如下：

最終計(jì)算所有的用戶的指標(biāo)L后，例如可以取前25%為高忠誠用戶，25-50%為普通忠誠用戶，剩余為低忠誠用戶，取值范圍可以根據(jù)業(yè)務(wù)實(shí)際情況調(diào)整。

另外，由于權(quán)重系數(shù)，有可能隨時(shí)間的增加而衰減；所以如果需要，還需要定義衰減因子r；加入衰減因子后，標(biāo)簽權(quán)重=衰減因子*行為權(quán)重。

五、梳理用戶畫像維度

設(shè)計(jì)用戶畫像維度時(shí)，建議使用MECE（Mutually Exclusive Collectively Exhaustive）準(zhǔn)則；也就是對(duì)于一個(gè)重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成為有效解決問題的方法。

比如初步搭建用戶畫像維度，可以參考下圖：

上圖為商城系統(tǒng)，初步的用戶畫像維度。圖中的數(shù)據(jù)，按照獲取的方式，可以分為：統(tǒng)計(jì)類標(biāo)簽、規(guī)則類標(biāo)簽、挖掘類標(biāo)簽。

統(tǒng)計(jì)類標(biāo)簽：這類標(biāo)簽是最為基礎(chǔ)也最為常見的標(biāo)簽類型，例如對(duì)于某個(gè)用戶來說，他的性別、年齡、城市、星座、近7日活躍時(shí)長、近7日活躍天數(shù)、近7日活躍次數(shù)等字段可以從用戶注冊數(shù)據(jù)、用戶訪問、消費(fèi)類數(shù)據(jù)中統(tǒng)計(jì)得出；該類標(biāo)簽構(gòu)成了用戶畫像的基礎(chǔ)。

規(guī)則類標(biāo)簽：該類標(biāo)簽基于用戶行為及確定的規(guī)則產(chǎn)生；例如對(duì)平臺(tái)上“消費(fèi)活躍”用戶這一口徑的定義為近30天交易次數(shù)>=2，在實(shí)際開發(fā)畫像的過程中，由于運(yùn)營人員對(duì)業(yè)務(wù)更為熟悉、而數(shù)據(jù)人員對(duì)數(shù)據(jù)的結(jié)構(gòu)、分布、特征更為熟悉；因此規(guī)則類標(biāo)簽的規(guī)則確定由運(yùn)營人員和數(shù)據(jù)人員共同協(xié)商確定。

挖掘類標(biāo)簽：該類標(biāo)簽通過數(shù)據(jù)挖掘產(chǎn)生，應(yīng)用在對(duì)用戶的某些屬性或某些行為進(jìn)行預(yù)測判斷；例如根據(jù)一個(gè)用戶的行為習(xí)慣判斷該用戶是男性還是女性，根據(jù)一個(gè)用戶的消費(fèi)習(xí)慣判斷其對(duì)某商品的偏好程度；該類標(biāo)簽需要通過算法挖掘產(chǎn)生。

六、形成初步用戶畫像

基于用戶畫像數(shù)據(jù)，可以使運(yùn)營人員、營銷人員，有更好的用戶認(rèn)識(shí)，帶來更佳的用戶服務(wù)質(zhì)量，實(shí)現(xiàn)精準(zhǔn)運(yùn)營、精準(zhǔn)營銷。

設(shè)計(jì)用戶畫像的可視化展現(xiàn)時(shí)，可以使用以下工具：

其中tableau、powerbi等自助式數(shù)據(jù)分析工具，可以讓沒有編程經(jīng)驗(yàn)的業(yè)務(wù)人員、運(yùn)營人員等進(jìn)行自我數(shù)據(jù)分析，不需要依賴IT人員。

七、評(píng)估用戶畫像效果

在初步形成了用戶畫像后，并不能直接交給運(yùn)營、業(yè)務(wù)人員實(shí)際使用，還需要評(píng)估用戶畫像的準(zhǔn)確性。

評(píng)估方式主要分為3種：邏輯驗(yàn)證、A/B test、用戶回訪。

邏輯驗(yàn)證：也叫做交叉驗(yàn)證；在完整的用戶畫像標(biāo)簽體系中，一些標(biāo)簽往往會(huì)存在一些相關(guān)性；比如用戶的累計(jì)在線時(shí)長越長，訂單量通常會(huì)越高；比如購買3C產(chǎn)品的用戶群中，男性用戶數(shù)通常大于女性用戶數(shù)；另外，如果公司購買了第三方機(jī)構(gòu)的數(shù)據(jù)，也可用于交叉驗(yàn)證。

A/B test：也叫做灰度測試；以上述的忠誠度為例，保證對(duì)照組、實(shí)驗(yàn)組的流量相同；對(duì)實(shí)驗(yàn)組的用戶，進(jìn)行提升忠誠度的運(yùn)營策略（促銷活動(dòng)、積分獎(jiǎng)勵(lì)等）；如果實(shí)驗(yàn)組的用戶，忠誠度相比對(duì)照組用戶，有一定提升，則可以認(rèn)為用戶畫像比較精確。

用戶回訪：最樸實(shí)的評(píng)估方法，比如用戶畫像系統(tǒng)，定義了10萬用戶為低忠誠度用戶；此時(shí)從中隨機(jī)抽取1000人，交給客服，進(jìn)行回訪。根據(jù)回訪結(jié)果，判斷用戶畫像結(jié)果是否準(zhǔn)確；甚至可以對(duì)回訪結(jié)果進(jìn)行文本挖掘，形成詞云，查看消極詞的占比。

八、總結(jié)

當(dāng)公司業(yè)務(wù)規(guī)模，用戶體量上升到一定量級(jí)；業(yè)務(wù)、運(yùn)營團(tuán)隊(duì)，往往會(huì)提出對(duì)用戶精準(zhǔn)運(yùn)營的想法；此時(shí)就需要用戶畫像系統(tǒng)，在支持業(yè)務(wù)運(yùn)營的同時(shí)，也可以幫助產(chǎn)品經(jīng)理更好的了解用戶。

0-1搭建用戶畫像系統(tǒng)，需要在已有比較成熟的數(shù)據(jù)倉庫的前提下進(jìn)行：

• 數(shù)據(jù)建模：根據(jù)業(yè)務(wù)模式，設(shè)計(jì)相應(yīng)的數(shù)據(jù)模型
• 梳理用戶畫像維度：不重疊、不遺漏的梳理用戶標(biāo)簽體系
• 形成初步用戶畫像：可以使用tableau、powerBI、echarts等多種工具，生成可視化的用戶畫像
• 評(píng)估用戶畫像效果；通過邏輯驗(yàn)證、A/B測試、用戶回訪等方式，驗(yàn)證用戶畫像系統(tǒng)中的標(biāo)簽是否準(zhǔn)確
• 根據(jù)評(píng)估效果，持續(xù)優(yōu)化用戶標(biāo)簽系統(tǒng)

本文由 @16哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 unsplash，基于 CC0 協(xié)議